论文部分内容阅读
实时检测老人的跌倒行为,并在跌倒发生后及时通知相关人员进行救治,对老人的健康监护具有重要意义。传统的跌倒检测方式由于需要添加额外的检测设备,无论是设备成本还是系统的可行性都存在一定的问题。受益于智能手机的普及、计算能力的日益增长以及通信手段和内置传感器的多样性,越来越多的学者将老人跌倒检测的设备聚焦到智能手机上。受限于手机的计算和续航能力,跌倒检测算法的设计必须在保证分类效果的基础上有效降低手机的功耗。因此,本文采用阈值判断和模式识别相结合的跌倒检测方法。分类模型是影响检测准确度和计算复杂度最重要的因素之一,为获得计算简单并且分类效果好的分类模型,需要改善输入样本的特征质量。本文结合文献资料和大量的实验分析,从时域和频域上提取了 27维的特征集。为删除特征集中存在的冗余和与分类不相关的特征,从而提高分类算法的准确率和降低计算的复杂度,提出了一种优化的基于邻域粒化和离散二进制粒子群(discrete binary particle swarm optimization,BPSO)的特征选择算法,从中筛选出了 6维最具代表性的特征子集。在系统实现中,本文还针对训练数据采集、行为数据分割和实时跌倒检测等多个方面的功耗问题进行了优化。基于Android平台设计并实现了跌倒检测系统。测试结果表明,最终跌倒检测准确率为:跌倒正类覆盖率为98.5%,负类覆盖率为98.7%。主要研究内容如下:1、设计了一种基于邻域粒化和BPSO的特征选择算法,结合启发式前向搜素算法对BPSO易收敛于局部最优解和结果不稳定的问题进行了优化。2、设计并实现了一种阈值判断、模式识别和跌倒后矫正相结合的三级跌倒检测算法,不仅降低了数据处理的功耗,也保证了跌倒检测的正确率。3、搭建了集多行为数据采集和模型训练于一体的研究平台,可以完成行为数据样本的采集、存储、查看、分析、传输和模型训练等功能。4、设计并实现了基于Android智能手机的具备实时跌倒检测、跌倒报警、全天跌倒监护和模型在线学习等功能的跌倒检测系统,并对相关过程的处理功耗进行了优化。