跌倒检测系统的研究及应用

发布时间：2017-09-19 19:02

  本文关键词：跌倒检测系统的研究及应用

  更多相关文章： 跌倒检测 加速度阈值SMV AI-AdaBoost算法 SVM算法

【摘要】：随着我国老年人口数量的迅速膨胀,老龄化问题变得日益严重,引起了社会对老年人身体和心理健康的特别关注。由于老年人机体的衰老,中枢和神经系统的控制能力下降,导致容易发生跌倒。跌倒是致使老年人患上疾病和死亡的重要原因之一,严重威胁着老年人的身体和心理健康。因此,能够及时检测并救治跌倒老人,将极大的降低跌倒对老年人带来的伤害,有助于提高老年人的生活质量。本文针对国家自然科学基金“基于物联网技术的呼吸、脉搏异变及跌落的实时监测与报警的关键技术研究”的研发需求,研究一套能够实时监测老年人的日常活动,并在发生跌倒事件后及时发出报警信息的跌倒检测系统。系统主要是通过佩戴在人体腰部的传感模块采集人体行为活动数据,并利用存储在处理器中的跌倒检测算法对佩戴者的行为活动进行识别,若判别出跌倒事件将使用GPRS/GPS模块将佩戴者的地理位置信息发送给所绑定的亲属或者医疗机构,以便及时给予救助,降低跌倒带来的伤害。本文的主要工作和成果如下:1.针对基于阈值的跌倒检测算法中对各异性和代价灵敏度考虑欠佳的缺点,本文通过采集不同年龄段老年人的行为活动数据并与跌倒数据进行比较分析,提出不同年龄段设置不同大小的三维加速度幅值的跌倒检测方法。2.针对基于模式识别的跌倒检测算法中训练集样本数量不足和跌倒检测中日常和跌倒行为分类问题的特殊性,本文提出使用基于AI-AdaBoost的SVM算法来训练分类器。3.本文结合基于阈值的跌倒检测算法的简单性和基于模式识别的跌倒检测算法的高准确性,提出基于级联结构的跌倒检测算法作为本文所研究的跌倒检测系统中的跌倒检测算法。4.在跌倒检测系统总体设计方面,本文分别从硬件选择和软件设计进行分析。最后,实验仿真表明本文提出的跌倒检测系统对不同年龄段的平均灵敏度为94%,准确率为92.1%,漏报率为5%,而且随着年龄段的增大性能更优越。
【关键词】：跌倒检测 加速度阈值SMV AI-AdaBoost算法 SVM算法
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP274
【目录】：

• 摘要3-4
• Abstract4-12
• 第1章 引言12-21
• 1.1 研究背景及意义12-14
• 1.1.1 研究背景12-13
• 1.1.2 研究意义13-14
• 1.2 国内外研究现状14-18
• 1.2.1 主要跌倒检测设计方案14-17
• 1.2.2 国内外跌倒检测产品17-18
• 1.3 现有跌倒检测算法中存在的主要问题18-19
• 1.4 本文研究的主要内容19-20
• 1.5 本文的组织构架20-21
• 第2章 人体跌倒模型及其检测原理21-28
• 2.1 理论基础21-22
• 2.1.1 老年人跌倒原因21
• 2.1.2 人体跌倒过程分析21-22
• 2.2 人体正常行为分析及分类22
• 2.3 日常行为与跌倒行为的关系22-23
• 2.4 跌倒检测的原理23-26
• 2.5 跌倒检测的性能指标26-27
• 2.6 本章小结27-28
• 第3章 基于年龄段的阈值跌倒检测算法28-34
• 3.1 基于阈值的跌倒检测方法28-29
• 3.2 不同年龄段老年人行为数据分析29-31
• 3.3 不同年龄段设置不同SMV阈值31-33
• 3.4 本章小结33-34
• 第4章 基于AI-Ada Boost的SVM分类算法34-57
• 4.1 基于模式识别的跌倒检测方法34-35
• 4.2 支持向量机35-39
• 4.2.1 最优分类面35-37
• 4.2.2 广义的最优分类面37-38
• 4.2.3 核函数38-39
• 4.3 特征向量提取39-48
• 4.3.1 数据采集39-40
• 4.3.2 数据预处理40
• 4.3.3 特征值提取方法40-48
• 4.3.4 组成特征向量48
• 4.4 Ada Boost算法48-51
• 4.5 基于AI-Ada Boost的支持向量机分类器设计51-55
• 4.5.1 AI-Ada Boost算法51-53
• 4.5.2 基于AI-Ada Boost的SVM分类算法53-55
• 4.6 基于级联结构的跌倒检测算法55-56
• 4.7 本章小结56-57
• 第5章 人体跌倒检测系统设计57-66
• 5.1 人体跌倒检测系统功能分析57-58
• 5.2 跌倒检测系统的硬件设计58-61
• 5.2.1 硬件总体结构设计58-59
• 5.2.2 硬件各模块选择59-61
• 5.3 跌倒检测系统软件设计61-65
• 5.3.1 跌倒检测仪软件功能61-62
• 5.3.2 跌倒检测仪软件设计62-65
• 5.4 本章小结65-66
• 第6章 实验设计及结果分析66-73
• 6.1 实验设计66-68
• 6.1.1 实验样机66-67
• 6.1.2 实验对象67-68
• 6.1.3 实验方法68
• 6.2 跌倒检测算法验证与评价68-72
• 6.2.1 算法验证68-72
• 6.2.2 算法评价72
• 6.3 本章小结72-73
• 第7章 总结与展望73-75
• 7.1 总结73-74
• 7.2 展望74-75
• 参考文献75-80
• 致谢80-81
• 攻读硕士学位期间从事的科研工作及取得的成果81

【参考文献】

中国期刊全文数据库 前10条

1 罗丹;罗海勇;;基于随机森林的跌倒检测算法[J];计算机应用;2015年11期

2 姚冕;马英楠;高星;靳宗振;李慧奇;宁运琨;赵国如;;基于惯性传感的穿戴式跌倒预警防护系统[J];集成技术;2015年05期

3 靳海伟;彭力;卢晓龙;;基于轮廓跟踪的摔倒检测算法[J];江南大学学报(自然科学版);2015年02期

4 高晓娟;徐光辉;张欢;薛文生;;基于加速度特征的人体跌倒检测算法[J];西安工程大学学报;2015年01期

5 周堂兴;范红;;一种智能可穿戴的跌倒检测系统[J];微型机与应用;2015年02期

6 张军建;赵捷;安佰京;尹文枫;陈甜甜;李大鹏;张春游;;基于三轴加速度传感器的跌倒检测研究[J];现代生物医学进展;2014年18期

7 陈炜峰;席万强;周峰;刘云平;;基于物联网技术的山体滑坡监测及预警系统设计[J];电子器件;2014年02期

8 金纯;尹远阳;;一种基于统计学判别分析的老人摔倒检测算法的研究[J];计算机应用研究;2014年01期

9 陈均;王忆文;;基于ZigBee的定位和人体跌倒检测系统[J];电子技术应用;2012年12期

10 刘庭芳;刘勇;陈虎;张牧寒;;医院评审追踪方法学的理论与实践[J];中国医院;2012年03期

，

本文编号：883351