本文關鍵詞：跌倒檢測系統(tǒng)的研究及應用

  更多相關文章： 跌倒檢測 加速度閾值SMV AI-AdaBoost算法 SVM算法

【摘要】：隨著我國老年人口數(shù)量的迅速膨脹,老齡化問題變得日益嚴重,引起了社會對老年人身體和心理健康的特別關注。由于老年人機體的衰老,中樞和神經(jīng)系統(tǒng)的控制能力下降,導致容易發(fā)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,嚴重威脅著老年人的身體和心理健康。因此,能夠及時檢測并救治跌倒老人,將極大的降低跌倒對老年人帶來的傷害,有助于提高老年人的生活質量。本文針對國家自然科學基金“基于物聯(lián)網(wǎng)技術的呼吸、脈搏異變及跌落的實時監(jiān)測與報警的關鍵技術研究”的研發(fā)需求,研究一套能夠實時監(jiān)測老年人的日常活動,并在發(fā)生跌倒事件后及時發(fā)出報警信息的跌倒檢測系統(tǒng)。系統(tǒng)主要是通過佩戴在人體腰部的傳感模塊采集人體行為活動數(shù)據(jù),并利用存儲在處理器中的跌倒檢測算法對佩戴者的行為活動進行識別,若判別出跌倒事件將使用GPRS/GPS模塊將佩戴者的地理位置信息發(fā)送給所綁定的親屬或者醫(yī)療機構,以便及時給予救助,降低跌倒帶來的傷害。本文的主要工作和成果如下:1.針對基于閾值的跌倒檢測算法中對各異性和代價靈敏度考慮欠佳的缺點,本文通過采集不同年齡段老年人的行為活動數(shù)據(jù)并與跌倒數(shù)據(jù)進行比較分析,提出不同年齡段設置不同大小的三維加速度幅值的跌倒檢測方法。2.針對基于模式識別的跌倒檢測算法中訓練集樣本數(shù)量不足和跌倒檢測中日常和跌倒行為分類問題的特殊性,本文提出使用基于AI-AdaBoost的SVM算法來訓練分類器。3.本文結合基于閾值的跌倒檢測算法的簡單性和基于模式識別的跌倒檢測算法的高準確性,提出基于級聯(lián)結構的跌倒檢測算法作為本文所研究的跌倒檢測系統(tǒng)中的跌倒檢測算法。4.在跌倒檢測系統(tǒng)總體設計方面,本文分別從硬件選擇和軟件設計進行分析。最后,實驗仿真表明本文提出的跌倒檢測系統(tǒng)對不同年齡段的平均靈敏度為94%,準確率為92.1%,漏報率為5%,而且隨著年齡段的增大性能更優(yōu)越。
【關鍵詞】：跌倒檢測 加速度閾值SMV AI-AdaBoost算法 SVM算法
【學位授予單位】：重慶郵電大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP274
【目錄】：

