基于机器学习算法的摔倒检测和日常行为识别研究-计算机科学与技术专业论文.docxVIP

万方数据 万方数据 东华大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定， 同意学校保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文被查阅或借阅。本人授权东华大学可以将本学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫 描等复制手段保存和汇编本学位论文。 保密 □，在 年解密后适用本版权书。 本学位论文属于 不保密 □。 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 基于机器学习算法的摔倒检测和日常行为识别研究 摘 要 随着人口老龄化现象的不断加剧，同时由于家庭和社会的诸多 因素，越来越多的老年人不得不选择独居，社会因此给这类人群下 了一个新的定义，称作“空巢老人”，指的是那些没有子女照顾、 单独居住的老年群体。基于以上情况，日常生活中的摔倒事件逐渐 变成威胁老年人生命的重要因素之一。这是老年人必须接受的、不 得不面对的事实，更是整个社会需要警醒的、急需帮助老年人解决 的问题。使用传感器似乎可以帮助老人检测到这类问题，但“摔倒” 是一刹那的动作，非加速度传感器几乎捕捉不到；同时，该行为非 常容易和其他动作混淆，造成错判。本文综合考虑 “摔倒”特性和 机器学习算法的配合，对摔倒检测和行为识别同时作了研究，为老 人的日常行为做全方位的把控。 本文使用三种已有的机器学习算法，针对由可穿戴传感器采集 的用户日常行为数据，进行试探性的训练和测试。三类机器学习算 法分别是支持向量机、后向传播神经网络和隐藏马尔可夫模型，用 户日常行为数据共有 11 类，包括走路、摔倒、坐下、躺下、坐着、 躺着等姿势。针对三类方法得到的不同分类结果，从准确度、运行 速度、时间复杂度等角度进行精准分析，并对其低准确度作了进一 步研究。 I 通过低准确度分析，本文提出了一种新的学习方法，可以对连 续的数据集进行精准分类。主要的思想是结合两类已有的机器学习 算法，通过首轮的训练得到第一批结果，通过分析结果判断输出状 态中相互混淆的分类，从而将混淆分类划到不同组别分别处理，即 进入第二轮训练。实验证明，新的学习方法，较之已有的三类学习 算法，能够极大地提高摔倒检测和人类日常行为的识别精度,平均识 别精度大于 90%，比原有的平均结果提高近 40%。同时本文整合以上 方法，将其规整为一套训练和应用方法，不仅包括训练数据、获取 分类器部分，还包括应用分类器的算法应用部分（HCA 算法），使 新方法具有普遍性。 关键词：日常行为 可穿戴传感器 支持向量机 神经网络 隐藏马尔 可夫模型 II RESEARCH ON FALLING DETECTION AND DAILY ACTIVITIES RECOGNITION BASED ON MACHINE LEARNING ALGORITHM ABSTRACT With the growing phenomenon of an aging population, an increasing number of older people are living alone for domestic and social reasons. Based on this fact, falling accidents become one of the most important factors in threatening the lives of the elderly. Therefore, it is necessary to set up an application to detect the daily activities of the elderly. It is the problem that the elderly have to be faced with and the society has to deal with. Using sensors seems to be capable of handling these problems, however, falling detection is difficult to recognize because the “falling” motion is an instantaneous motion and easy to confuse with others. This thesis comprehensively takes the falling detection and daily activities recognition into consideration and mak