跌倒偵測的問題,透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

跌倒偵測的問題,我們搜遍了碩博士論文和台灣出版的書籍,推薦施威銘研究室寫的 Flag’s 創客‧自造者工作坊 Python 感測器大應用:智慧生活X雲端 可以從中找到所需的評價。

另外網站跌倒偵測手錶|ETMall東森購物網也說明:realme Watch 2 Pro 血氧偵測雙衛星定位健康守護防水手錶 ... 內建GPS/支援免持通話/心率追蹤/睡眠血氧偵測/睡眠追蹤/防水50m/FITBIT PAY.

國立臺灣科技大學 電子工程系 呂政修所指導 徐偉倫的 基於距離都卜勒影像之跌倒偵測系統的設計與實現 (2021),提出跌倒偵測關鍵因素是什麼,來自於跌倒偵測、頻率調變連續波雷達、距離都卜勒、深度學習、雙向長短期記憶網路。

而第二篇論文長庚大學 電機工程學系 歐陽源所指導 賴彥宏的 結合足壓與慣性感測之深度學習跌倒與人體活動偵測系統設計及演算法開發 (2021),提出因為有 跌倒偵測、慣性感測、足底壓力、深度學習、Kinect V2的重點而找出了 跌倒偵測的解答。

最後網站XC-109 安照小護士緊急通報跌倒偵測器- PChome 24h購物則補充:XC-109 安照小護士跌倒自動通報系統. ☆突發意外緊急狀況自動即時通報 ☆銀髮族穿戴跌倒偵測器 ☆提供最佳防護措施 ☆緊急發生撥打電話&傳送簡訊 ☆96.5%跌倒感測辨別 ...

接下來讓我們看這些論文和書籍都說些什麼吧:

除了跌倒偵測,大家也想知道這些:

Flag’s 創客‧自造者工作坊 Python 感測器大應用:智慧生活X雲端

為了解決跌倒偵測的問題,作者施威銘研究室 這樣論述:

  說到智慧家具你會想到什麼呢?除了掃地機器人、拍手感應的燈具、語音助理, 還有許多結合不同感測器的有趣應用可以提供便利又智慧的功能。     當別人家買了各種結合物聯網、人工智慧、大數據的電器和助理, 而你的家具卻只會撞你的腳趾嗎!?     本產品用 24 個範例帶您製作出客製化的智慧居家應用, 使用當前最夯的 Python 程式語言, 內容設計讓新手都能輕易上手, 用多個實用的感測器如超音波測距、震動感測器與 OLED 顯示器, 實作出智慧小夜燈、雲端防盜警報器、簡易股票機等各種智慧生活的周邊小物, 也可以將各種感測器取得的數據資料上傳到 Google 雲端、傳送

到手機, 與他人共享資料, 或搭配 Line 的即時通訊功能達到實時遠端監控, 打造出與時俱進的智慧居家。     本套件總共包含 24 個實驗, 例如:     ●倒車雷達   ●環境照度計   ●雷射打靶機   ●國際太空站查詢器   ●健康計步器   ●自動對時鐘     在智慧居家無所不在的物聯網世代, 從做中學最潮最實用的感測器大應用!      本產品除實驗手冊外, 實驗過程中有任何問題或是建議都可以在 Facebook 粉絲專頁《旗標創客‧自造者工作坊》中留言, 即有專人為您服務。    本書特色       -零

基礎從新手到上手   -用 Python 學會使用各種感測器   -使用與 ESP8266 兼容的 D1mini 開發控制板   -圖解說明各種電路與接線   -範例程式免費下載     本產品 Windows / Mac 皆適用   組裝產品料件:   D1 mini 相容板 1 片   Micro USB 充電傳輸線 1 條   0.96吋OLED螢幕模組 (雙色) 1 片   超音波測距模組   亮度感測模組 1 個   RGB LED 燈 1個   震動開關 1 個   雷射模組 1 個   無源蜂鳴器 1 個   220歐姆電阻 3 個

  麵包板 1 個   公母杜邦線 1 組   排針 1 組  

跌倒偵測進入發燒排行的影片

iPhone使用這麼多年,是不是很多APP都沒用過呢
這次介紹的健康APP就是一個重要,卻常被忽略的APP
裡面的醫療卡、防跌倒偵測、心率、緊急聯絡資訊...等等
都是在關鍵時刻會幫助到你的功能
另外還有步行紀錄、睡眠品質、經期追蹤...等等
而且有些功能建議搭配apple watch或其他第三方APP、配件使用喔
(iOS14.4/WatchOS7.3)

