基于CNN算法及多特征融合的老人摔倒预测系统构建

随着中国老龄化社会的到来,应对老年人口安全问题,特别是摔倒问题,变得越来越重要。提出了一种基于卷积神经网络(CNN)和多特征融合的预测系统。该系统整合了图像和生理信号等多种类型的特征信息,以提高摔倒预测的准确性。实验验证了基于CNN的多模型结构在老人摔倒预测中的优越性,以及多特征融合策略对模型性能的提升作用。与其他方法相比,所提出的方法在准确率、召回率、精确率和F1分数方面表现出优越性,准确率可达到95.93%。此研究为预测和预防老年人摔倒提供了一种高效且可靠的方法。

用于助老伴行机器人的老年人摔倒预测方法研究

为了使助老伴行机器人更好地服务老年人户外行走的需要,提出了一种用于助老伴行机器人的基于BP神经网络的多传感器信息特征融合进行老年人摔倒预测的方法。首先,通过老年人摔倒机理分析,提出了一种用于助老伴行机器人的老年人摔倒预测总体设计方案。然后,分别采用触觉力传感器、躯干三轴加速度计和和陀螺仪采集使用者的手部触觉力信息、躯干三轴加速度和角度信息。其次,对所采集的三类摔倒信息进行相应的特征提取,将3种特征信息采用BP神经网络进行信息融合,获取摔倒发生的概率,且当摔倒概率超过设定的阈值即判定老年人将要摔倒。最后,通过实验系统搭建和实验验证,结果表明,摔倒预测方法可靠,其整体识别准确率为97.5%,其中摔倒样本识别准确率95%,正常样本识别准确率100%,所以,该方法可以对老年人使用助老伴行机器人完成户外行走提供保证。

仿人机器人摔倒预测研究进展

仿人机器人的摔倒作为一种应尽量避免但又不可避免的情况,它的发生可能会对机器人自身及周围环境造成严重的损害,因此针对仿人机器人摔倒的研究具有重要意义。近年来,仿人机器人摔倒预测的研究取得了一些成果,并在一些实际的机器人上得到了应用。

基于时序分析的人体摔倒预测方法

提出一种基于人体动作状态序列时序分析法的人体摔倒预测方法.融合特征部位加速度信息为时间序列,选取摔倒过程中人体与低势物体碰撞前的过程序列段作为样本训练隐马尔可夫模型(HMM),通过分析输入序列与HMM的匹配程度实时分析当前时刻人体摔倒的风险.实验证明该方法取得良好的预测效果,并且可有效区分摔倒过程与其它日常生活行为过程.