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。      

一种人体跌倒检测方法

随着人口老龄化问题日趋严重,针对老年人容易跌倒的社会问题,进行跌倒检测方法的研究.采用基于穿戴式设备的跌倒检测方法,不同于绝大多数的跌倒事后检测方法,结合加速度特征和角度特征,采用支持向量机算法作为分类算法,进行人体跌倒的事前检测.通过实验发现,跌倒行为的检测率达到99.2%,日常活动行为的检测率达到96%,跌倒检测的平均前置时间为273ms.     

基于SVD特征降维和支持向量机的跌倒检测算法

为减少跌倒对人体造成的伤害,采用一种基于支持向量机的人体跌倒检测方法。利用安置于腰上的手机采集人体运动行为加速度数据,提取对跌倒行为敏感的时域及频域特征,利用奇异值分解方法降维特征和重构跌倒特征,采用支持向量机分类器检测跌倒行为。仿真实验表明:该方法能够有效地识别跌倒和日常行为,具有较高灵敏度和特异度,并可同时提高识别正确率。     

基于支持向量机的跌倒检测方法研究

跌倒是老年人常见的意外伤害事故,为了能够及时检测跌倒事件的发生,设计了一种基于三轴加速度传感器的跌倒检测装置,该装置佩戴在使用者的腰部或者腹部,用于实时检测老年人在正常活动和跌倒状态下的加速度信号,采用支持向量机(SVM)方法对加速度信号进行数据处理,判断人体是否跌倒。通过实验测试验证,该方法对跌倒行为识别具有较高的准确性和可靠性。     

基于阈值分析法的人体跌倒检测系统

为了在老年人跌倒时及时发现并进行救助,设计了一个跌倒检测、定位报警求救的智能系统。系统使用STM32F103ZET6作为微处理器,采用ADXL345三轴加速度传感器采集数据,并用ATK—NEO—6M实现全球定位,跌倒发生时,SIM900A发送包含位置信息的求救短信给特定人员。提出了一种跌倒检测算法,根据设定的合加速度阈值和时间阈值,来检测失重、撞击、静止三个过程是否顺序发生,根据设定的姿态角阈值,检测人体姿态角是否超过正常范围,从而判断是否跌倒。测试结果表明:系统性能稳定,检测跌倒的准确率达到97%,满足人体跌倒检测的标准。     

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GWO-SVM的行人跌倒检测方法

随着老龄化问题日趋严重,老年人的安全问题越来越受到重视,跌倒行为就是导致老年人死亡或发病的主要原因之一。基于此,提出了一种基于灰狼算法(Grey Wolf Optimizer, GWO)优化支持向量机(Support Vector Machines, SVM)的行人跌倒检测方法。选择了行人运动行为中的加速度、角速度和高度作为特征参数,构建了一种基于GWO-SVM的跌倒检测模型,使用MATLAB对模型进行训练及验证。并选择其他三种模型进行对比,使用混淆矩阵对四种模型的效果进行评估。结果表明,经灰狼算法优化的支持向量机对跌倒行为的检测精确度达到95.00%,F1-Score值同样达到95.00%。     

基于MEMS三轴加速度传感器的摔倒检测

摔倒作为人体活动的一部分,是影响人体健康的一大因素,尤其对病人和老年人而言,摔倒检测至关重要。基于MEMS三轴加速度传感器采集的人体活动加速度信号,提出了一种基于固定阈值的信号幅度向量滑动平均法SVMSA。该方法根据人体活动时的加速度信号特征,利用预先设定的阈值对加速度信号幅度向量SVM的滑动平均SVMSA进行判决,同时使用差分信号幅度域DSMA区分快速跑步等剧烈运动,准确实现了人体的摔倒检测。主要优势在于分析并区别了人体快速跑步等剧烈运动对摔倒检测的影响。通过对8位实验者的测试,该算法实现了94.4%的精确度。实验表明该算法能够较为准确地实现人体的摔倒检测。     

机器学习辅助IMU人体跌倒状态识别

针对单一传感器在人体运动状态监测中误差较大的问题,本文采用了高精度的陀螺加速度计 MPU6050模块.该模块使用陀螺仪输出的人体运动信息对加速度传感器采集到的姿态角信息进行修正,提高测量精度.采用机器学习的方法对样本数据进行分析,获得分类阈值.当人体由静止到跑步或由站立到坐下等状态转移时,加速度也会突然增大,有可能达到跌倒时的阈值.当采集的加速度信息的特征值大于阈值时,通过分析其产生峰值时的加速度值和该时刻及之后的角度变化,来确定是否发生跌倒事件.     

