基于多源数据信息的人体跌倒检测方法

作     者：曹瑛婵 

作者单位：临沂大学 

学位级别：硕士

导师姓名：郭明;李战军

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：跌倒检测 Kinect 惯性传感器 机器学习 数据融合 

摘      要：随着科技的发展和社会的进步,人口老龄化的问题日益凸显。在我国人口老龄化日益严重的今天,老年人的健康情况和跌倒风险需要全社会的关注。随着传感器技术和机器学习算法等前沿技术的发展与成熟,跌倒检测方法的研究越来越成为社会发展的需要。高精准、实时性的跌倒检测方法对于老年人群体、对于每个家庭、对于整个社会都有着不可替代的作用,具有重要的现实意义和市场价值。 使用单模态数据检测老年人的跌倒活动在实践中被证明具有一定的局限性,所以本文针对多个传感器获得的多模态数据进行老年人跌倒动作识别展开研究,主要内容包括: (1)为了解决传统相机容易受到光照变化和背景复杂等因素影响的问题,本文提出了一种基于人体骨架和光流序列来识别跌倒动作的方法。首先,使用Kinect V2传感器采集不同受试者的跌倒活动和非跌倒活动视频,然后对捕获的视频进行预处理,得到活动的骨架图像和灰度图像;其次,利用光流算法获得相邻图像的光流序列;再次,提出了一种轻量级卷积神经网络,用于从多模态数据中提取运动特征并识别活动;最后,使用模糊综合评价方法和多数投票策略相结合的融合算法,确定影响最终决策结果的权重值,进行决策融合。实验结果表明,本文提出方法对跌倒活动的识别有很好的效果。 (2)由于视觉传感器因相机位置固定和视角限制等因素在实际应用中具有一定的局限性,为了改善跌倒检测方法,提出了惯性信号与骨架图像融合的跌倒检测方法。首先,使用多个惯性传感器采集人体运动时的加速度、角速度和角度信号并将惯性数据表示为图像作为模型的输入;其次,提出卷积循环神经网络提取惯性数据和骨架数据中的多尺度特征和时间特征;最后,利用通道注意力-图卷积神经网络聚合并增强多源数据信息的相关特征,并提出加权支持向量机模型实现跌倒动作识别。实验结果表明本文所提出的多源数据融合的跌倒检测方法可以更加精准的识别跌倒动作。