【摘要】：實時跌倒檢測能有效降低老人因跌倒導致的身心傷害,提高老人的獨居能力和健康水平。為提高基于慣性傳感器的跌倒檢測系統(tǒng)的準確率,降低系統(tǒng)誤報率和漏報率,提出了應(yīng)用基于徑向基函數(shù)的支持向量機算法實現(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時,基于SVM算法的跌倒檢測系統(tǒng)準確率、誤報率和漏報率分別為97.67%,4.0%和0.67%。與傳統(tǒng)的閾值方法相比,跌倒檢測性能有很大提高,從而加強了該系統(tǒng)在老人跌倒檢測中的應(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】： 上海交通大學電子信息與電氣工程學院;
【基金】：上海市科學技術(shù)委員會基金資助項目(No.14441902800) 上海智能診療儀器工程技術(shù)研究中心基金資助項目(No.15DZ2252000)
【分類號】：TP18;TP212.9

【相似文獻】

相關(guān)期刊論文 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進的支持向量機的研究[J];攀枝花學院學報;2006年05期

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

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機的研究進展[J];計算機工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機及其改進[J];唐山師范學院學報;2012年05期

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

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

7 曾嶸,蔣新華,劉建成;基于支持向量機的異常值檢測的兩種方法[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在自動語種辨識中的研究[J];計算機工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機集成的分類[J];計算機工程;2004年13期

10 沈翠華,鄧乃揚,肖瑞彥;基于支持向量機的個人信用評估[J];計算機工程與應(yīng)用;2004年23期

相關(guān)會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術(shù)與信息化研討會論文集（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學習方法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學術(shù)會議論文集（下冊）[C];2008年

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

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長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方法預測膜蛋白類型[A];第十一次中國生物物理學術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術(shù)應(yīng)用學術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

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

10 侯澍e，

本文編號：2195574