基于关节点特征的跌倒检测算法

针对跌倒检测算法中存在网络计算量大和类跌倒行为难以区分的问题,提出一种基于关节点特征的跌倒检测算法。首先,在目前先进的CenterNet算法基础上提出了深度可分离卷积CenterNet （DSC-CenterNet）关节点检测算法,从而在减少骨干网络计算量的同时准确检测人体关节点并获取关节点坐标;然后,基于关节点位置和人体先验知识来提取可充分表达跌倒行为的空间特征和时间特征作为关节点特征;最后,把关节点特征向量输入全连接层,并经Sigmoid分类器输出跌倒或非跌倒两种类别,从而实现人体目标的跌倒检测。实验结果表明,所提算法在UR Fall Detection数据集上对不同状态变化下跌倒检测的平均准确率达到98.00%,区分类跌倒行为的准确率达到98.22%,跌倒检测速度为18.6 frame/s。与原CenterNet结合关节点特征跌倒检测的算法相比,DSC-CenterNet结合关节点特征算法的跌倒检测速度提升了22.37%,提高后的速度可有效满足视频监控下人体跌倒检测任务的实时性。该算法能有效提高跌倒检测速度并对人体跌倒状态进行准确检测,且进一步验证了基于关节点特征的跌倒检测算法在视频跌倒行为分析中的可行性与高效性。     

数据融合的跌倒检测系统设计

为解决跌倒检测中检测设备功耗高、报警范围受限、携带不便等难题,结合Arduino与Android设计了基于MPU6050的跌倒检测系统,提出了基于数据融合的并行阈值算法,通过对5位实验者的模拟测试,该算法实现了97.6%的精确度和99.2%的特异性.实验表明:算法和方案在方便携带的基础上能较为准确地实现人体跌倒检测并及时定位报警.     

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。     

基于三轴加速度计对阈值跌倒识别算法的优化

随着社会人口老龄化程度的不断提高,越来越多的人开始关注老年群体的身心健康。老年群体平衡能力较弱、反应较迟钝,失去平衡做出自我调整反应能力弱,非常容易出现意外摔跌的情况。市面上有三类跌倒检测装置^[1]：基于视频监控的跌倒检测、基于声学的跌倒检测以及基于传感器的跌倒检测。前两种检测方法受制于环境场景,而现有的传感器检测方法对于跌倒判定准确性不高。本文通过真人多次跌倒实验获得跌倒数据,对数据多角度进行特征提取和分析,选取有价值的判断标准实现算法,最后通过实验验证该算法优于已有的跌倒识别算法。     

WiSFall:一种非接触式的浴室跌倒监测模型

封闭浴室场景中的跌倒行为危害性大，救助及时性差，对其高效便捷的监测研究有重要意义.针对现有基于Wi-Fi信号感知的跌倒算法中存在的特征提取不足、识别精度有限问题，本文提出了一种基于深度学习的非接触式浴室跌倒监测模型WiSFall.首先，WiSFall将一维时序CSI数据流重构为二维的频率能量图形式，使得感知数据的特征容纳能力得以增强；其次，对重构后的感知数据进行巴特沃斯滤波，以去除环境噪声；最后，将滤波后的感知数据以频率能量图形式输入到构建好的深度学习模型中，通过对感知特征的有效提取和分类实现Wi-Fi环境下高精度的浴室跌倒监测.实验结果表明，WiSFall在居家浴室环境下对跌倒行为监测的准确率达到99.63%,相比同类模型表现更好，且具有较强泛化能力.     

基于YOLOv5的空巢老人跌倒检测系统的设计与研究

空巢老人跌倒受伤,如不及时就医,可能会导致终身残疾,甚至危及生命。为此设计基于YOLOv5(单阶段目标检测算法)的空巢老人跌倒检测系统。首先自建跌倒数据集约7,000张,按1:4划分为训练集和验证集训练;然后搭建监控视频流、编写可视化检测客户端、部署服务器端,同时将短信阈值及进程融合到检测系统,实现老人跌倒行为的及时反馈;最后对约100个实际监控视频进行测试、分析。实验结果表明,系统对跌倒和正常两种状态的检测平均精度为94.23%,跌倒后正确发送短信为45次,发送成功率约98.10%,能达到较理想的效果。     

基于特征自动提取的跌倒检测算法

跌倒是导致老年人受伤甚至死亡的主要原因。准确及时的跌倒检测系统可以帮助跌倒者获得紧急救援。 目前基于传感器的跌倒检测方法主要利用人工设计提取的信号特征来区分跌倒和非跌倒运动,但人工提取的特征往往会限制算法的精确度,增大算法时延。为提高跌倒检测的精确度和实时性,本文提出了一种基于深度学习的跌倒检测算法。该算法可以自动提取数据特征,实现从原始数据到检测结果的端到端的处理。算法模型主要由两层级联的长短期记忆（Long Short-Term Memory, LSTM）循环神经网络组成,通过神经网络提取加速度计和陀螺仪数据内部的特征,并判断是否有跌倒状况发生。我们使用两个公开数据集MobiAct和SisFall对算法性能进行评估。 实验结果显示,算法在两个数据集都达到了较高的精确度（99.58%以上）和较低的时延（2.2毫秒以内）。     

基于Android平台的老人跌倒检测算法及APP设计

本文利用Android智能手机内置的加速度传感器和陀螺仪感器收集的运动参数,提出了基于加速度特征量、角速度特征量和角速度相似度特征量的跌倒检测算法并进行了APP设计与实现。实验结果表明,该算法能有效的检测到跌倒事件的发生,同时在人体发生跌倒倒后能及时发出定位信息及报警信息,使得跌倒人能及时准确得到救助。     