現在Podcast也可以聽得到Tim哥的科技午報了
Apple https://apple.co/2IupRwH
Google https://bit.ly/3hMfwMn
Spotify https://spoti.fi/32ZflZS

訂閱Tim哥生活副頻道⬇︎
http://bit.ly/36gDKs7
加入頻道會員⬇︎
http://bit.ly/2LoUuox
我的Line@生活圈⬇︎
@237mhhsl
訂閱3cTim哥主頻道⬇︎
http://bit.ly/2MgPy4H
訂閱Tim嫂頻道⬇︎
http://bit.ly/2PEnHMZ
訂閱眾點旅人頻道⬇︎
http://bit.ly/2QaY1vS
訂閱Jade Lin林瑋婕頻道⬇︎
http://bit.ly/2D2YK8O


想知道更多3C第一手資訊?⬇
【3cTim哥趨勢預測 系列】http://bit.ly/31y57M6
【Apple 蘋果每月一爆 系列】http://bit.ly/2KPzdEd

跟Tim哥學3C小技巧⬇
【Apple蘋果小技巧 系列】http://bit.ly/2NXsIyP
【Android安卓小技巧 系列】http://bit.ly/2LE4kWy

觀看3cTim哥Apple系列影片⬇
【Apple蘋果開箱】http://bit.ly/2LE4M6R
【Apple iPhone 系列】http://bit.ly/2Z6NwsO
【Apple iPad 系列】http://bit.ly/303gknn
【Apple Mac 系列】http://bit.ly/2N5Fkqo
【Apple Watch 系列】http://bit.ly/304F5jc
【Apple其他產品 系列】http://bit.ly/2MioZiN

觀看3cTim哥Android系列影片⬇
【Android安卓高階旗艦機 系列】http://bit.ly/2LDGSZx
【Android安卓中階手機 系列】http://bit.ly/2Z1Y4JP
【Android安卓萬元以下手機 系列】http://bit.ly/2z5qF6l

觀看3cTim哥開箱影片⬇
【3cTim哥家電開箱】http://bit.ly/2v49Uai
【3cTim哥電腦開箱】http://bit.ly/2n0UM8Z

追蹤3cTim哥即時動態⬇︎
instagram☛http://bit.ly/2HCZ52j
facebook☛http://bit.ly/2JyOGGK



TIM X OLI 🛍️ 3C購物
官方網站▶️ https://goo.gl/jW7cny
App Store▶️ https://goo.gl/67foDK
Google PlayStore▶️ https://goo.gl/l6B5Zp

*圖片內容截取自Google搜尋網站
**音樂與音效取自Youtube及Youtube音樂庫

基於距離都卜勒影像之跌倒偵測系統的設計與實現

為了解決跌倒偵測的問題,作者徐偉倫 這樣論述:

由於近年來深度學習技術的發展及普及,生活中許多的研究與發明,漸漸朝向人工智慧的方向發展,逐漸影響人們的日常體驗與生活,不論是在工商、金融、治安甚至是軍事及教育等等所有都能看到相關應用的出現,根據台灣衛福部統計處資料,在2019年跌倒事故傷害而過世的人竟然位居排行第二,故居家照護等相關應用也成了AI技術的一個重要議題,而跌倒偵測便是此次論文的研究重點。有別於市售的穿戴式裝置如蘋果手錶和項鍊式緊急通報跌倒偵測器,利用設備的陀螺移、三軸加速度計或ECG心電圖等技術來判斷,為了避免人員發生意外時未配戴裝置很引發憾事,我們參考了攝影機影像辨識的技術,在特定場域裝設裝置判斷人員有無跌倒狀況,但礙於隱私權

問題,會讓人有所顧慮,所以我們選擇了在場域架設雷達裝置來發展我們的跌倒偵測系統。透過頻率調變連續波雷達(FMCW),收集其回傳的原始資料(Raw data),進行計算,產出範圍都卜勒圖(Range Doppler Image)及長時間間格的都卜勒直方圖(Long Time Interval Range Doppler Histogram),觀察其資料特徵,對圖片及影像進行資料分析及編輯,並撰寫輔助工具,完成資料的收集及標籤(Label),最後則是設計觸發(Trigger)模型,辨識圖片距離及速度變化量明顯的圖形,結合根據資料型態所自定義的的演算法完成觸發的判斷,再將有觸發的情形結合都卜勒長方圖

