基于WSN的室内人员定位与跌倒检测系统

为了减少跌倒对老年人造成的意外伤害,基于无线传感网络(WSN),提出了一个具有室内人员定位和跌倒检测功能的无线监控系统。通过对人体跌倒过程的分析,利用三轴加速度传感器采集人体运动参数,并使用阈值法实现了跌倒检测;定位系统采用三边测距-质心定位算法,跌倒发生后启动定位系统,并将报警信息和跌倒后的位置信息发送至监控中心和监护人手机上。经过试验验证,系统具有较高的准确性和可靠性。     

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FCM聚类和卷积神经网络的跌倒识别算法

为了提高传统跌倒检测系统的识别准确度和运算速度,减小误报率和漏报率,本文提出了一种基于模糊C均值（Fuzzy C-means, FCM）聚类算法和卷积神经网络算法的实时跌倒检测算法。该算法以深度视觉传感器为数据获取源,提取聚类中心点速度、高度、加速度以及夹角为跌倒识别特征向量,采用阈值分析和机器算法相结合的方式实现人体跌倒识别。实验表明,该算法的识别精度达到99%,运算速度为0.178 s,相对于传统算法具有更高的识别精度和运算速度。     

基于惯性传感器件的跌倒检测系统设计

设计了一种基于MEMS三轴加速度计和双轴陀螺仪的可穿戴式跌倒实时检测系统,阐述了系统的传感单元选择与配置、硬件电路设计和软件设计,并给出了基于人体运动特征参数的跌倒识别算法.实验结果表明:系统可实现正常人体活动和跌倒行为的有效区分.     

基于足底压力信息的跌倒姿态聚类识别方法

为了进一步提高基于足底压力传感器的老年跌倒检测系统的识别率,以及准确地判断人体跌倒方向,提出了利用自组织映射神经网络(SOM)和足底压力传感信息对人体动作进行聚类分析的方法。为了验证SOM方法的识别效果,采取包含跌倒在内的13类常见动作的130个样本对训练好的SOM网络进行测试。测试结果表明,系统灵敏度、特异度及准确度分别为92.5%、93.3%、93.1%,其结果均优于常用的阈值法。综上,SOM方法对人体跌倒姿态识别具有较高的可靠性和准确度。     

基于LabVIEW和MATLAB的跌倒远程监控系统

针对传统跌倒检测系统识别正确率较低，误报率、漏报率较高、难以满足远程实时监控的问题，设计一种基于LabVIEW和MATLAB混合编程的新型跌倒检测系统。以深度视觉传感器为数据获取源，以聚类中心点速度、高度、加速度、两中心点垂直夹角为跌倒识别特征向量，采用改进型K-means和卷积神经网络算法实现跌倒检测。实验表明，系统具有更高的识别正确率、更低的误报和漏报率、更好的鲁棒性，并满足了远程实时监控要求。     

基于多传感器融合的老人跌倒检测

老年人跌倒受伤的问题已经随着人口老龄化显得非常突出,目前主流的跌倒检测算法既不实用也不准确。为此提出一种新的基于加速度计、陀螺仪和磁力计的跌倒检测算法。把人的活动姿势分平躺姿态和非平躺姿态,并假设在跌倒后检测到躺卧姿势。检测算法分三步:四元数卡尔曼滤波,姿态识别,活动强度分析。通过安装在腰部的九轴传感器采集数据,通过四元数卡尔曼滤波器,使系统可以获得在地面坐标系统中人体姿态矢量。人体的姿态矢量包括欧拉角、四元数、加速度。欧拉角用于确定平躺姿态和非平躺姿态,四元数和加速度用来分析平躺时的活动强度。该算法具有计算量小、实时性好并且检测精度高、检测方便的特点。     

基于图像语义分割和CNN模型的老人跌倒检测

随着老龄化社会的到来,独居老人的安全问题越来越引人关注.其中,跌倒是老人在家中最常见也是危害最大的风险之一.当前已经有许多关于老人跌倒检测的算法,它们大多应用在摄像头固定的场景下,并主要采用前景提取方法来获取人体轮廓.采用固定摄像头意味着需要为家中每一处独立的空间都安装监控设备才能保证对于老人的全面监控,这显然不实用.基于此,本文采用图像语义分割算法和CNN分类模型,提出了一种可用于移动摄像头上的老人跌倒检测算法.首先采用当前流行的全卷积神经网络（fully convolutional network）语义分割算法^[1]分割出图像中的人体,对于满足面积比例条件的情况,直接通过宽高比特征判断人体是否处于跌倒状态;否则,提出一种融合的CNN人体姿态判别模型,将人体区域分成Stand、Fall、Half-Lying三种情况分别进行检测,最后根据三者的分类结果判定图像中是否包含跌倒人体.实验结果显示,文中的算法在具有较高的识别准确率（91.32%）的同时,具有较低的误报率（1.66%）.     

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。     

基于三轴加速度传感器的人体跌倒检测系统设计与实现

为了满足老年人的护理需求,减少老年人因跌倒造成的身心伤害,提出了一种基于三轴加速度传感器的人体跌倒检测系统。该系统主要基于姿态测量特性,利用姿态角作为跌倒判断标准;并且考虑到噪声影响和跌倒检测系统对检测正确率的高要求,利用Kalman滤波算法来提高算法精确度。实验结果表明该系统在人体前后、侧向跌倒和跌倒后迅速站起的情况下可以100%报警,达到人体正常跌倒情况的检测标准。     

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.     

基于腕部可穿戴设备的跌倒监护系统设计与实现

随着社会老龄化加快,老年人或病人的人工监护成本越来越高,针对目前各种跌倒监测装置的不足,设计了一款基于腕部智能穿戴设备的生理体征采集、跌倒监测和报警系统,该装置通过集成的各种传感器采集腕部高度、加速度、角速度等体征信号,并采用合适的算法实现了跌倒检测报警功能。实验结果表明,通过佩戴本文设计的腕部智能穿戴设备可以较好地实现对跌倒行为和日常非跌倒行为的区分,在不影响佩戴者舒适度情况下行为检出率可达到98.5%。     

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。     

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.     

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。     

一种防跌倒预警系统的研究与实现

跌倒是造成世界上意外伤害死亡的第二大原因,如何预防跌倒已成为保障老人生命的关键。目前常见 “跌倒报警器”的传感模块一般采用单一的三轴加速度计,测量精度受限,仅能实现人体跌倒后的报警功能而不 能实现跌倒前的预警。文章设计并实现了一种基于 MEMS 惯性传感单元的防跌倒预警器,率先设计了含“三轴 加速度计+三轴陀螺仪+三轴磁力计”的高精度多模态传感模块,内嵌跌倒预警算法,并通过蜂鸣器和振动器警 示。对九名健康年轻实验对象进行了总计 81 次的跌倒实验,系统结合基于阈值的跌倒预警算法,结果表明,其 检测灵敏度可达 98.61% 且特异度为 98.61%,平均预警时间为 300 ms。未来研究将嵌入全球移动通信系统(Global System For Mobile, GSM)、全球定位系统(Global Positioning System, GPS)等电路模块功能及配备穿戴式安全气 囊,有望在易跌人群中实现实时防护和及时救治。     

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。