基于MPU6050加速度传感器的 跌倒检测与报警系统设计

分析不同年龄段老年人行为和跌倒状态变化（SVM）和姿态特征变化（姿态角）,设计一种基于加速度传感器的跌倒检测系统。使用MPU6050加速度传感器,通过无线传输（HC-06蓝牙模块）将采集到的数据传输到PC机上保存。通过MATLAB辅助分析采集的不同年龄段老年人各种行为数据的差异性,为不同年龄段老年人设置不同的跌倒检测阈值。仿真实验证明对不同年龄段的老年人设置不同跌倒检测阈值的跌倒检测算法与其它同一类型的跌倒检测算法相比有到更高的准确率和实用性。     

基于长短时记忆网络及变体的跌倒检测和人体行为识别系统

为应对人口老龄化带来的跌倒事件上升以及提高跌倒检测的准确度,设计了一种可穿戴式基于神经网络的跌倒检测和人体行为识别系统.提出基于长短时记忆网络及变体的跌倒检测及行为识别算法,将训练好的网络参数移植到研发的可穿戴式跌倒检测设备,实现对跌倒和其他行为检测,将异常行为结果、生理信息传输至监护人手机微信小程序,对被监护人的异常行为、定位信息进行监控.并且在对跌倒的种类和其他类跌倒行为区分检测中,精确率保持了较高的稳定水平.     

基于ELM的人体跌倒预测算法

为了应用于跌倒保护装置设计,需要设计一种跌倒保护预测算法,能够准确并快速的区分跌倒动作和正常行为动作,因此提出了基于ELM 的人体跌倒预测算法。该算法通过六轴传感器芯片MPU6050提取人体各个姿态下的三相加速度和三相旋转角,通过多变量分析方法得到特征量,随后对提取的特征量进行预处理,通过滑动时间窗口对数据进行切割,对处理后的数据集进行分类标签化处理,通过标签数据集进行ELM训练测试,得到一种基于ELM的人体跌倒预测算法。通过多指标理论和传统合加速度阈值算法进行了对比评估,确定了基于ELM 的人体跌倒预测算法能够在0.2s内快速预测跌倒行为,并且预测准确率能够达到97.6%,完全满足跌倒预测保护装置的应用要求,并且性能明显优于传统跌倒预测算法。     

基于GSM网络的老年人身体姿态检测系统设计

论文设计了一套基于GSM(Global system for mobile communication,GSM)网络的老年人身体姿态检测系统,该系统以Cortex-M3系列STM32芯片为控制器模块、MMA7361加速度传感器为姿态检测模块、ATK-NEO-6M GPS为位置定位模块、GTM900C为信息发送模块,并运用卡尔曼滤波和支持向量机算法检测老年人跌倒行为。实验结果表明,该系统能准确判断人体正常活动与跌倒事件,能自动定位并发送短消息。     

一种跌倒检测系统的研究与设计

针对中老年人意外跌倒的医护救治,设计了一种基于MPU6050的穿戴式传感器检测装置。该装置采用MPU6050传感器获取人体运动中的三维加速度和姿态角信息,通过计算分析疑似跌倒行为的加速度、俯仰角及疑似跌倒动作前后一段时间内俯仰角变化大小,将这三个特征作为跌倒判断依据,可以判断人员日常活动是否发生跌倒行为。通过实验测试验证,该装置可以区分正常人体活动与跌倒事件,对跌倒判断具有较高的可靠性和准确性。     

基于无线传感器网络的无线医疗监护系统的设计与实现

本文设计了基于无线传感器网络的无线医疗监护系统,利用基于TinyOS操作系统的CC2430作为无线射频模块,加速度传感器、脉搏传感器和体温传感器分别检测人体姿态、脉搏和体温。提出的基于RSSI值的定位算法可正确定位被监护者所处位置,跌倒算法可以准确判别人体跌倒状态,设计的上位机界面可以实时显示被监护人人体状态。结果表明,该系统可准确地获取被监护人脉搏、体温、人体姿态和位置等信息,实现了可靠的无线监护目标。     

基于U-NET网络的消防红外图像的人体检测算法

针对消防红外图像分辨率差、对比度低、信噪比低、视觉效果模糊、人体姿态复杂,多障碍物遮蔽、人体姿态不完整等特点。本文提出了一种基于U-Net网络的消防红外图像的人体检测算法,通过该算法解决了消防场景中人体姿态复杂,多障碍物遮蔽,人体形态不完整的困难。同时对比于传统目标检测算法以及YOLO v3算法,本文提出的算法在消防红外图像的人体检测上无论是检测的精度还是运算的实时性上都有大幅的提升。     