丟至下一層基於雙向長短時記憶循環神經網路(Bi-directional Long Short-Term Memory)模型所設計的深度學習模型來做最後跌倒情形的判斷,並設計的簡易的告警機制,完成了高達90%以上準確率的跌倒偵測系統模型。

結合足壓與慣性感測之深度學習跌倒與人體活動偵測系統設計及演算法開發

為了解決跌倒偵測的問題,作者賴彥宏 這樣論述:

[目錄]中文摘要i英文摘要ii目錄iii圖目錄viii表目錄xvii第一章 緒論11.1 研究背景21.2 研究目的41.3 論文架構4第二章 文獻回顧62.1基於雙閾2.1基於雙閾值和跌倒姿態實現跌倒偵測72.2使用三軸加速度計總和與歐拉角兩個特徵取得最佳閾值來判別跌倒與非跌92.3比較多個加速計與放置的位置實現姿勢識別與跌倒偵測112.4 使用足底壓力和加速度計實現跌倒偵測17第三章 實驗裝置與系統設計273.1 實驗裝置283.1.1足壓鞋子283.1.2 Microsoft KinectV2 303.2 系統介面設計343.2.1 系統介面介紹343.2.2 系統介面設計介紹363.

2.3 系統介面操作介紹41第四章 實驗方法研與流程544.1 資料集554.2 實驗場地604.3 實驗活動項目624.3.1 壓力鞋墊壓力感測器位置說明624.3.2 模擬跌倒動作說明654.3.3 日常活動(靜態)動作說明884.3.4 日常活動(動態)動作說明1094.4 實驗流程1274.5 參數介紹1274.6 模型架構1314.7 訓練模型方法1314.2.1 訓練模型介紹1334.2.1 資料預處理134第五章 研究結果1375.1評估指標1385.2交叉驗證1395.3使用雙腳資料進行跌倒與日常活動2個類別辨識結果1405.3.1 使用雙腳足壓進行2個類別辨識1405.3.2

使用雙腳六軸慣性感測器進行2個類別辨識1445.3.3 使用雙腳九軸慣性感測器進行2個類別辨識1485.3.4 使用雙腳足壓和六軸慣性感測器進行2個類別辨識1515.3.5 使用雙腳足壓和九軸慣性感測器進行2個類別辨識1555.4使用左腳資料進行跌倒與日常活動2個類別辨識結果1595.4.1 使用雙腳足壓進行2個類別辨識1595.4.2 使用雙腳六軸慣性感測器進行2個類別辨識1635.4.3 使用雙腳九軸慣性感測器進行2個類別辨識1675.4.4 使用雙腳足壓和六軸慣性感測器進行2個類別辨識1705.4.5 使用雙腳足壓和九軸慣性感測器進行2個類別辨識1745.5使用右腳資料進行跌倒與日常活

動2個類別辨識結果1785.5.1 使用雙腳足壓進行2個類別辨識1785.5.2 使用雙腳六軸慣性感測器進行2個類別辨識1825.5.3 使用雙腳九軸慣性感測器進行2個類別辨識1865.5.4 使用雙腳足壓和六軸慣性感測器進行2個類別辨識1895.5.5 使用雙腳足壓和九軸慣性感測器進行2個類別辨識1935.6使用雙腳資料進行跌倒與日常活動8個類別辨識結果….1975.6.1 使用雙腳足壓進行8個類別辨識1975.6.2 使用雙腳六軸慣性感測器進行8個類別辨識2015.6.3 使用雙腳九軸慣性感測器進行8個類別辨識2065.6.4 使用雙腳足壓和六軸慣性感測器進行8個類別辨識2105.6.5

使用雙腳足壓和九軸慣性感測器進行8個類別辨識2155.7使用左腳資料進行跌倒與日常活動8個類別辨識結果2195.7.1 使用左腳足壓進行8個類別辨識2195.7.2 使用左腳六軸慣性感測器進行8個類別辨識2245.7.3 使用左腳九軸慣性感測器進行8個類別辨識2285.7.4 使用左腳足壓和六軸慣性感測器進行8個類別辨識2335.7.5 使用左腳足壓和九軸慣性感測器進行8個類別辨識2375.8使用右腳資料進行跌倒與日常活動8個類別辨識結果2415.8.1 使用右腳足壓進行8個類別辨識2425.8.2 使用右腳六軸慣性感測器進行8個類別辨識2465.8.3 使用右腳九軸慣性感測器進行8個類別辨識

