针对单一传感器在人体运动状态监测中误差较大的问题,本文采用了高精度的陀螺加速度计MPU6050模块。该模块使用陀螺仪输出的人体运动信息对加速度传感器采集到的姿态角信息进行修正,提高测量精度。采用机器学习的方法对样本数据进行分析,获得分类阈值。当人体由静止到跑步或由站立到坐下等状态转移时,加速度也会突然增大,有可能达到跌倒时的阈值。当采集的加速度信息的特征值大于阈值时,通过分析其产生峰值时的加速度值和该时刻及之后的角度变化,来确定是否发生跌倒事件。传感器的佩戴位置以获取运动数据［12］ 本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com 。经过查阅参考文献和实验对比得出，跌倒状态识别-数控滚圆机滚弧机折弯机张家港液压滚圆机弯管机滚弧机滚圆机胸部作为信息采集的部位效果较好［13］。2．2跌倒检测算法根据输出的加速度、角度特征信息，为了实现简单有效的状态识别，从宏观的角度考虑特征提取，只考虑一段时间内加速度和角度变化值，因为只要保持类似动作重复图2坐标系进行，加速度值和角度变化趋势就会出现周期性［14］。设任意时刻t时，aSVM的计算公式如下:asvm=a2x．t+a2y．t+a2槡z．t为了佩戴方便，按图2方式建立坐标系。角度说明如表1所列。表1角度说明俯仰角前后倾绕x轴Ｒoll{AngleX(deg)}滚转角左右倾绕z轴Pitch{AngleY(deg)}偏航角左右转动绕y轴YAW{AngleZ(deg)}图3采集的分别是当人体前-后-左-左前-右-右前倾斜时的角度变化图。所以用角度变化来辅助判断人体的运动状态是很有效的方法。图3人体倾斜姿态角度图3支持向量机算法设计3． 本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com 1支持向量机算法支持向量机(SupportVectorMachine，SVM)本质为监督学习的分类器，分为线性分类器和非线性分类器，根据本文所研究的跌倒与日常活动状态的识别，可将其看做为线性的二分类问题。然而，决策分界面可能存在多个，如图4所示。图4SVM线性分类图最佳决策分界面能达到支持向量与超平面间的最小距离的最大值，即两类样本间的距离达到最大，图5中H界面即为最优分类界面。图5最优决策分解面图N维特征空间中，二分类线性判决函数为:跌倒状态识别-数控滚圆机滚弧机折弯机张家港液压滚圆机弯管机滚弧机滚圆机 本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com