基于多特征融合的跌倒行为识别与研究

在全球老龄化和空巢家庭的社会背景下,老年人的跌倒已成为当今社会备受关注的问题,为了能及时为老年人提供帮助,减轻摔倒带来的伤害,提出了一种基于图像处理的多特征融合跌倒识别算法。针对前景提取,本文提出了一种三帧差分法与背景减除法加权结合的目标提取算法,进而提取出目标轮廓的高度、宽高比、质心、矩形周长、Hu矩及Zernike矩特征;以行走、坐下、蹲下和跌倒4种行为数据作为样本,最后通过参数优化后的支持向量机训练及预测来实现跌倒的检测与识别。实验结果表明,所提出的算法不仅有效而且速度快、易于实现,平均识别率超过了95%。     

基于惯性传感器的轻量化卷积神经网络跌倒检测算法

在可穿戴式跌倒检测终端中部署微型机器学习模型,存在计算力弱、内存受限和传统机器学习算法手动选取特征不完善等问题,提出一种基于惯性传感器的轻量化卷积神经网络跌倒检测算法,设计并实现了高精度可穿戴式跌倒检测系统。该算法自动从跌倒数据中提取更完善的数据特征和采用深度方向可分离卷积,将标准卷积分解成深度方向卷积和点方向卷积,在只失去0.2%跌倒检测精度下,卷积层参数量减少75.32%,使之更适于资源受限的嵌入式终端中部署。实验结果表明该算法在实际跌倒测试环境中,平均准确率、敏感度和特异性分别达到了99.29%、98.00%和100.00%。该算法相比其他算法既减少了模型大小和计算量,又保证了跌倒检测精度,该系统的成功研发为老年人跌倒检测与报警提供了新的途径。     

可穿戴式跌倒检测智能系统设计

为提高对老年人跌倒检测的正确率,设计一种可穿戴式跌倒检测系统.研制基于三轴加速度计的跌倒检测设备,给出系统硬件和软件的实现方案;提出基于反向传播(BP)神经网络的跌倒检测算法,将训练好的网络参数植入研制的可穿戴式跌倒检测设备,实现对跌倒的实时检测.实验结果表明:所研制的跌倒检测智能系统能够有效地区分跌倒与非跌倒,正确率达97.37％.     

基于深度学习的工业物联网智能入侵检测

如何有效识别工业物联网入侵攻击行为是一个新挑战.针对工业物联网中入侵检测特征提取不高、检测效率低、适应能力差等问题,提出一种基于深度学习的工业物联网智能入侵检测方法.首先,在数据处理上改进采样算法用于调节少数类别样本数量,提高检测精度;其次,构建堆叠降噪卷积自编码网络提取关键特征,结合卷积神经网络和降噪自编码器,加强特征识别能力;为了避免信息丢失和信息模糊,改进池化操作以增加其自适应处理能力,并在模型训练过程中采用Adam算法获取最优参数;最后,采用NSL-KDD数据集测试提出方法的性能.实验结果表明,该方法相比现有的RNN、DBN和IDABCNN的准确率分别提高了3.66%、4.93%和4.6%;与未经采样算法的SDCAENN试验对比, U2R和R2L的检测精度分别提高17.57%和3.28%.     

基于SVM_KNN的老人跌倒检测算法

跌倒是老年人伤害和死亡的主要诱因之一,我国每年约有4000万65岁以上的老人意外跌倒。本文基于智能手机的加速度、气压计等传感器提出一种人体跌倒检测算法。该算法首先采用支持向量机（SVM）对训练集进行训练,得到一个弱二分类器（包含最优超平面和支持向量集）,然后计算待测样本到最优超平面的距离。若该距离大于设定的间隔,直接采用SVM分类;否则,利用支持向量集作为有标签的训练集进行K近邻分类（KNN）。考虑到特征值的多维性,本文引入标准化欧氏距离替代传统的欧氏距离。仿真与实验结果显示,与传统的支持向量机算法相比,该算法能有效提高跌倒检测的准确率,且不受智能手机放置位置的限制。      

基于智能手机的实时跌倒检测系统研究

为减少跌倒对老年人造成的伤害,并对跌倒进行实时检测,提出了一种基于Android智能手机的人体跌倒检测系统,手机安置于腰上采集手机加速度传感器数据,利用了姿态识别和跌倒检测相结合的算法,区分出跌倒行为和人体日正常常活动。当检测到异常跌倒时,报警信息以及从手机中GPS获取的位置被发送。仿真及实验表明：系统能够有效地识别出跌倒和日常行为,算法具有较高实时性、具有较高灵敏度和特异度。     

基于双摄像头的摔倒检测技术

随着人口老龄化趋势的加快,老人独居现象增多,为了减少老人摔倒所带来的伤害,本文对基于双摄像头的摔倒检测技术进行研究.针对Vibe算法在运动目标检测过程中存在的鬼影问题,结合了帧间差分法进行鬼影区域的判断,加快了鬼影的消除,避免了其干扰.利用人体外接矩形对检测到的人体进行标记,求取出人体运动过程中高度、外接矩形高宽比、质心、Hu矩特征,通过基于阈值分析法和支持向量机(SVM)的摔倒检测算法判断是否摔倒.为了提高摔倒行为的检测率,提出采用双摄像头进行联合判断.实验结果表明,系统能有效识别摔倒与其他日常行为,算法准确度高、实时性好.     

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.     

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。