2515.8.4 使用右腳足壓和六軸慣性感測器進行8個類別辨識2555.8.5 使用右腳足壓和九軸慣性感測器進行8個類別辨識259第六章 結論與討論2646.1分析雙腳使用5種不同輸入參數分2類結果2656.2分析左腳使用5種不同輸入參數分2類結果2676.3分析右腳使用5種不同輸入參數分2類結果2696.3分析雙腳使用5種不同輸入參數分8類結果2716.4分析左腳使用5種不同輸入參數分8類結果2776.5分析右腳使用5種不同輸入參數分8類結果2836.6結論2896.7討論291參考文獻293[圖目錄]圖2-1-1 一般跌倒發生時的加速度計總和變化7圖2-1-2 跌倒後躺著的休息狀態(身體傾

斜角度大於60°)8圖2-3-1 典型跌倒的加速度計總和變化14圖2-4-1 雙腳力敏電阻(FSR)擺設的位置17圖2-4-2 8種日常活動雙腳足底中心壓力(COP)變化軌跡18圖2-4-3 4種跌倒的加速度總和的變化19圖2-4-4 決策樹演算法流程圖21圖2-4-5 利用ROC曲線進行比較決策樹演算法提出的方法22圖3-1-1 實際收集資料使用的足壓鞋29圖3-1-2 足壓鞋上搭載的藍芽模組JDY-18 29圖3-1-3 實驗室開發的11點壓力鞋墊30圖3-1-4 Kinect V2構造圖32圖3-1-5 Kinect V2 Time of Flight技術示意圖33圖3-1-6 Kine

ct V2獲取的彩色影像33圖3-1-7 Kinect V2獲取的深度影像34圖3-2-1 系統介面圖35圖3-2-2 Qt Designer設計介面範例37圖3-2-3 BLE協議架構圖38圖3-2-4 GATT協議架構圖39圖3-2-5 系統介面流程圖41圖3-2-6 根據系統執行時間建立專屬資料夾示意圖42圖3-2-7 點擊顯示即時影像按鈕(示意圖)42圖3-2-8 KinectV2即時影像已開啟訊息通知43圖3-2-9 顯示KinectV2即時影像43圖3-2-10 KinectV2即時影像已關閉訊息通知43圖3-2-11 關閉KinectV2即時影像44圖3-2-12 儲存Kinec

tV2彩色和深度影像45圖3-2-13 彩色影像儲存於指定資料夾示意圖45圖3-2-14 深度影像儲存於指定資料夾示意圖45圖3-2-15 儲存KinectV2彩色和深度影像46圖3-2-16 警示通知-未處於存取影像的狀態46圖3-2-17 匯出彩色和深度影片中47圖3-2-18 彩色和深度影片匯出完畢-1 48圖3-2-19 彩色和深度影片匯出完畢-2 48圖3-2-20 與藍牙BLE裝置開始進行連線49圖3-2-21 與藍牙BLE裝置開始進行連線49圖3-2-22 當前正在儲存足壓鞋資料的訊息通知50圖3-2-23 停止接收後儲存接收到的資料50圖3-2-24 足壓鞋資料儲存完畢的訊息通

知51圖3-2-25 資料儲存完畢後顯示本次收到的資料數51圖3-2-26 足壓鞋資料儲存於指定資料夾示意圖51圖3-2-27 警示通知-未處於接收BLE裝置的狀態52圖3-2-28 同步執行儲存影像和與BLE裝置連線並接收封包52圖3-2-29 停止同步儲存影像和與BLE裝置連線並接收封包53圖4-1-1 各項實驗項目資料選取方式示意圖57圖4-1-2 資料隨機移動方式示意圖58圖4-2-1 模擬跌倒實驗場地(KinectV2視角)60圖4-2-2 -靜態日常活動場地(KinectV2視角)61圖4-2-3 上下樓梯活動實驗場地(工學大樓7樓)61圖4-2-4 慢跑和行走活動實驗場地工學大樓