基于智能视觉的人体跌倒检测仿真

针对传统人体跌倒检测方法准确度低,不能在人体疑似跌倒的第一时间及时检测的问题,提出基于智能视觉的人体跌倒检测方法。根据智能视觉分析技术解析人体跌倒行为,采用加速度传感器采集人体跌倒惯性特征数据并利用加速度传感器建立三轴加速坐标,对跌倒行为作出判断。在巨大的特征量集合中,运用K-L变换方法提取出准确的加速度峰值和倾角变化值,据此设置跌倒行为检测的约束条件,完成对跌倒行为的分类。采用PSO分类器优化人体跌倒检测的SVM参数,完成人体跌倒高精准度检测。实验结果表明,所提方法的检测准确度高于对比的3种文献方法,检测时间最短,能够及时检测目标个体跌倒情况,可广泛应用于现实生活中。     

基于高斯模糊的摔倒自检测算法设计与应用

随着智能设备的普及,如何快速准确地检测、识别人体摔倒已逐渐成为研究的热点。然而现阶段对摔倒动作识别与检测仍然存在很多问题。为此,以智能设备的传感器系统采集的三轴加速度与角加速度为基础,结合经过高斯过滤后形成人体活动的信号幅度向量和陀螺仪信号幅度向量特征曲线与摔倒检测的模糊隶属函数特征模型,提出一种基于模糊的摔倒自检测算法。算法重点针对急速跑动、上下楼梯、手机平抛和自由落体等摔倒检测中的干扰动作进行了分析与区分,经过实验测试表明该算法有较快的反馈速度、较好的区分度以及较低的误判率。     

基于阈值和极端随机树的实时跌倒检测方法

针对基于可穿戴设备的跌倒检测存在的实时性与准确性无法兼得的问题,提出一种阈值和极端随机树融合的实时跌倒检测方法。在该方法中,可穿戴设备只需计算阈值量,无需确保跌倒检测的准确率,从而减少了计算量;同时,上位机利用极端随机树算法确保了跌倒检测的准确率。可穿戴设备通过阈值的方法过滤了大部分日常动作,因此减少了上位机检测的动作数据量。这样一来所提方法既满足了跌倒检测的高准确率,又满足了实时性。另外,为了降低跌倒检测的假阳性率,可穿戴设备融合了姿态角度传感器和压力传感器,上位机中加入了反馈机制。当检测结果出现假阳性时,通过上位机将检测错误的样本加入非跌倒数据集中进行再训练,模型经过这样的不断学习会生成适合个人的报警模型,且这种反馈机制为降低跌倒检测的假阳性率提供了新思路。实验结果表明,在1 259个测试样本中,所提方法具有平均99.7%的准确率,最低0.08%的假阳性率。     

老年人运动状态监测和跌倒报警系统

体育锻炼是促进老年人健康长寿的有效手段之一。为了对老年人的运动状态进行实时监测,掌握运动状态参数,并能够对老年人不慎意外踏空或者某种疾病突发导致的跌倒及时报警,设计一种能够实时监测老年人跌倒动作发生并发送定位及报警信息给远程接收端的便携式监测系统。系统采用腰部三轴加速度传感器实时采集人体运动姿态数据;使用嵌入式处理器和无线网络实现数据处理、无线传输和远程报警;通过三级阈值的人体跌倒检测算法,实现人体跌倒姿态变化的加速度特征提取,对人体运动状态进行分级,预测严重的跌倒行为。实验结果表明：该系统具有性能稳定、正确率高和轻巧方便等特点,非常适合老年人穿戴使用,可保障老年人运动安全,应用前景广阔。