基于可穿戴惯性传感器的跌倒预先识别方法

跌倒是老年人意外伤亡的主要原因,使用防护产品是预防其伤亡的重要措施.为提升跌倒防护产品的适用性,提出一种结合阈值和支持向量机(SVM)多分类的跌倒预先识别方法.利用置于腰部的惯性传感器采集人体动作的加速度和角速度,并提取合加速度、水平合角速度和姿态角特征.通过设定特征阈值对样本进行初步检测,并对疑似跌倒样本提取时间窗内特征的均值、范围和方差来构建分类特征向量,通过训练的SVM多分类器对疑似跌倒样本进行复检和方向识别.结果表明:该方法对跌倒预先识别的前置时间为256ms,准确率为98.9％,可有效预先识别跌倒行为及其方向.     

基于人体姿态的P SO-SVM特征向量跌倒检测方法

在可穿戴设备检测人体跌倒情况时,单一采用加速度阈值判别方法不能完整表征人体跌倒行为变化的信息,导致对跌倒信息误判.为此,提出了一种基于人体姿态的PSO-SVM特征向量跌倒检测算法.首先通过MEMS加速度传感器节点采集人体姿态数据,并利用共轭梯度法对采集的数据进行优化处理,降低非线性误差;然后,利用支持向量机SVM(Support Vector Machine)分类器检测跌倒行为,并通过粒子群PSO(Particle Swarm Optimization)算法对SVM参数进行优化,获得最佳分类模型,根据SVM分类模型对采集的姿态数据进行分析,判断是否跌倒;最后根据人体姿态角,构建融合人体姿态角的PSO-SVM特征向量,检测跌倒过程的具体信息.实验结果表明:该检测方法取得95.5%的识别率,能够较好地区分其他非跌倒性动作,检测精度较其他方法较高,均方根误差较小,有较好的鲁棒性.     

基于nRF905和MSP430的惯性传感器无线数传系统设计

介绍一种可用于人体跌倒检测的惯性传感器数据无线传输系统,该系统由采集数据的无线传感器节点、接收数据的基站以及监控数据和发配置命令的上位机组成。系统软件采用中断的方法对数据收发实时处理。经测试,上位机和节点之间能够进行可靠性良好、实时性强的数据包和配置命令的无线传输,系统可应用于人体跌倒过程中人体加速度和角速度的实时无线采集。     

基于半监督学习的跌倒检测系统设计

针对老人跌倒时的复杂运动情况,进行跌倒标注的较难实现,提出了基于Tri-training半监督算法的跌倒检测系统。本系统使用3D加速度传感器采集运动加速度数据,然后对数据进行特征提取与部分样本标注,使用Tri-training算法训练分类器,最后使用训练好的分类器进行跌倒识别。具体的数据采集传感器设计为可穿戴式设备,服务器端使用Java编写了一个服务器的程序实现对数据的分析与处理。实验结果表明：该方法使用了大量无标签数据的信息,有效提高了跌倒识别的准确率。实验结果表明：本系统能够满足老年人在日常生活中的需求,对于一些意外跌倒能够给予及时的检测与报警。     

可穿戴式人体运动捕捉系统

随着计算机科学,传感器技术的飞速发展,可穿戴式设备也逐渐兴起,并融入人类生活当中。无论是国内还是国外,对可穿戴设备的研究一直在进行着。可穿戴设备的功能日新月异,实现了人机交互、跌倒报警等功能。该产品是基于多传感器协作的可穿戴人体姿态捕捉系统,能实时监测并捕捉人体的姿态,对日常生活中诸如跑步、行走、站立、平躺、跌倒等常见动作状态进行识别,实现了对日常活动的监测。     

基于加速度传感器的人体跌倒检测方法

针对人体跌倒检测阈值算法在由于阈值设定不当而引起的检测精度下降问题,采用支持向量机方法决定跌倒检测的阈值大小。从加速度传感器中获取人体运动信号,提取合加速度以及倾角作为分类特征,根据人体在跌倒时经过的失重、撞击地面和平稳三个阶段,建立基于阈值的跌倒检测模型。采用所建立的跌倒检测模型,分别用支持向量机方法以及人工方法设定阈值,仿真结果显示采用支持向量机设定阈值的检测效果优于对比算法,结果表明本文方法能有效识别跌倒。     

基于拉班空间的跌倒方位检测方法

研究跌倒检测方法对于保障老年人健康生活具有重要意义.首先通过惯性传感器对老年人日常行为及跌倒动作进行捕捉,使用欧拉角法表示动作数据,引入滑动平均滤波算法对数据降噪融合;在此基础上,基于拉班舞谱空间表示方法,建立跌倒及方位检测模型,基于该模型进行异常姿态检测及八种精确方位判定,最终提出一种基于拉班空间的跌倒方位检测方法.实验结果表明,该方法的检测准确率可达100%,同时能够对老年人跌倒后受伤部位进行预诊断及报警.     