一种适用于单片机的老人跌倒检测算法研究

针对单片机的计算能力和检测系统的实时性,设计了一种可穿戴的老人跌倒检测装置。利用六轴陀螺仪加速度计进行原始信号的采集,将合成加速度和姿态角作为特征量,设计一种基于二叉树支持向量机分类思想的三级检测算法。首先,以合成加速度是否超出阈值作为分类条件,识别样本是否属于剧烈运动;其次,则以合成加速度是否呈现周期性变化和人体是否处于类静止状态(合成加速度在0.8~1.2 g)将样本进一步细分;最后,则通过判断人体的姿态确定老人是否跌倒。当检测到老人跌倒后,利用GPS对老人进行定位,同时利用GSM模块发送报警信息。实验证明算法准确率高、实时性好。同时能够准确定位,并将信息发送出去。     

智能家居中老人跌倒远程监护系统的设计与实现

经过对人体跌倒中所经历的状态的分析,设计了一种基于检测加速度变化来判断跌倒的远程跌倒报警仪。这种跌倒检测报警仪的工作原理是通过对佩戴人发生跌倒时身体姿态的变化所引起的传感器的三个轴上的加速度的变化来监测人体是否跌倒。当检测到人体跌倒后,跌倒检测报警仪自身发出声光报警信号,并自动将跌倒报警的信息通过GPRS以短信或拨打对方电话的方式通知监护人员,同时通过IEEE 802.15.4E无线的方式将报警信息发到智能家居的远程监控网页进行远程报警提示和报警信息的存储。     

基于加速度传感器和CDMA(GpsOne)的跌倒探测器的设计

文章介绍一种人体跌倒探测装置.该装置使用MC9S08QG8微处理器作为控制和算法处理核心,通过连续检测MMA7260QT加速度传感器的输出,对被测人体的身体姿态和运动进行计算和分析.当检测到被测人体出现异常跌倒情况时,能够通过无线通信的方式告知应急处理服务中心并报告发生跌倒的位置,以便于对这些可能产生严重后果的个体进行救助和处理.     

智能家居中老人跌倒远程监护系统的设计

经过对人体跌倒中所经历状态的分析,设计了一种基于检测加速度变化来判断跌倒的远程跌倒报警仪。这种跌倒检测报警仪的工作原理是通过对佩戴人发生跌倒时身体姿态的变化所引起的传感器3个轴上的加速度变化来监测人体是否跌倒。当检测到人体跌倒后,跌倒检测报警仪自身发出声光报警信号,并自动将跌倒报警的信息通过GPRS以短信或拨打电话的方式通知监护人员,同时通过IEEE 802.15.4e无线的方式将报警信息发到智能家居的远程监控网页,进行远程报警提示和报警信息的存储。     

基于ZigBee的可穿戴式跌倒监护系统

提出了一个可以进行远程报警的无线跌倒监控系统.跌倒检测是通过佩戴在人体的终端设备获取人体运动时产生的加速度信号,然后通过跌倒算法对数据进行处理识别.终端识别跌倒信号后,通过ZigBee无线网络将信号传输到网关,网关通过发送AT指令到SIM300模块来发送报警短信到监护人手机上.实验结果表明,系统可以100％检测到人体跌倒,使医护人员及家属在5s内收到跌倒报警信息.     

基于ZigBee的可穿戴式跌倒监护系统

提出了一个可以进行远程报警的无线跌倒监控系统。跌倒检测是通过佩戴在人体的终端设备获取人体运动时产生的加速度信号,然后通过跌倒算法对数据进行处理识别。终端识别跌倒信号后,通过ZigBee无线网络将信号传输到网关,网关通过发送AT指令到SIM300模块来发送报警短信到监护人手机上。实验结果表明,系统可以100%检测到人体跌倒,使医护人员及家属在5s内收到跌倒报警信息。     

基于嵌入式视频监控的摔倒检测系统的设计

为了迅速获得老人跌倒信息,使其得到及时救助,设计和实现了基于嵌入式视频监控的摔倒检测系统。该系统无需人体佩戴任何设备,即可自动检测老人跌倒信息并报警。对监控到的视频流采用H.264标准进行编码压缩,运用B/S网络结构模式实现远程视频监控。同时,对监控到的视频流进行人体摔倒检测以实现报警。摔倒检测使用改进的高斯混合模型算法对背景进行更新,采用背景减除法来分割运动目标。经实验表明该嵌入式系统可实现远程监控并准确分割出人体目标,对其姿态进行自动判别,出现跌倒时进行报警。该系统满足实时性要求,误报率低,鲁棒性好。     

基于改进的ST-GCN模型的跌倒检测算法

针对当下基于图像的传统跌倒检测算法难以提取时域动作特征所导致的模型检测过程中所存在无法提取动态信息问题,建立了一种基于关节点提取和改进的ST-GCN模型的实时跌倒检测算法.首先根据姿态识别算法Alphapose提取视频中人体的骨架关节点信息;然后对时域中的骨架关节点序列进行Kalman滤波估计,得到稳定变化的人体时空图...     

