基于无线通讯与 GP S定位的人体跌倒检测器

为减小老年人因跌倒造成的身心伤害，实现及时救助，设计了一种实用的人体跌倒检测器。采用三轴加速度传感器和ZigBee无线通讯实现人体运动状态的数据采集和传输，采用基于加速度向量幅值和人体姿态角检测算法实现跌倒检测，通过报警单元实现基于GSM模块的短信报警，利用对GPS数据解析实现跌倒事件的地理信息的Google显示。实验结果表明，该检测器对人体向前跌倒后平躺、向右跌倒后侧躺和向前跌倒后未平躺等状态判别准确率达到100％，监控界面良好。     

卡尔曼滤波在人体姿态检测中的应用

为了尽早发现老人的意外跌倒,避免长躺现象,争取救护时间,对人体姿态进行检测。由控制器STM32F103和传感器MPU6050构成信号采集系统,采用无线蓝牙模式进行数据传递,由接收系统进行数据分析和显示。建立人体坐标系,对采集的加速度信号进行卡尔曼滤波,调节参数,补偿测量误差,实现最优估计。对滤波后的加速度信号进行整合,并以角度信号为辅助,进行姿态判断,及时判断跌倒事故。通过M atlab仿真发现,卡尔曼滤波的使用有效地提高了系统的测量精度,有助于姿态判断的实现。     

基于Android的跌倒测试仪的设计与实现

采用模式识别算法设计了基于Android的跌倒测试仪,由三轴加速度传感器得到人体动态速度值,并把这些特征值送至检测算法中,用于检测跌倒行为.当系跌倒行为发生时,由GPS将跌倒位置和报警信号传给邦定的监护人手机进行报警,从而使跌倒老人能在第一时间得到救治,有效减少跌倒对老人造成的伤害.     

基于BLE技术的可穿戴组合式人体姿态检测系统

为了实现对人体姿态的检测,该文设计了一种可穿戴式姿态检测系统。用户根据需求,在人体相应位置穿戴加速度传感器,加速度信息通过蓝牙发送到平板电脑,平板电脑对加速度信息进行处理,并给出相应的姿态结果。对人体不同位置的加速度信息进行研究的结果发现,通过传感器佩戴数量及位置的不同组合方式,可以检测到不同的人体姿态。实践表明,该设计已实现坐姿矫正提醒、跌倒检测和计步等功能,验证了本系统的可行性和实用性。     

基于极限学习机快速分类的人体跌倒检测方法

为了准确快速检测人体跌倒状态,提出基于惯性测量单元(inertial measurement unit,IMU)测量和处理数据的极限学习机(extreme learning machine,ELM)快速分类判别方法。分析了人体运动行为特征,构建了腿部运动参数提取模型;通过IMU采集人体腿部运动特征数据,并进行姿态解算;采用ELM方法对人体运动特征的加速度、角速度和姿态进行分类,判断人体是否处于跌倒状态;根据机器学习评价指标对ELM参数进行优化,得到最佳参数。进行了人体运动状态测量实验,结果表明,ELM方法能够对IMU测量和处理数据进行准确快速地分类。当隐含层结点为1 000时,ELM检测方法跌倒检测的准确率为96. 45%,灵敏度为97. 32%,特异性为89. 32%。因此,采用ELM快速检测方法,可有效地对人体运动特征数据进行分类,实现对人体跌倒行为的准确检测。     

基于极限学习快速分类方法的人体跌倒检测方法

为了准确快速检测人体跌倒状态,提出基于惯性测量单元(inertial measurement unit,IMU)测量和处理数据的极限学习机(extreme learning machine,ELM)快速分类判别方法。分析了人体运动行为特征,构建了腿部运动参数提取模型;通过IMU采集人体腿部运动特征数据,并进行姿态解算;采用ELM方法对人体运动特征的加速度、角速度和姿态进行分类,判断人体是否处于跌倒状态;根据机器学习评价指标对ELM参数进行优化,得到最佳参数。进行了人体运动状态测量实验,结果表明,ELM方法能够对IMU测量和处理数据进行准确快速地分类。当隐含层结点为1 000时,ELM检测方法跌倒检测的准确率为96. 45%,灵敏度为97. 32%,特异性为89. 32%。因此,采用ELM快速检测方法,可有效地对人体运动特征数据进行分类,实现对人体跌倒行为的准确检测。     

基于四元数卡尔曼滤波的多轴传感器协同人体跌倒监测研究

为了准确、快速、自动地监测人体跌倒,开展了基于四元数卡尔曼(Kalman)滤波的多轴传感器协同人体跌倒监测研究.它使用MPU-9520传感器实时获取人体姿态信息,再基于四元数法实现姿态解算.利用Kalman滤波算法降低噪声影响,提高监测正确率.通过选择加速度、角速度和姿态角的矢量大小的阈值作为跌倒判断标准,提高了跌倒监...     

基于改进姿态估计算法的嵌入式平台实时跌倒检测

为了实现视频中特殊人群跌倒检测的实时性和降低误检率。通过采用改进的姿态估计网络提取人体关节点的方法,研究了使用前后帧关节点的变化来对人体进行追踪和跌倒行为检测。为了在嵌入式平台上使姿态估计网络达到实时效果,采用带有注意力机制的轻量化结构搭建深度卷积网络来提取人体关节点坐标,并合成完整的骨架信息。结果表明：带有注意力机制的姿态估计算法在不同数据集上的准确度均有提升;同时在嵌入式平台上保持误检率较低的情况下达到实时跌倒检测。可见基于改进姿态估计算法并通过关节点判断的方法较好地实现了人体的跌倒检测。     

基于多传感器信息融合的仿人机器人跌倒检测及控制

仿人机器人在行走过程中,需要及时检测到是否要摔倒,从而阻止摔倒或通过保护动作在摔倒过程中减少机器人损伤.文中基于姿态传感器(包括加速度传感器和陀螺仪)、力感应传感器(FSR)及步行阶段建立了多传感器信息融合模型,采用模糊逻辑决策方法建立了机器人跌倒检测的综合判定方法,并设计相应的控制器,该控制器可检测到仿人机器人运动时是否会摔倒,若无法避免摔倒,则采取相应的保护动作;若可避免摔倒,则通过控制髋关节阻止机器人摔倒.最后在SCUT-I仿人机器人上进行实验,结果表明,文中方法能及时检测到机器人在运动过程中发生跌倒的时刻,并及时通过稳定控制器阻止摔倒或通过倒地控制器产生保护动作,减少机器人的损伤.     

基于加速度特征的人体跌倒检测算法

针对跌倒检测系统必须快速准确响应的需求,提出一种基于三轴加速度传感器的人体跌倒实时检测算法.该算法通过分析人体运动的加速度特征,提取加速度信息特征向量,采用机器学习的方法对样本数据进行分析,获得分类阈值.在实时检测过程中,当采集的加速度信息的特征值大于阈值时,通过分析其产生峰值之后的加速度分量特征,确定是否发生跌倒事件.通过测试多种日常活动及各种跌倒的加速度信息,证明了该算法的有效性.