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.     

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。     

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。     

基于加速度传感器的老年人跌倒检测装置设计

为了提供老年人安全保障和保护用户隐私,设计了一种基于加速度传感器的跌倒检测装置.针对独居老人的特点,结合微传感器、数字信号处理以及无线传输等技术,利用人体运动产生的加速度,提出了一种鲁棒的跌倒算法.该装置在人体佩戴实验中,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.     

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D-S证据理论的人体跌倒检测方法

针对人体跌倒检测算法存在错误否定率高的问题,研究了一种基于D-S证据理论的人体跌倒检测算法。采用智能手机内置的加速度传感器和陀螺仪传感器获得人体手臂运动的三维方向的运动数据,采用三阶滑动平均滤波器对获得的两个传感器的三维原始数据进行预处理;从三维预处理后的数据中提取运动幅度、倾斜程度以及旋转程度三种特征;采用动态时间规整方法分别依据三种特征进行局部检测,局部检测结果作为证据被D-S证据理论组合规则所采用以得到最终融合的全局检测结果,其中各证据被证据权修正以避免证据冲突问题。实验结果显示,本文算法准确度高于对比方法,能有效提高检测性能。     

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。