• 摘要3-4
• Abstract4-12
• 第1章 引言12-21
• 1.1 研究背景及意義12-14
• 1.1.1 研究背景12-13
• 1.1.2 研究意義13-14
• 1.2 國內外研究現(xiàn)狀14-18
• 1.2.1 主要跌倒檢測設計方案14-17
• 1.2.2 國內外跌倒檢測產(chǎn)品17-18
• 1.3 現(xiàn)有跌倒檢測算法中存在的主要問題18-19
• 1.4 本文研究的主要內容19-20
• 1.5 本文的組織構架20-21
• 第2章 人體跌倒模型及其檢測原理21-28
• 2.1 理論基礎21-22
• 2.1.1 老年人跌倒原因21
• 2.1.2 人體跌倒過程分析21-22
• 2.2 人體正常行為分析及分類22
• 2.3 日常行為與跌倒行為的關系22-23
• 2.4 跌倒檢測的原理23-26
• 2.5 跌倒檢測的性能指標26-27
• 2.6 本章小結27-28
• 第3章 基于年齡段的閾值跌倒檢測算法28-34
• 3.1 基于閾值的跌倒檢測方法28-29
• 3.2 不同年齡段老年人行為數(shù)據(jù)分析29-31
• 3.3 不同年齡段設置不同SMV閾值31-33
• 3.4 本章小結33-34
• 第4章 基于AI-Ada Boost的SVM分類算法34-57
• 4.1 基于模式識別的跌倒檢測方法34-35
• 4.2 支持向量機35-39
• 4.2.1 最優(yōu)分類面35-37
• 4.2.2 廣義的最優(yōu)分類面37-38
• 4.2.3 核函數(shù)38-39
• 4.3 特征向量提取39-48
• 4.3.1 數(shù)據(jù)采集39-40
• 4.3.2 數(shù)據(jù)預處理40
• 4.3.3 特征值提取方法40-48
• 4.3.4 組成特征向量48
• 4.4 Ada Boost算法48-51
• 4.5 基于AI-Ada Boost的支持向量機分類器設計51-55
• 4.5.1 AI-Ada Boost算法51-53
• 4.5.2 基于AI-Ada Boost的SVM分類算法53-55
• 4.6 基于級聯(lián)結構的跌倒檢測算法55-56
• 4.7 本章小結56-57
• 第5章 人體跌倒檢測系統(tǒng)設計57-66
• 5.1 人體跌倒檢測系統(tǒng)功能分析57-58
• 5.2 跌倒檢測系統(tǒng)的硬件設計58-61
• 5.2.1 硬件總體結構設計58-59
• 5.2.2 硬件各模塊選擇59-61
• 5.3 跌倒檢測系統(tǒng)軟件設計61-65
• 5.3.1 跌倒檢測儀軟件功能61-62
• 5.3.2 跌倒檢測儀軟件設計62-65
• 5.4 本章小結65-66
• 第6章 實驗設計及結果分析66-73
• 6.1 實驗設計66-68
• 6.1.1 實驗樣機66-67
• 6.1.2 實驗對象67-68
• 6.1.3 實驗方法68
• 6.2 跌倒檢測算法驗證與評價68-72
• 6.2.1 算法驗證68-72
• 6.2.2 算法評價72
• 6.3 本章小結72-73
• 第7章 總結與展望73-75
• 7.1 總結73-74
• 7.2 展望74-75
• 參考文獻75-80
• 致謝80-81
• 攻讀碩士學位期間從事的科研工作及取得的成果81

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 羅丹;羅海勇;;基于隨機森林的跌倒檢測算法[J];計算機應用;2015年11期

2 姚冕;馬英楠;高星;靳宗振;李慧奇;寧運琨;趙國如;;基于慣性傳感的穿戴式跌倒預警防護系統(tǒng)[J];集成技術;2015年05期

3 靳海偉;彭力;盧曉龍;;基于輪廓跟蹤的摔倒檢測算法[J];江南大學學報(自然科學版);2015年02期

4 高曉娟;徐光輝;張歡;薛文生;;基于加速度特征的人體跌倒檢測算法[J];西安工程大學學報;2015年01期

5 周堂興;范紅;;一種智能可穿戴的跌倒檢測系統(tǒng)[J];微型機與應用;2015年02期

6 張軍建;趙捷;安佰京;尹文楓;陳甜甜;李大鵬;張春游;;基于三軸加速度傳感器的跌倒檢測研究[J];現(xiàn)代生物醫(yī)學進展;2014年18期

7 陳煒峰;席萬強;周峰;劉云平;;基于物聯(lián)網(wǎng)技術的山體滑坡監(jiān)測及預警系統(tǒng)設計[J];電子器件;2014年02期

8 金純;尹遠陽;;一種基于統(tǒng)計學判別分析的老人摔倒檢測算法的研究[J];計算機應用研究;2014年01期

9 陳均;王憶文;;基于ZigBee的定位和人體跌倒檢測系統(tǒng)[J];電子技術應用;2012年12期

10 劉庭芳;劉勇;陳虎;張牧寒;;醫(yī)院評審追蹤方法學的理論與實踐[J];中國醫(yī)院;2012年03期

，

本文編號：883351