跌倒檢測(cè)關(guān)鍵技術(shù)研究.pdf

1、隨著經(jīng)濟(jì)和科技的快速發(fā)展，人口老齡化現(xiàn)象日益嚴(yán)重，已成為社會(huì)的突出問題。與此同時(shí)，老年人的健康和安全問題也引起了社會(huì)廣泛的關(guān)注，智能化養(yǎng)老已成為社會(huì)的一項(xiàng)重大需求。跌倒損傷是老年人健康受到威脅的重要原因之一。因此，高效精準(zhǔn)的跌倒檢測(cè)一方面能夠讓跌倒的老人獲得第一時(shí)間的治療，提高跌倒的救助水平，降低因跌倒造成更大傷害的可能性，同時(shí)可以減少醫(yī)療資源的占用，減輕其家庭的負(fù)擔(dān);另一方面，能夠給年老人尤其是空巢老人提供安全保障，減少他們的心理負(fù)擔(dān)

2、，提升老年人的晚年生活質(zhì)量。
　　針對(duì)跌倒檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀，本文開展了對(duì)智能化監(jiān)測(cè)系統(tǒng)中跌倒檢測(cè)關(guān)鍵技術(shù)的研究分析，搭建了跌倒信息數(shù)據(jù)庫(kù)，為研究檢測(cè)算法提供數(shù)據(jù)分析支撐;重點(diǎn)研究和分析其中的檢測(cè)算法，提出了基于權(quán)重判別的兩層檢測(cè)算法;開展了針對(duì)日常生活中的各種行為的多分類研究，通過(guò)基于決策樹等多分類方法和基于卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)各種行為進(jìn)行了分類識(shí)別。本文的主要工作如下:首先，基于穿戴式傳感器系統(tǒng)，測(cè)量了日常行為和跌倒行為的數(shù)

3、據(jù)，并建立了跌倒信息數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)中包括了11種日常行為和4種跌倒行為信息，為研究跌倒檢測(cè)算法提供數(shù)據(jù)基準(zhǔn)。
　　第二，基于建立的跌倒信息數(shù)據(jù)庫(kù)，進(jìn)行多角度的特征分析，選取了合適的特征及相應(yīng)的閾值，設(shè)計(jì)和實(shí)現(xiàn)了多閾值的跌倒檢測(cè)算法，并驗(yàn)證分析了算法的有效性和可行性。
　　第三，結(jié)合不同的分類方法和特征提取方式，綜合分析比較了基于機(jī)器學(xué)習(xí)的跌倒檢測(cè)算法的性能，在此基礎(chǔ)上，使用AdaBoost改進(jìn)了人工神經(jīng)網(wǎng)絡(luò)（artifici

4、al neural network，ANN）和支持向量機(jī)(support vector machine，SVM)的分類性能，基于ANN-AdaBoost和SVM-AdaBoost的檢測(cè)方法，提升了跌倒檢測(cè)的準(zhǔn)確率。
　　第四，在上述算法實(shí)現(xiàn)的基礎(chǔ)上，提出基于權(quán)重判別的兩層檢測(cè)方法，保證高準(zhǔn)確率的前提下降低了算法的響應(yīng)時(shí)間，提高了識(shí)別的速度，并對(duì)三種檢測(cè)方法進(jìn)行了性能比較，分析得出了第三種兩層的檢測(cè)算法識(shí)別精度高，檢測(cè)速度快的結(jié)論。