本文關(guān)鍵詞： 跌倒檢測 支持向量機(jī) 加速度 角速度 多特征融合　出處：《杭州電子科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著全球人口老齡化程度的持續(xù)加劇,人體跌倒檢測、預(yù)警與防護(hù)等技術(shù),成為預(yù)防老人意外跌倒傷害和提升生活品質(zhì)的重要保證。智能手機(jī)功能的不斷增強(qiáng),可穿戴式計算與人體傳感器網(wǎng)絡(luò)技術(shù)的不斷成熟,利用這些設(shè)備通過科學(xué)的手段識別老年人跌倒成為國內(nèi)外研究的新熱點。這一技術(shù)不僅在理論研究方面具有較高的意義,而且在實際應(yīng)用方面的價值也非常大。跌倒識別問題的研究主要分為四大部分,跌倒模型的建立、實驗方案設(shè)計、原始數(shù)據(jù)的處理及判別算法的應(yīng)用。選擇人體運動過程中的加速度和角速度作為主要的特征量,結(jié)合閾值法、支持向量機(jī)、決策樹等算法實現(xiàn)跌倒檢測。跌倒檢測實質(zhì)上是簡單的二分類問題,主要目標(biāo)是區(qū)分一個活動屬于跌倒還是日常行為活動。閾值法思想比較直觀,算法實現(xiàn)相對容易,是最普遍的研究方法。由于目前尚無確定的模型,閾值的大小大多基于經(jīng)驗判斷或統(tǒng)計實驗結(jié)果得出,它的不足是閾值的設(shè)定對識別結(jié)果影響很大,穩(wěn)定性較差。模式識別的方法針對大樣本分類有很大的優(yōu)勢,然而在實際研究中,難以獲取大量真實跌倒數(shù)據(jù),大都基于小樣本的研究。支持向量機(jī)對于解決較小樣本和非線性模式識別等問題都具有一定的優(yōu)勢。本文致力于通過基于支持向量機(jī)的運動特征加權(quán)方法實現(xiàn)跌倒檢測。首先,論文分析智能手機(jī)傳感器的輸出數(shù)據(jù),選擇并提取了區(qū)分跌倒與日常行為活動的特征量,并針對樣本量少的問題,在特征樣本基礎(chǔ)上利用高斯分布原則構(gòu)造了跌倒與日常行為活動的虛擬樣本;其次,改進(jìn)特征融合的方式,采用特征加權(quán)核函數(shù)實現(xiàn)加速度及角速度特征的加權(quán)融合,構(gòu)建基于支持向量機(jī)的跌倒識別模型;然后,對跌倒識別模型關(guān)鍵部分進(jìn)行分析,驗證算法泛化性能。最后在安卓手機(jī)平臺上實現(xiàn)了以本文所構(gòu)建的識別模型為核心的跌倒檢測系統(tǒng),對跌倒檢測算法的實際應(yīng)用效果進(jìn)行了驗證。實驗結(jié)果表明:本文構(gòu)建的特征融合的跌倒監(jiān)測算法在實際應(yīng)用中,敏感度為90.67%,特異度為92.96%,準(zhǔn)確度為92.14%,驗證了本文構(gòu)建的檢測算法的檢測性能,同時也側(cè)面驗證了基于安卓平臺的跌掉檢測軟件的健壯性和穩(wěn)定性。
[Abstract]:As the aging of the global population continues to increase, human fall detection, early warning and protection technologies have become an important guarantee to prevent accidental fall and injury and improve the quality of life of the elderly. With the development of wearable computing and human sensor network technology, it has become a new research hotspot at home and abroad to use these devices to identify the fall of the elderly by scientific means. The research on fall recognition is mainly divided into four parts: the establishment of fall model, the design of experimental scheme, The processing of raw data and the application of discriminant algorithm. The acceleration and angular velocity in the process of human body motion are selected as the main characteristic quantities, combining with the threshold method, the support vector machine, In fact, fall detection is a simple two-classification problem. The main goal is to distinguish one activity from the other. The threshold method is more intuitive, and the algorithm is relatively easy to implement. Because there is no established model at present, the threshold value is mostly based on empirical judgment or statistical experimental results. Its disadvantage is that the threshold setting has a great influence on the recognition results. The method of pattern recognition has a great advantage in classifying large samples, but it is difficult to obtain a large number of real fall data in practical research. Most of the researches are based on small samples. Support vector machines (SVM) have some advantages in solving the problems of small samples and nonlinear pattern recognition. In this paper, the motion feature weighting method based on support vector machine (SVM) is used to realize fall detection. This paper analyzes the output data of smart phone sensor, selects and extracts the characteristic quantity to distinguish fall from daily behavior, and aims at the problem of small sample size. Based on the feature sample, the virtual sample of fall and daily behavior is constructed by using Gao Si's distribution principle. Secondly, the method of feature fusion is improved, and the weighted fusion of acceleration and angular velocity is realized by using feature weighted kernel function. The fall recognition model based on support vector machine (SVM) is constructed, and then the key parts of the fall recognition model are analyzed. Finally, a fall detection system based on the recognition model built in this paper is implemented on the Android mobile platform. The experimental results show that the feature fusion algorithm proposed in this paper is applied in practice. The sensitivity is 90.67, the specificity is 92.96 and the accuracy is 92.14. It verifies the detection performance of the detection algorithm constructed in this paper, and also verifies the robustness and stability of the drop detection software based on Android platform.
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP212.9;TP316

