在后台的数据处理阶段，主要是利用能量损耗进行分析并辅以特定时间内的人体v、s、Φ计算分析来提高系统检测的准确性。
3 实验与结果分析
    为了验证算法的准确性，邀请了10位60岁以上老人进行试验，但在跌倒实验环节出于安全考虑没有让老人参与而是邀请了学生进行模拟摔倒（在垫子上完成）。实验的跌倒方式分为：向前/向后跌倒未平躺、向前/向后跌倒后平躺、向左/向右侧跌倒。依据这几种跌倒方式设计了一套如表1所示的动作。每一次实验的实验者都随机从中选出一些动作并结合真正的跌倒组合一套完整的实验动作。系统以45 Hz的采样频率进行样本的采集，并通过设计的算法进行数据的分析处理。
    实验者从上述的动作中随机选取动作组合进行实验，每名实验者需进行5组实验，10名实验者共需完成50组实验。
    实验统计结果如表1所示，通过实验数据可知所设计的跌倒检测方法有较高的准确率，能够分辨绝大部分的跌倒事件，但在对跌倒后没有平躺事件和滑倒并迅速回复平衡的情况存在一定的误报率。

      本文构建了基于三维加速度传感器、微处理器和无线通信模块为核心的跌倒检测模块，通过实验证明了其有效性，能够较好地区分日常活动和跌倒事件。在数据预处理上采取了基于1-class SVM的数据分类算法提取可疑数据，并创新性地提出了利用人体活动损耗的能量差异进行跌倒的最终判定，在确保系统的准确性上增加了对特定时域内的人体的姿态分析（对速度、位移及人体倾角的计算分析），取得了一定的成效。但在用户终端对原始数据的分类处理上还需要对1-class SVM算法做进一步
的改进。
 

上一页  [1] [2] [3]