7樓)63圖4-3-1 壓力鞋墊-壓力感測器位置圖63圖4-3-2 行走時向前跌倒的動作說明圖68圖4-3-3 行走時向前跌倒九軸慣性感測器變化圖(左腳)68圖4-3-4 行走時向前跌倒九軸慣性感測器變化圖(右腳)69圖4-3-5 三次行走時向前跌倒足壓變化圖69圖4-3-6 行走時向左跌倒的動作說明圖70圖4-3-7 行走時向左跌倒九軸慣性感測器變化圖(左腳)70圖4-3-8 行走時向左跌倒九軸慣性感測器變化圖(右腳)71圖4-3-9 三次行走時向左跌倒的左右腳足壓變化圖71圖4-3-10 行走時向右跌倒的動作說明圖72圖4-3-11 行走時向右跌倒九軸慣性感測器變化圖(左腳)72圖4-3-

12 行走時向右跌倒九軸慣性感測器變化圖(右腳)72圖4-3-13 三次行走時向右跌倒的左右腳足壓變化圖73圖4-3-14 站著時向前跌倒的動作說明圖74圖4-3-15 站著時向前跌倒九軸慣性感測器變化圖(左腳)74圖4-3-16 站著時向前跌倒九軸慣性感測器變化圖(右腳)75圖4-3-17 三次站著時向前跌倒的左右腳足壓變化圖75圖4-3-18 站著時向左跌倒的動作說明圖76圖4-3-19 站著時向左跌倒九軸慣性感測器變化圖(左腳)76圖4-3-20 站著時向左跌倒九軸慣性感測器變化圖(右腳)77圖4-3-21 三次站著時向左跌倒的左右腳足壓變化圖77圖4-3-22 站著時時向右跌倒的動作說

明圖78圖4-3-23 站著時向右跌倒九軸慣性感測器變化圖(左腳)78圖4-3-24 站著時向右跌倒九軸慣性感測器變化圖(右腳)79圖4-3-25 三次站著時時向右跌倒的左右腳足壓變化圖79圖4-3-26 坐下時向後跌的動作說明圖80圖4-3-27 坐下時向後跌九軸慣性感測器變化圖(左腳)80圖4-3-28 坐下時向後跌九軸慣性感測器變化圖(右腳)81圖4-3-29 三次坐下時向後跌的左右腳足壓變化圖81圖4-3-30 站起時向前跌倒的動作說明圖82圖4-3-31 站起時向前跌九軸慣性感測器變化圖(左腳)82圖4-3-32 站起時向前九軸慣性感測器變化圖(右腳)83圖4-3-33 三次站起時向

前跌倒的左右腳足壓變化圖83圖4-3-34 站起時向左跌倒的動作說明圖48圖4-3-35 站起時向左跌九軸慣性感測器變化圖(左腳)84圖4-3-36 站起時向左九軸慣性感測器變化圖(右腳)85圖4-3-37 三次站起時向左跌倒的左右腳足壓變化圖85圖4-3-38 站起時向右跌倒的動作說明圖86圖4-3-39 站起時向右跌九軸慣性感測器變化圖(左腳)86圖4-3-40 站起時向右九軸慣性感測器變化圖(右腳)87圖4-3-41 三次站起時向右跌倒的左右腳足壓變化圖87圖4-3-42 坐直動作說明圖91圖4-3-43 坐直九軸慣性感測器變化圖(左腳)91圖4-3-44 坐直九軸慣性感測器變化圖(右腳

)92圖4-3-45 三次坐直的左右腳足壓變化圖92圖4-3-46 坐著腳伸直動作說明圖93圖4-3-47 坐著腳伸直九軸慣性感測器變化圖(左腳)93圖4-3-48 坐著腳伸直九軸慣性感測器變化圖(右腳49圖4-3-49 三次坐著腳伸直的左右腳足壓變化圖94圖4-3-50 站直動作說明圖95圖4-3-51 站直九軸慣性感測器變化圖(左腳)95圖4-3-52 站直九軸慣性感測器變化圖(右腳)96圖4-3-53 三次站直的左右腳足壓變化圖96圖4-3-54 站著舉起雙手動作說明圖87圖4-3-55 站著舉起雙手九軸慣性感測器變化圖(左腳)97圖4-3-56 站著舉起雙手九軸慣性感測器變化圖(右腳)

98圖4-3-57 三次站著舉起雙手的左右腳足壓變化圖98圖4-3-58 站著向上墊腳動作說明圖99圖4-3-59 站著向上墊腳九軸慣性感測器變化圖(左腳)99圖4-3-60 站著向上墊腳九軸慣性感測器變化圖(右腳)100圖4-3-61 三次站著向上墊腳的左右腳足壓變化圖100圖4-3-62 站著前後擺動動作說明圖101圖4-3-63 站著前後擺動九軸慣性感測器變化圖(左腳)101圖4-3-64 站著前後擺動九軸慣性感測器變化圖(右腳)102圖4-3-65 三次站著前後擺動的左右腳足壓變化圖102圖4-3-66 站著左右擺動動作說明圖103圖4-3-67 站著左右擺動九軸慣性感測器變化圖(左腳

