当前位置：文档之家 › 基于人体加速度多特征融合和K近邻算法的跌倒检测

基于人体加速度多特征融合和K近邻算法的跌倒检测

  • 格式：pdf
  • 大小：1.17 MB
  • 文档页数：4
中国康复理论与实践 2018 年 7 月第 24 卷第 7 期 Chin J Rehabil Theory Pract, Jul., 2018, Vol. 24, No.7
-ቤተ መጻሕፍቲ ባይዱ865 -
DOI: 10.3969/j.issn.1006-9771.2018.07.022
·康复工程与辅助技术·
基于人体加速度多特征融合和 K 近邻算法的跌倒检测①
随着人口老龄化不断加剧，动态监测老年人活动 状态已成为多学科研究的一个突出领域[1-3]。根据美国 疾病控制和预防中心调查，65 岁及以上老年人中，近
30%经常发生意外跌倒。跌倒会对老年人心理和身体 产生负面影响[4]，导致严重伤害，甚至增加老年人死 亡率。有过跌倒经历的老年人因害怕发生跌倒，而不
作者简介：华仙(1986-)，女，汉族，浙江金华市人，硕士，主治医师，主要研究方向：老年人康复训练、中西医结合心血管疾病。通讯作 者：席旭刚(1975-)，男，汉族，浙江金华市人，博士，副教授，主要研究方向：生物医学信号处理，康复机器人。
acts of falls and eleven of activities of daily life. The information of activities was collected through two acceleration sensors, 81 acceleration features were extracted from each sensor, and were reduced dimension through principal component analysis. K-nearest neighbor was used to detect the falls and activities of daily living. Results The sensitivity of fall detection was 100%, the specificity was 99.76%, and the detection time was 216 ms. Conclusion The algorithm of multi-feature fusion of human body acceleration and K-nearest neighbor is accurate and timely. Key words: fall; detection; human body acceleration; acts; feature extraction [中图分类号] R592 [文献标识码] A [文章编号] 1006-9771(2018)07-0865-04 [本文著录格式] 华仙，席旭刚 . 基于人体加速度多特征融合和 K 近邻算法的跌倒检测[J]. 中国康复理论与实践, 2018, 24(7): 865-868. CITED AS: Hua X, Xi XG. Fall detection based on multi- feature fusion of human body acceleration and K- nearest neighbor [J]. Chin J Rehabil Theory Pract, 2018, 24(7): 865-868.
Fall Detection Based on Multi-feature Fusion of Human Body Acceleration and K-Nearest Neighbor HUA Xian1, XI Xu-gang2 1. Jinhua People's Hospital, Jinhua, Zhejiang 321000, China; 2. Intelligent Control & Robotics Institute of Hangzhou Dianzi University, Hangzhou, Zhejiang 310018, China Correspondence to XI Xu-gang. E-mail: xixugang@ Supported by National Natural Science Foundation of China (No. 61671197) and Zhejiang Public Basic Research Plan (No. LGF18F010006) Abstract Objective To develop a kind of algorithm for fall detection based on human acceleration. Methods From September to November, 2017, six healthy postgraduates participating in the experiment completed 13
器采集人体动作信息，每个加速度传感器提取 81 个加速度特征参数。通过主成分分析降维，输入 K 近邻 (KNN)算法分类器对跌倒和日常动作进行识别。 结果 跌倒检测敏感性 100%，特异性 99.76%，检测时间 216 ms。 结论 加速度多特征融合和 KNN 算法可以实现跌倒的及时有效检测。 关键词 跌倒；检测；人体加速度；动作；特征提取
华仙 1，席旭刚 2
1. 金华市人民医院，浙江金华市 321000；2. 杭州电子科技大学智能控制与机器人研究所，浙江杭州市 310018 通讯作者：席旭刚。E-mail: xixugang@ 基金项目：1. 国家自然科学基金项目(No. 61671197)；2. 浙江省基础公益研究计划项目(No. LGF18F010006)。 摘要 目的 探索基于人体加速度的跌倒检测方法。 方法 2017 年 9 月至 11 月，6 例健康青年志愿者完成 13 个跌倒动作和 11 个日常活动动作。通过两个加速度传感

