基于单三轴加速度传感器的人体活动状态识别

针对当前人体活动状态识别方法中存在传感器种类繁多、识别算法复杂、可实施性差、实时性差等问题,提出一种基于单三轴加速度传感器的人体活动识别算法.通过采集人体腰部的加速度数据,运用滑动时间窗方法进行时域特征的提取,采用基于阈值的分类方法对特征进行处理,识别出四种活动状态:长期剧烈活动状态,长期静止状态,跌倒状态,正常活动状态.该方法使用的传感器种类少,软硬件复杂度低,易于实施,便于携带.经过测试,该算法的平均响应时间小于1s,平均准确率达到99.3%,证明了该算法的实时性与有效性.     

基于双向LSTM神经网络可穿戴跌倒检测研究

针对老年人跌倒后不能得到及时救助带来的伤害，研究跌倒检测算法和及时告警，可以减轻跌倒给老年人带来的严重危害和后果。为了提高跌倒检测精确度和实时性，本文提出基于双向长短期记忆神经网络的可穿戴跌倒检测算法，该算法可以对输入的数据(取自惯性传感器)自动提取跌倒行为内部更深层的数据特征，实现数据从预处理到检测结果的过程处理。算法模型通过神经网络提取加速度传感器的特征向量，并利用双向长短期记忆神经网络进行跌倒检测。通过跌倒公开数据集SisFall验证算法模型，结果表明该算法在SisFall实验数据集上具备较高的检测精度，满足准实时检测要求，具有较好的实用性和较强的泛化能力。     

基于双向LSTM神经网络可穿戴跌倒检测研究

针对老年人跌倒后不能得到及时救助带来的伤害，研究跌倒检测算法和及时告警，可以减轻跌倒给老年人带来的严重危害和后果。为了提高跌倒检测精确度和实时性，本文提出基于双向长短期记忆神经网络的可穿戴跌倒检测算法，该算法可以对输入的数据(取自惯性传感器)自动提取跌倒行为内部更深层的数据特征，实现数据从预处理到检测结果的过程处理。算法模型通过神经网络提取加速度传感器的特征向量，并利用双向长短期记忆神经网络进行跌倒检测。通过跌倒公开数据集SisFall验证算法模型，结果表明该算法在SisFall实验数据集上具备较高的检测精度，满足准实时检测要求，具有较好的实用性和较强的泛化能力。     

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。     

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,提高了跌倒监测速度。实验结果表明,该人体跌倒监测方法性能稳定,数据可靠,实时性强。     

基于加速度时域特征的实时人体行为模式识别

摘要： 针对高精度的实时人体行为模式识别,提出了一种基于加速度时域特征的行为模式识别算法.本算法选取时域特征作为唯一特征量,通过简化特征提取运算实现行为的实时识别,获得了高精度结果.通过在Android智能手机平台进行测试,每项动作识别正确率均可达80%以上.该算法相对于现有算法实时精度有明显提高,在手持终端领域具有较好的应用前景.     

人体姿态检测装置的设计

为了解决无人监护的居家老人意外跌倒的事故,设计一种人体姿态检测装置,及时发现跌倒并报警,降低事故损害.采用LPC2114作为控制器,通过三轴加速度传感器MMA7455检测人体姿态,利用支持向量机算法进行分析,判断是否跌倒以及跌倒状态,数据通过无线方式发送至监测端,监护人通过网络可实时查看被监护人状态.数字式传感器的使用简化了硬件电路,无线传输采用短信模块TC35i,当跌倒发生时,可第一时间通过短信息形式通知监护人,体现人性化设计.     

烟草类根瘤中质体蛋白体的超微结构研究

提出了一种基于累计积分及阈值判断的数据处理方法,实现了检测人体动作的无线加速度传感器系统,无线加速度传感器模块使用Analog Device公司的3轴加速度传感器ADXL330.无线蓝牙模块将加速度信号采集并发送至PC机.该文是对动作识别系统的硬件与软件实现及动作处理算法的描述,并分析相应的实验结果,详细给出了数据处理算法.该方法应用于基于网络的数字娱乐系统,采集及处理时间150ms,有一定的实用价值.     

基于单个三轴加速传感器的人体运动状态识别

人体运动状态识别是老人运动状态监测系统的基础。人体运动状态包括运动和休息两个方面,其中运动状态又可分为走、跑、跳和跌倒等。本文利用三轴加速传感器对人体加速度进行实时检测,提取加速度幅值变化量,并将其作为人体运动状态检测的特征值,构建人体运动状态一阶自回归模型,利用卡尔曼滤波、自适应阈值法以及决策树对走和跑进行识别。     

基于Kinect深度图像信息的手势分割和指尖检测算法

为克服传统二维彩色图像处理算法易受周围环境、光照变化、背景等因素的影响,提出利用Kinect深度图像信息,实现一种快速鲁棒的手势分割与指尖检测算法。首先,根据Kinect得到的深度信息对非人体部分图像进行筛选,得到包含人手的人体图像;然后对当前得到的人体图像进行直方图分析,计算能够区分人手与非人手的阈值,并通过该阈值对人体图像进行分割得到人手图像;最后,对人手图像进行形态学处理,计算掌心位置,并提取手部轮廓,结合人手轮廓关键几何特征对指尖进行有效检测。实验表明,该方法能够实时、有效地对指尖进行检测。     

基于无线体域网的人体姿态多级分层识别算法

为解决无线体域网WBAN(Wireless Body Area Network)中人体姿态识别率低、算法复杂的问题, 设计了一种以多层分级理论为基础的人体姿态多级分层识别算法。考虑到使用者的舒适度, 将九轴加速度陀螺仪传感器(VG350) 做成腰带佩戴在腰部实时采集数据。运用加速度向量幅值(SVM: Signal Vector Magnitude)、角度、角加速度和位移等参量, 通过对实际测量数据的分析, 将坐、蹲、弯腰、慢走和跑等姿态进行识别。实验结果表明, 该算法简单, 姿态识别率高达96. 5%。     

