原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
37 1 ( ) Vol．37 No．1
第 卷第 期 中南民族大学学报 自然科学版
20 18 3 Journal of South-Central University for Nationalities (Nat．Sci．Edition) Mar．20 18
年 月
基于加速度时域特征和Adaboost-SVM 级联
分类器的跌倒检测研究
1 1，2 ，* 1 1
， ， ，
田一明 王喜太 杨 鹏 耿艳利
(1 ， 300130 ;2 ，
河北工业大学控制科学与工程学院 天津 国家康复辅具研究中心 北京市老年功能障碍
， ， 100176)
康复辅助技术重点实验室 民政部康复辅具技术与系统重点实验室 北京
， AdaboostSVM
摘 要 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 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
; ， Adaboost ， ，
性 然后 对传统 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
; ， (ADL) ，
统对跌倒的识别能力 最后 针对日常活动动作类 的数目远多于跌倒类而导致的数据集不平衡问题 构建了
Adaboost-SVM ， Adaboost
用于跌倒检测的 级联分类器 根据级联结构中每个 分类器所包含的弱分类器数量自动决定
SVM Adaboost ． UCI ， :
是否由 替换 分类器利用 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
文档评论（0）