17、基于物联网的跌倒检测系统中的SVM算法应用

基于物联网的跌倒检测系统中的SVM算法应用

1. 系统概述

在基于物联网（IoTs）的跌倒检测系统中，数据集主要通过传感器收集，然后经过移动平均滤波器处理，接着使用主成分分析（PCA）方法进行特征提取，最后利用支持向量机（SVM）方法进行跌倒分类。

1.1 SVM分类原理

在该系统中，数据集被分为跌倒和非跌倒两类。SVM通过寻找最佳超平面，将跌倒 - 非跌倒数据集中一类的所有数据点与另一类的数据点分开。最佳超平面意味着两类之间的最大间隔，即找到两个没有内部数据点的平行超平面的最大宽度。支持向量是最接近分隔超平面的数据点，它们可能位于分隔带的边界上。

1.2 实验数据处理流程

1. 数据采集 ：使用两种传感器，一种是安装在人体上的加速度计，另一种是固定在房屋内的Kinect相机，分别收集跌倒数据集。
2. 特征提取（PCA） ：在使用SVM训练之前，使用PCA对数据集进行特征提取。具体步骤如下：
   • 对数据集进行预处理，生成协方差矩阵以确定特征值。
   • 根据特征值计算特征向量。
   • 为了实现高性能训练，根据降序排列的高特征值选择具有良好特征的特征向量。这些良好的特征向量不仅能提高分类性能，还能减小数据集（矩阵/向量）的大小，从而缩短计算、训练和分类的时间，提高分类性能。
3. SVM训练与分类 ：使用SVM算法对基于PCA的特征数据集进行训练，找到超平面将数据集分为跌倒和非跌倒