在人口老龄化的背景下，研究可穿戴式老年人运动识别装置，对老年人的运动状态进行监测研究，具有其重要的社会意义。现有的可穿戴式运动识别系统存在功耗高、使用场景受限且正确率偏低等缺点，缺乏对类跌倒动作的检测识别，难以被大众所接受；基于MTK+STM32+MPU9250的低成本可穿戴式运动识别系统具有检测精度高、体积小、便携性优良、实时检测和多重定位等优点，更具研究与开发价值。
通过对可穿戴式运动识别系统的需求进行分析以及对支持向量机SVM分类算法进行研究，本文主要进行了如下工作：
（1）对人体运动模型进行建模分析，并设计了人体运动实验，选取合加速度和姿态角对人体的走、跑、坐、站、上下楼和跌倒动作进行分析；
（2）完成了可穿戴式运动识别系统的软硬件设计，进行系统硬件选型，并对系统的实时数据采集传输、多重定位、低功耗模式和服务器通信等软件模块进行了设计；完成了基于阈值法的运动识别算法的设计与实现；
（3）结合SVM分类算法的基本原理，提取人体运动时的合加速度时域特征，包括最大值、最小值、平均值、标准差、峰度等12个特征训练SVM分类器，并针对影响SVM算法分类精度的两个关键因素：特征子集选择和参数优化，将改进的二进制粒子群优化算法（DBPSO）应用于SVM分类算法，搜寻使SVM分类器达到最大分类精度的最优特征子集和最佳参数组合，并将寻优结果应用于对人体日常动作和跌倒动作的分类识别；
（4）完成了对系统功能的测试以及算法性能的评价。结果表明，阈值算法对跌倒的识别正确率达到了95%，并且漏检率仅为5%，对走、跑动作的识别率达到了90%，对坐、站动作也达到了88%和87%的准确率，并且平均误报率低仅为3.75%；以跌倒为+1类，其它动作为-1类的测试样本为例，将改进的DBPSO-SVM算法与标准的DBPSO-SVM算法进行了比较分析，结果表明，改进的DBPSO-SVM算法能达到97%以上的平均最佳分类精度以及能平均约减4~6个特征，与未经优化的SVM算法进行对比，其对各种动作的灵敏度和特异度均达到了95%以上，尤其对跌倒动作更是达到了100%的灵敏度和96.25%的特异度。
谷歌
火狐