基于无线传感技术的人体姿态检测系统

为了提供独居老人的安全保障,设计一个无线姿态检测系统用于检测老年人的行动安全是相当必要的。这里结合了微传感器、嵌入式单片机和无线短距离通信等技术,提出一种人体姿态检测系统的设计方案。测试结果表明,该系统在人体佩戴实验中,可以区分出正常人体活动与跌倒事件,自动发出跌倒报警信号,从而使用户在尽可能短的时间内得到医疗救护。     

基于Kinect V2的跌倒行为检测与分析

为了尽可能地降低老年人因跌倒而造成的伤亡,利用Kinect V2体感设备对老年人跌倒行为进行检测与识别,通过对Kinect摄像头获取的RGB-D图进行处理,得到人体骨骼图像和位置信息。利用骨架跟踪技术,选取人体中心点、两髋中心、右脚掌等骨骼点,实时计算人体中心点的空间位置、运动速度,以及两髋中心点的位置关系、离地面高度等参数。文中重点分析了跌倒时速度阈值和高度阈值。经过大量实验验证,在室内环境下,文中算法实时性高,能克服传统视频检测技术检测率低和实时性差的问题,在检测过程中能有效地保护老年人的隐私,不间断地实时检测,为老人意外跌倒提供安全保障。     

基于头部运动轨迹和3D视觉的跌倒检测系统

为了实现自动识别人体跌倒行为的目的,采用深度摄像头同时获取彩色图像和深度图像,并对其进行校正;对深度图像采用背景差分法提取运动人体前景;利用彩色图像和深度图像的融合、肤色检测以及距离加权面积法进行头部的检测与定位;最后将头部运动速度作为判断跌倒的依据,对人体不同运动行为的头部速度进行采集,利用支持向量机对跌倒进行检测。以5个志愿者的步行、蹲下、坐下和跌倒等4类动作为实验样本,运用交叉比对确定最优化参数,最后采用本文提出的方法进行测试。实验结果表明,系统能够有效识别跌倒,总体识别率超过95％。其中,跌倒／步行行为分类识别率达100％;针对跌倒／蹲下和跌倒／坐下的系统平均识别率分别为94．4％和98．8％。     

基于姿态估计的驾驶员手部动作检测研究

为有效检查驾驶员在行驶过程中的不当行为,本文研究结合人体姿态估计信息的检测算法,通过对检测目标的约束,建立起一套具有多阶段的手部动作检测方法。该方法包含三个模块。第一,人体姿态估计模块,选取人体姿态估计网络关节的高斯热图层,通过输出的人体姿态高斯热图信息,达到对检测目标的空间信息的获取;第二,手部检测模块,基于CNN的检测网络,在网络输入层融合人体姿态高斯热图后,达到对手部的检测率提高的效果;第三,手部动作分类模块,通过接受手部检测模块的输出,消除对检测结果产生干扰的背景,将分类网络的特征提取约束在手部局部位置,提高手部动作分类的准确率,将手部区域输入至分类网络得到驾驶员手部动作,从而判断驾驶员是否存在抽烟、接听电话等不当行为,实现驾驶员的行为检测。为了验证本文提出的多阶段的手部动作检测方法,已在自制数据集上进行了相应实验。      

球类运动中人体姿态估计研究进展

针对单个RGB图像,人体姿态估计通过对人体关键点定位来估计人体的位置和关节点位置。球类比赛是一种快速的运动,用主观观察对运动员的技术合法性进行判决无法避免错误。因此,文中利用基于人体姿态估计的运动员姿态分析技术进行辅助训练和辅助判罚,有效避免了传统系统中由于人的主观判断对运动员姿态的错误定位。目前,针对人体姿态估计的研究被分为基于传统算法和基于深度学习算法两种主要方式。在基于深度学习算法的基础上又分为单人人体姿态检测和多人人体姿态检测。基于深度学习算法的人体姿态估计通过构建神经网络,运用机器学习的方法提取图片特征读取图片信息,并在用于人体姿态估计的主流数据集上进行性能对比和分析。将人体姿态估计应用到球类运动中,为运动员的日常训练提供了一定的科学参考,同时也最大程度上保证了运动员比赛中的公平与公正。