合集下载

基于多特征融合及Transformer的人体跌倒动作检测算法

基于多特征融合及Transformer的人体跌倒动作检测算法

基于多特征融合及Transformer的人体跌倒动作检测算法刘文龙;陈春雨
【期刊名称】《应用科技》
【年(卷),期】2022(49)2
【摘要】为解决跌倒动作的检测和空间定位问题,本文以YOLOv3目标检测算法为基础,提出了一种全新的用于人跌倒动作识别的检测架构。

本算法将视频拆分成一系列的图片序列,并在图片序列中指定关键帧。

通过3D卷积神经网络提取视频序列中的时间维度特征,2D卷积神经网络提取关键帧中的空间维度特征,经通道融合机制在不同尺度的预测特征层进行通道融合,融合后的特征经过特征金字塔Transformer进行深层次特征提取和融合。

该算法实现了端到端的训练。

通过在自己制作的跌倒动作数据集上进行训练和测试,证明了多特征融合和Transformer 结构在人体跌倒动作检测中的有效性。

【总页数】7页(P49-54)
【关键词】动作识别;Transformer结构;特征融合;空间注意力机制;通道注意力机制;卷积神经网络;YOLOv3;预选框
【作者】刘文龙;陈春雨
【作者单位】哈尔滨工程大学信息与通信工程学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于D-S理论的多特征融合人体检测算法
2.基于加速度特征的人体跌倒检测算法
3.基于人体加速度多特征融合和K近邻算法的跌倒检测
4.基于多点传感融合算法的人体跌倒监测系统设计
5.基于多特征融合和分层反向传播增强算法的人体动作识别
因版权原因，仅展示原文概要，查看原文内容请购买。

基于加速度小波包能量特征与多分类器融合的跌倒检测研究

基于加速度小波包能量特征与多分类器融合的跌倒检测研究

基于加速度小波包能量特征与多分类器融合的跌倒检测研究跌倒已成为危害老年人人身安全的主要因素之一。

为提高对老年人跌倒检测的准确性，文章将集成学习的思想引入对老年人的跌倒检测之中。

首先，通过小波分解对加速度信号进行频带划分，以得到相应动作加速度信号在不同频带下的能量分布情况；然后，对训练得到的基分类器进行性能评价和有效选取，以实现基分类器之间的优势互补；最后，应用加权投票法融合经过优选的基分类器组成多分类器融合检测系统。

结果表明，文章方法优于单一分类器识别模型。

關键词：跌倒检测；小波分解；分类器融合；模式识别21世纪我国已经步入老龄化社会，跌倒已成为威胁独居老年人健康的风险之一。

有研究显示，在65岁以上独自居住的老年人中，每年大约有1/3的老年人发生过跌倒。

目前在跌倒检测领域，基于可穿戴设备的方法由于设置简单价格相对低廉，受到学者的普遍关注。

一些学者将集成了三轴加速度仪等惯性装置放置于受试者腰部，通过与人体跌落各个过程的阈值进行对比，来检测受试者是否发生了跌倒，这种方法阈值的选择大多具有主观性，处理不同类型的跌倒时鲁棒性较差。

相比于应用阈值的检测方法，应用机器学习的方法能明显改善对跌倒的检测效果，相关的研究包括：基于随机森林的跌倒检测方法[1]、基于支持向量机[2]和极限学习机[3]的跌倒检测方法等。