基于ZigBee和CNN的低功耗跌倒检测技术

针对社区老年人跌倒检测的低功耗、高准确率要求,本文在建立基于三轴加速度、角速度的人体活动模型基础上,采用低功耗ZigBee和可在休眠状态采集并缓存数据的MPU6050动作传感器设计构造人体活动感知模块,并设计了中断驱动的低功耗人体活动数据采集传输算法,实现老年人活动数据的低功耗采集与远距离传输;其次,在数据接收端应用滑动窗口技术实时接收和缓存人体活动的三轴加速度、角速度数据,将这些数据进行量程规范并映射成对应的RGB 3通道像素数据;最后,在分析人体日常活动与跌倒数据及其对应像素图差异的基础上,设计了面向跌倒检测的卷积神经网络(FD-CNN),并结合互联网上公开的日常活动和跌倒数据进行网络训练和测试.实验结果证明FD-CNN跌倒检测的准确率达到98.6%,系统的敏感度和特异性分别达到98.6%和99.8%,FD-CNN相比已有的跌倒检测算法在系统准确率、敏感度和特异性等方面都有显著提高;相比已有基于蓝牙的跌倒检测系统,本系统的传输距离远、易组网,同时系统功耗更低,适合于社区老年人的跌倒检测与报警.     

基于YOLO网络的人体跌倒检测方法

为根据监控视频准确、快速地检测室内环境下人体跌倒行为,根据候选框密度重组方法,提出一种改进的YOLO算法,并根据人体形态学特征和HOG特征,基于两级支持向量机分类器算法,实现了通过视频对室内人体跌倒的快速检测.试验结果表明,本文算法对于室内人体跌倒的识别率达96.33%,比传统算法提高了8.16%.     

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。     

基于加速度时域特征和Adaboost-SVM级联分类器的跌倒检测研究

为了提高对跌倒检测的准确性和可靠性,提出了一种基于三轴加速度时域特征和Adaboost SVM级联分类器的跌倒检测方法.首先,利用滑动窗口法提取加速度信号的时域特征作为唯一特征向量,以提高系统检测的实时性;然后,对传统Adaboost算法的样本初始权值部分进行改进,使分类器学习到更多跌倒样本的信息,从而增强系统对跌倒的识别能力;最后,针对日常活动动作类(ADL)的数目远多于跌倒类而导致的数据集不平衡问题,构建了用于跌倒检测的Adaboost-SVM级联分类器,根据级联结构中每个Adaboost分类器所包含的弱分类器数量自动决定是否由SVM替换Adaboost分类器.利用UCI数据库中人体运动数据集进行了实验,结果表明:文中所提方法具有最高的跌倒检测率以及较为优秀的误报警率和准确率,并且证明了放置于胸部和腰部的加速度计能够对跌倒检测产生较好效果.     

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。     

自适应跌倒前实时检测方法

为了能利用单一传感器在跌倒撞击前实时检测出跌倒即将发生,结合支持向量机(SVM)和阈值法设计了一种自适应跌倒前实时检测方法.实验结果表明,该方法能在跌倒撞击前实时检测出跌倒即将发生,且比人工阈值法和SVM方法有更长的间隔时间,比SVM方法有更高的召回率和特异度.     

手指运动姿态检测及假肢手指动作实时控制

设计了一种通过实时检测手指关节弯曲角度控制假肢手指动作的实验系统.系统主要由手指运动姿态实时检测、关节角度分析、控制与驱动电路、欠驱动机电假肢手4部分组成,假肢手包含拇指、食指、中指3个独立动作的手指;利用加速度传感器ADXL330实时检测手指运动姿态信息,由DSPTMS320F2812微处理器实时检测手指关节运动的瞬时角度变化并进行PWM脉冲编码,控制步进电机运动以驱动假肢手指关节转动.并分别对加速度传感器检测手指运动和假肢手指动作实时控制进行了实验测试;实验结果表明,系统采用的加速度传感器ADXL330能实时检测手指运动姿态,利用手指关节角度信息能有效驱动假肢手指屈伸,并通过三指配合完成抓握动作.     

基于梯度直方图的产品表面缺陷图像自适应阈值分割方法研究

为了提高产品表面缺陷检测精度并降低检测成本,文章以E型磁环表面缺陷的自动检测为例,分析了产品表面图像的特征,提出了一种利用梯度直方图信息的图像自适应阈值分割算法.通过实例,与原自适应直方图阈值分割算法和固定阈值分割算法相比较,结果表明:该算法采用可动态调整的形态学梯度算子计算梯度直方图,抗噪能力强;充分利用了图像的边缘信息和缺陷内部灰度分布不均匀的特性,适应性广;算法简单,具有实时准确分割图像的特点.     

基于多权值神经网络的老人跌倒智能识别研究

随着我国人口老龄化及对延年益寿的期望加剧,老年人的健康问题受到广泛的关注。针对这一社会问题,建立人体跌倒模型,并对三轴加速度传感器采集来的不同人体跌倒姿态的高维数据做主成分分析(PCA),降维处理使其特征投影到低维空间,再将降维后的特征向量借助多权值神经元网络算法识别人体跌倒姿态。最后,实际采样的人体跌倒姿态数据验证了该方法的有效性。此外,与支撑向量机(SVM)算法相比较,实验结果表明,多权值神经元网络比支撑向量机算法在人体跌倒应用中更加具有优越性。