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃海誠;汪豐;;可穿戴技術(shù)在醫(yī)療中的研究與應(yīng)用[J];中國醫(yī)療設(shè)備;2015年01期

2 趙正平;;典型MEMS和可穿戴傳感技術(shù)的新發(fā)展[J];微納電子技術(shù);2015年01期

3 李慧奇;梁丁;寧運琨;張靜;趙國如;;一種防跌倒預(yù)警系統(tǒng)的研究與實現(xiàn)[J];集成技術(shù);2014年01期

4 周白瑜;石婧;于普林;;北京市社區(qū)老年人跌倒情況及其后果的相關(guān)因素研究[J];中華流行病學(xué)雜志;2013年08期

5 朱國康;王運鋒;;基于多特征融合的道路交通標(biāo)志檢測[J];信號處理;2011年10期

6 徐安安;;論MEMS傳感器的應(yīng)用與發(fā)展[J];現(xiàn)代商貿(mào)工業(yè);2011年13期

7 高艷;譚紀(jì)萍;李紅雯;王魯寧;;老年人跌倒危險因素與預(yù)防措施的研究進(jìn)展[J];中華保健醫(yī)學(xué)雜志;2010年05期

8 王利維;周立;;社區(qū)老年人跌倒的評估及預(yù)防研究進(jìn)展[J];護(hù)理管理雜志;2010年08期

9 陳麗;陳靜;;基于支持向量機(jī)和k-近鄰分類器的多特征融合方法[J];計算機(jī)應(yīng)用;2009年03期

10 于洪宇;;老年人跌倒問題的相關(guān)因素研究與預(yù)防護(hù)理[J];中國老年保健醫(yī)學(xué);2009年01期

相關(guān)博士學(xué)位論文 前4條

1 吳偉;基于語義距離及特征融合的圖像分類與檢索研究[D];內(nèi)蒙古大學(xué);2014年

2 康健;基于多傳感器信息融合關(guān)鍵技術(shù)的研究[D];哈爾濱工程大學(xué);2013年

3 佟麗娜;基于力學(xué)量信息獲取系統(tǒng)的人體摔倒過程識別方法研究[D];中國科學(xué)技術(shù)大學(xué);2011年

4 劉金華;基于老年生活質(zhì)量的中國養(yǎng)老模式選擇研究[D];西南財經(jīng)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 王剛;基于多傳感器的可穿戴跌倒檢測系統(tǒng)的設(shè)計與實現(xiàn)[D];北京工業(yè)大學(xué);2015年

2 薛冰霞;基于多模特征融合的人體跌倒檢測算法研究[D];山東大學(xué);2015年

3 吳志強(qiáng);基于智能手機(jī)的人體跌倒檢測技術(shù)的研究與應(yīng)用[D];南方醫(yī)科大學(xué);2014年

4 劉勇;基于模式識別的跌倒檢測儀研究[D];重慶大學(xué);2014年

5 汪洋;基于傳感器網(wǎng)絡(luò)的無線醫(yī)療監(jiān)護(hù)系統(tǒng)[D];浙江工業(yè)大學(xué);2014年

6 李強(qiáng);跌倒檢測關(guān)鍵技術(shù)的研究與應(yīng)用[D];北京工業(yè)大學(xué);2013年

7 謝振南;多傳感器信息融合技術(shù)研究[D];廣東工業(yè)大學(xué);2013年

8 何山;基于智能手機(jī)的日常活動識別和跌倒檢測[D];華中科技大學(xué);2013年

9 梁丁;基于MEMS慣性傳感器的跌倒檢測與預(yù)警研究[D];大連理工大學(xué);2012年

10 韓廣勤;經(jīng)濟(jì)社會地位對老年人健康狀況的影響研究[D];華東師范大學(xué);2010年

，

本文編號：1518911