本文在应用加速度小波包特征构建不同类别分类器的基础上，通过组合多个性能优良的分类器建立了检测率更高、性能更为可靠的跌倒检测系统，以实现提高跌倒检测率的目的。

1 加速度的小波特征目前加速度信号已广泛应用于人体异常活动状态识别。

小波变换是一种能够结合时域和频域特征来对信号进行特征提取的工具之一，并得到了一定的应用[4]。

小波包分解能够对不同活动的加速度特征进行深入细致的描述，有利于識别系统的判断。

本文以和加速度信号G进行加速度小波特征提取，公式为：式中，X，Y，Z分别为加速度传感器在x，y，z三个轴上的加速度。

基于人体行为模型的跌倒行为检测方法

基于人体行为模型的跌倒行为检测方法

基于人体行为模型的跌倒行为检测方法1. 引言跌倒是老年人及其他易受伤者面临的常见危险。

及时发现和处理跌倒事件对于预防伤害和提供紧急救援至关重要。

基于人体行为模型的跌倒行为检测方法可以通过分析人体动作和姿势，实时监测个体是否发生了跌倒事件。

本文将介绍一种基于人体行为模型的跌倒行为检测方法，包括数据采集、特征提取、模型训练和实时检测等方面。

2. 数据采集在进行跌倒行为检测之前，首先需要收集足够数量的训练数据。

数据采集可以通过佩戴传感器设备来实现，例如加速度计、陀螺仪等。

在采集数据时，需要考虑以下几个方面： - 采样频率：应根据具体需求选择合适的采样频率，以保证数据的准确性。

- 数据标注：对于每个采样点，需要标注其对应的动作类别（例如站立、行走、下楼梯等）以及是否发生了跌倒事件。

- 数据多样性：应尽可能采集具有多样性的数据，包括不同年龄、性别、体型的个体，以提高模型的泛化能力。

3. 特征提取在跌倒行为检测中，特征提取是一个关键步骤。

通过从原始传感器数据中提取有意义的特征，可以更好地描述人体的动作和姿势。

常用的特征提取方法包括： - 时域特征：例如均值、标准差、最大值、最小值等。

- 频域特征：例如傅里叶变换后的频谱能量等。

- 统计特征：例如相关系数、自相关函数等。

在进行特征提取时，需要注意以下几点： - 特征选择：应根据实际需求选择合适的特征子集，以降低计算复杂度和存储需求。

- 归一化：对于不同传感器数据采集到的数值范围不一致情况下，需要进行归一化处理，以消除数值差异对模型训练和检测结果的影响。

4. 模型训练在跌倒行为检测中，常用的机器学习方法包括支持向量机（SVM）、决策树、随机森林等。

这些方法可以通过训练数据集，学习到人体行为模型，并用于后续的跌倒行为检测。

在进行模型训练时，需要注意以下几点： - 数据划分：将采集到的数据集划分为训练集和测试集，以评估模型的性能。

- 参数调优：对于部分机器学习方法，例如SVM，需要对其参数进行调优，以提高模型的泛化能力和检测准确率。

基于多传感器融合的老人跌倒检测

基于多传感器融合的老人跌倒检测

基于多传感器融合的老人跌倒检测作者：欧国维蒙山来源：《微型电脑应用》2020年第01期摘要：老年人跌倒受伤的问题已经随着人口老龄化显得非常突出，目前主流的跌倒检测算法既不实用也不准确。

为此提出一种新的基于加速度计、陀螺仪和磁力计的跌倒检测算法。

把人的活动姿势分平躺姿态和非平躺姿态，并假设在跌倒后检测到躺卧姿势。

检测算法分三步：四元数卡尔曼滤波，姿态识别，活动强度分析。

通过安装在腰部的九轴传感器采集数据，通过四元数卡尔曼滤波器，使系统可以获得在地面坐标系统中人体姿态矢量。

人体的姿态矢量包括欧拉角、四元数、加速度。

欧拉角用于确定平躺姿态和非平躺姿态，四元数和加速度用来分析平躺时的活动强度。

该算法具有计算量小、实时性好并且检测精度高、检测方便的特点。

关键词：老人; 跌倒检测; 欧拉角; 卡尔曼滤波方程; 姿态检测; 活动强度中图分类号： TP311 ; ; ;文献标志码： AFall Detecton for Elder People Based on Mult-sensor FusonOU Guowe， MENG Shan（College of Electroncs and nformaton Engneerng， Shenzhen Unversty， Shenzhen 518052）Abstract： Fall related njury s a central problem for the elder people. But prevalent methods are nether practcal nor useful n accuracy. Ths paper proposes a novel fall detecton algorthm usng accelerometers， gyroscopes and magnetometers. n our study， we dvde human actvtes nto two categores： lyng posture and no-lyng posture. We assume that a lyng posture s detected after falls. The proposed algorthm has three steps： quaternon Kalman flter， posture recognton， actvty ntensty analyss. The data are obtaned by usng nne-axal nertal measurement unt attached on the wast. Usng the quaternon Kalman fler， the system can obtan body's posture vectors measured n the frame of reference of the ground. The body's posture vectors nclude Euler angles， quaternon，acceleraton， etc. The Euler angles are used to determne the lyng posture or no-lyng posture. The quaternon and acceleraton are used to analyze actvty ntensty when lyng posture are detected. The proposed method features low computatonal cost and real-tme response. n addton， t has a nce accuracy and convenent n detect falls.Key words： Elder; Fall detect; Euler angle; Posture recognton; Actvty ntensty0 引言世界衛生组织（WHO）2016年9月报道指出跌伤是世界各地意外或非故意伤害死亡的第二大原因。