融合运动特征和深度学习的跌倒检测算法

为了利用计算机视觉技术准确检测老年人的跌倒状况,针对现有跌倒检测算法中人为设计特征造成的不完备性以及跌倒检测过程中前后景分离困难、目标混淆、运动目标丢失、跌倒检测准确率低等问题,提出了一种融合人体运动信息的深度学习跌倒检测算法对人体跌倒状态进行检测。首先,通过改进YOLOv3网络进行前景与背景的分离,并根据YOLOv3网络的检测结果对前景人体目标进行最小外接矩形标记;其次,分析人体跌倒过程中的运动特征,将人体运动特征向量化并通过Sigmoid激活函数转化为0到1之间的运动权重信息;最后,通过全连接层将将运动特征与卷积神经网络（CNN）提取的特征进行拼接和融合从而实现人体跌倒分类判别。将所提跌倒检测算法与背景差分、高斯混合、VIBE、方向梯度直方图（HOG）等人体目标检测算法及阈值法、分级法、支持向量机（SVM）分类和CNN分类等人体跌倒判断方案进行了对比实验,并将所提跌倒检测算法在不同光照条件下和混合日常噪声运动干扰下进行了实验,结果表明所提算法在环境适应性和跌倒检测准确率上都优于传统的人体跌倒检测方法。该算法能有效检测出视频中的人体并对人体跌倒状态进行准确检测,进一步验证了融合运动信息的深度学习识别方法在视频跌倒行为分析上的可行性与高效性。     

人体跌倒的鲁棒检测方法

通过对跌倒行为特性的研究,提出了人体跌倒鲁棒检测方法.采用穿戴式跌倒检测装置,将加速度传感器和倾角传感器安置于腰间,压力传感器安置于脚底,用于采集人体运动中的姿态加速度信息、倾角信息和脚底压力信息,采用主成分分析法提取姿态变化特征量,并运用支持向量机对特征量进行分析和判断,判断人体是否跌倒.通过试验测试验证,所提出的方法对跌倒检测具有较高的鲁棒性.     

基于多传感器的人体生理状态判别可视化技术

基于多传感器的人体生理状态判别可视化技术适用于当前的可穿戴体域网设备。该技术利用了3种可穿戴式人体生理信号传感器。从脉搏传感器中采集脉搏波信号,预处理后提取特征向量,采用支持向量机的方法,将人体生理状态分类为"普通状态"和"事件状态",对16名实验者都取得了90%以上的分类准确率。利用呼吸波传感器和体温传感器作为辅助判别方式,将这三种信号的分类结果采用二进制编码的方式进行数据融合,得出一种对人体生理状态的综合评价可视化结果。     

基于信息反馈的入侵检测模型研究

针对目前入侵检测系统（Intrusion Detection System,IDS）对未知异常检测误报率率比较高的问题,提出了一种基于信息反馈的入侵检测方法。首先设计了一个IDS与主机协作检测的模型,然后详细介绍了IDS根据反馈信息利用行为分析技术对未知异常的检测过程。最终实现了高效的入侵检测系统。     

基于序列模型的无线传感网入侵检测系统

随着物联网(IoT)的快速发展，越来越多的IoT节点设备被部署，但伴随而来的安全问题也不可忽视。IoT的网络层节点设备主要通过无线传感网进行通信，其相较于互联网更开放也更容易受到拒绝服务等网络攻击。针对无线传感网面临的网络层安全问题，提出了一种基于序列模型的网络入侵检测系统，对网络层入侵进行检测和报警，具有较高的识别率以及较低的误报率。另外，针对无线传感网节点设备面临的节点主机设备的安全问题，在考虑节点开销的基础上，提出了一种基于简单序列模型的主机入侵检测系统。实验结果表明，针对无线传感网的网络层以及主机层的两个入侵检测系统的准确率都达到了99%以上，误报率在1%左右，达到了工业需求，这两个系统可以全面有效地保护无线传感网安全。     

Integrating the enriched feature with machine learning algorithms for human movement and fall detection

