论文部分内容阅读
意外跌倒给老年人的生理和心理带来很大危害,近年来国内外针对人体跌倒行为的检测研究成为模式识别领域的研究热点。本文研究人体跌倒检测方法,在人体跌倒时能准确实时检测,并在Android手机上研发出人体跌倒检测应用软件,以及研发了人体跌倒阈值检测软硬件原型系统。论文的主要工作如下:(1)研究人体跌倒检测的机器学习算法。针对跌倒检测的二分类问题,首先构建人体空间坐标数学模型,通过选取对跌倒行为敏感的相关时频域特征,如加速度幅值、能量以及标准差等,构成多维特征空间,进一步利用奇异值分解方法对特征进行降维和重构,以此有效降低特征维度同时保留对跌倒敏感的特征,达到优化特征空间的目的,最后采用支持向量机依据跌倒特征进行跌倒行为分类。(2)研究人体跌倒检测阈值算法。为克服机器学习方法计算消耗过大以及实时性较低的问题,进一步对人体跌倒检测的阈值方法进行研究。根据实验数据中幅度区域、合加速度以及倾斜角运动特征的幅值区间的分析,确定了基于多重阈值的人体动作幅度以及姿态判定规则,以此对人体跌倒行为进行检测。(3)人体跌倒阈值检测Android手机软件研发。借助Android平台良好的交互模式、便携性以及可定位性,设计开发出实时的人体跌倒检测移动应用软件,在人体发生跌倒时,及时地向用户亲属发出含有定位信息的报警信息。(4)人体跌倒阈值检测软硬件原型系统研发。采用微型加速度传感器、富士通微处理器以及微型无线通信模块等,完成检测系统的硬件模块设计,采用嵌入式C语言完成检测系统的软件模块设计。系统主要功能为实现加速度数据采集、I/0控制、A/D转换、数据存储、UART异步串口通讯、跌倒判断等功能,在跌倒时利用GPRS自动发出报警信息。仿真实验表明:利用奇异值分解方法降维特征和重构跌倒特征,采用SVM分类器对跌倒行为分类可以达到较高准确率;Android手机检测软件与研发的检测原型系统,均能够较好区分出跌倒和日常行为活动,验证了该跌倒算法的可靠性,适用于运动状态相对较少的老年群体。