【摘要】：實(shí)時(shí)跌倒檢測(cè)能有效降低老人因跌倒導(dǎo)致的身心傷害,提高老人的獨(dú)居能力和健康水平。為提高基于慣性傳感器的跌倒檢測(cè)系統(tǒng)的準(zhǔn)確率,降低系統(tǒng)誤報(bào)率和漏報(bào)率,提出了應(yīng)用基于徑向基函數(shù)的支持向量機(jī)算法實(shí)現(xiàn)跌倒判定。首先,應(yīng)用佩戴在人體腰間的便攜式跌倒檢測(cè)系統(tǒng)完成數(shù)據(jù)的采集;然后,利用基于徑向基函數(shù)(RBF)的SVM分類器標(biāo)記疑似跌倒行為,并利用粒子群算法完成分類算法中懲罰因子C和RBF參數(shù)g的優(yōu)化。結(jié)果表明,在區(qū)分跌倒與類似跌倒的日常活動(dòng)時(shí),基于SVM算法的跌倒檢測(cè)系統(tǒng)準(zhǔn)確率、誤報(bào)率和漏報(bào)率分別為97.67%,4.0%和0.67%。與傳統(tǒng)的閾值方法相比,跌倒檢測(cè)性能有很大提高,從而加強(qiáng)了該系統(tǒng)在老人跌倒檢測(cè)中的應(yīng)用。
[Abstract]:Real-time fall detection can effectively reduce the physical and mental injury of the elderly caused by falls and improve the elderly's solitude and health level.To improve the accuracy of the fall detection system based on inertial sensors and reduce the false alarm rate and false alarm rate of the system,a support vector machine algorithm based on radial basis function is proposed to realize the fall determination. A portable fall detection system wearing in the waist is used to collect data. Then, a SVM classifier based on radial basis function (RBF) is used to mark the suspected fall behavior. Particle swarm optimization is used to optimize the penalty factor C and the RBF parameter g in the classification algorithm. The results show that the daily activities of distinguishing fall from similar fall can be optimized. The accuracy of the fall detection system based on SVM algorithm is 97.67%, 4.0% and 0.67% respectively. Compared with the traditional threshold method, the performance of the fall detection system is greatly improved, which strengthens the application of the system in the fall detection of the elderly.
【作者單位】： 上海交通大學(xué)電子信息與電氣工程學(xué)院;
【基金】：上海市科學(xué)技術(shù)委員會(huì)基金資助項(xiàng)目(No.14441902800) 上海智能診療儀器工程技術(shù)研究中心基金資助項(xiàng)目(No.15DZ2252000)
【分類號(hào)】：TP18;TP212.9

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報(bào);2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計(jì)算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報(bào);2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國(guó)證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動(dòng)化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測(cè)的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動(dòng)語(yǔ)種辨識(shí)中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計(jì)算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個(gè)人信用評(píng)估[J];計(jì)算機(jī)工程與應(yīng)用;2004年23期

相關(guān)會(huì)議論文 前10條

1 余樂(lè)安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：2195574