Movement detection is gaining more and more attention among various pattern recognition problems. Recognizing human movement activity types is extremely useful for fall detection for elderly people. Wireless sensor network technology enables human motion data from wearable wireless sensor devices be transmitted for remote processing. This paper studies methods to process the human motion data received from wearable wireless sensor devices for detecting different types of human movement activities such as sitting, standing, lying, fall, running, and walking. Machine learning methods K Nearest Neighbor algorithm (KNN) and the Back Propagation Neural Network (BPNN) algorithm are used to classify the activities from the data acquired from sensors based on sample data. As there are a large amount of real-time raw data received from sensors and there are noises associated with these data, feature construction and reduction are used to preprocess these raw sensor data obtained from accelerometers embedded in wireless sensing motes for learning and processing. The singular value decomposition (SVD) technique is used for constructing the enriched features. The enriched features are then integrated with machine learning algorithms for movement detection. The testing data are collected from five adults. Experimental results show that our methods can achieve promising performance on human movement recognition and fall detection.     

基于惯性传感技术的穿戴式老年人跌倒报警系统

现今老年人跌倒报警系统跌倒参照倾角方向单一,导致最终报警系统的误报率数值较大。针对这一不足,设计一种基于惯性传感技术的穿戴式老年人跌倒报警系统。硬件部分选择惯性传感器,设定传感器引脚功能,采用粘性电极安置在运动背心内部,设计穿戴式装置。软件部分选用SVM分类算法检测老年人跌倒的特征值,检测老年人跌倒状态,采用联合报警模式,构建一个三方向参照坐标转换过程,实现跌倒报警,完成对穿戴式老年人跌倒报警系统的设计。搭建实验环境,选取十位年轻人模拟老年人跌倒过程,分别使用两种传统老年人跌倒报警系统与设计跌倒报警系统进行实验,结果表明:设计的老年人跌倒报警系统误报率数值在1%左右,误报率数值最小。     

基于二次判断的无线多传感器跌倒监测系统

通过研究跌倒事件,设计了一种基于多传感器的穿戴式跌倒监测系统.将加速度传感器、磁传感器和压力传感器相结合,采集相互独立的实时数据,并利用阈值和表决算法进行二次判断来提高系统的跌倒识别率.系统实时监测跌倒事件,并根据报警设置提醒误判或者通知家属以得到及时救助.实验结果表明,该系统有较高的识别率和可靠性,适合应用于跌倒监测系统.     

A low power and real-time hardware recurrent neural network for time series analysis on wearable devices

The research presented in this paper addresses the exploitation of Deep Learning methods on wearable devices. We propose a hardware architecture capable of analyzing time series signals through a Recurrent Neural Network implemented on FPGA technology. This architecture has been validated using a real dataset, which includes three-axial accelerometer data acquired by a wearable device used for fall detection. The experiments have been conducted considering different devices and demonstrates that the proposed hardware architecture outperforms the state of the art solutions both in terms of processing time and power consumption. Indeed, the proposed architecture is real-time compliant in the elaboration of the fall detection dataset adopted for the validation. The power consumption is in the order of dozens μW. Finally, futher functionalities could be added in the same chip since the resource usage is low.     

Multimodal person detection system

Person detection is often critical for personal safety, property protection, and national security. Most person detection technologies implement unimodal classification, making predictions based on a single sensor data modality, which is most often vision. There are many ways to defeat unimodal person detectors, and many more reasons to ensure technologies responsible for detecting the presence of a person are accurate and precise. In this paper, we design and implement a multimodal person detection system which can acquire data from multiple sensors and detect persons based on a variety of unimodal classifications and multimodal fusions. We present two methods of generating system-level predictions: (1) device perspectives which makes a final decision based on multiple device-level predictions and (2) system perspectives which combines data samples from multiple devices into a single data sample and then makes a decision. Our experimental results show that system-level predictions from system perspectives are generally more accurate than system-level predictions from device perspectives. We achieve an accuracy of 100%, zero false positive rate and zero false negative rate with fusion of system perspectives motion and distance data.

     

基于Kinect体感传感器的老年人跌倒自动检测

跌倒是独居老人最主要的意外风险之一,为快速有效获取跌倒信息,使老年人得到及时救助,提出一种基于Kinect体感传感器的人体跌倒自动检测方法,利用Kinect深度图像技术获取人体深度图像前景图,建立前景图三维包围盒,通过实时计算的三维包围盒的长、宽、高数值以及该数值的变化速度,判断人体跌倒是否发生。利用遮挡融合算法,解决了人体躯干被障碍物部分遮挡时,跌倒事件的检测和判定。在室内居家环境下进行了26种测试场景实验,检测误报率为2.0%~6.0%,漏报率为0~4.0%。该方法可以较为准确地实现人体跌倒自动检测。