)103圖4-3-68 站著左右擺動九軸慣性感測器變化圖(右腳)104圖4-3-69 三次站著左右擺動的左右腳足壓變化圖104圖4-3-70 原地跳一次動作說明圖105圖4-3-71 原地跳一次九軸慣性感測器變化圖(左腳)105圖4-3-72 原地跳一次九軸慣性感測器變化圖(右腳)106圖4-3-73 三次原地跳一次的左右腳足壓變化圖106圖4-3-74 原地連續跳動作說明圖107圖4-3-75 原地連續跳九軸慣性感測器變化圖(左腳)107圖4-3-76 原地連續跳九軸慣性感測器變化圖(右腳)108圖4-3-77 三次原地連續跳的左右腳足壓變化圖108圖4-3-78 上樓梯動作說明圖111圖4

-3-79 上樓梯九軸慣性感測器變化圖(左腳)111圖4-3-80 上樓梯九軸慣性感測器變化圖(右腳)112圖4-3-81 三次上樓梯的左右腳足壓變化圖112圖4-3-82 下樓梯動作說明圖113圖4-3-83 下樓梯九軸慣性感測器變化圖(左腳)113圖4-3-84 下樓梯九軸慣性感測器變化圖(右腳)114圖4-3-85 三次下樓梯的左右腳足壓變化圖114圖4-3-86 向前慢跑動作說明示意圖115圖4-3-87 向前慢跑九軸慣性感測器變化圖(左腳)115圖4-3-88 向前慢跑九軸慣性感測器變化圖(右腳)116圖4-3-89 三次向前慢跑的左右腳足壓變化圖116圖4-3-90 原地慢跑動作說

明示意圖……117圖4-3-91 原地慢跑九軸慣性感測器變化圖(左腳)117圖4-3-92 原地慢跑九軸慣性感測器變化圖(右腳)118圖4-3-93 三次原地慢跑的左右腳足壓變化圖118圖4-3-94 倒退著走動作說明示意圖119圖4-3-95 倒退著走九軸慣性感測器變化圖(左腳)119圖4-3-96 倒退著走九軸慣性感測器變化圖(右腳)120圖4-3-97 三次倒退著走的左右腳足壓變化圖120圖4-3-98 原地踏步動作說明示意圖121圖4-3-99 原地踏步九軸慣性感測器變化圖(左腳)121圖4-3-100 原地踏步九軸慣性感測器變化圖(右腳)122圖4-3-101 三次原地踏步的左右腳足

壓變化圖122圖4-3-102 向前快走/向前正常速度走動作說明示意圖123圖4-3-103 向前快走九軸慣性感測器變化圖(左腳)123圖4-3-104 向前快走九軸慣性感測器變化圖(右腳)124圖4-3-105 三次向前快走的左右腳足壓變化圖124圖4-3-106 向前正常速度走九軸慣性感測器變化圖(左腳)125圖4-3-107 向前正常速度走九軸慣性感測器變化圖(右腳)125圖4-3-108 三次向前正常速度走的左右腳足壓變化圖126圖4-4-1 實驗流程圖 127圖4-5-1 左腳COP軌跡示意圖130圖4-6-1 跌倒與日常活動辨識模型訓練流程圖131圖4-6-2 跌倒與日常活動辨識模

型架構圖132圖4-7-1 資料預處理流程圖136[表目錄]表2-1-2利用靈敏度和特異性來判斷跌倒與非跌倒的判斷能力9表2-2-1提出兩種演算法與兩種找尋最佳預設閾值測試結果11表2-3-1使用1個加速度計放置於腰部進行姿勢識別的混淆矩陣13表2-3-2使用多個加速度計及放置不同位置姿勢識別的混淆矩陣14表2-3-3使用加速度計進行跌倒與非跌倒辨識的混淆矩陣16表2-4-1比較7種方法的靈敏度、特異性、準確度24表2-4-2 7個方法對於各活動的辨識失敗數26表3-1-1 Kinect V1和Kinect V2比較30表4-1-1每項活動提取資料數和隨機移動的次數59表4-3-1 左右腳壓力

感測器位置與名稱代號說明表64表5-1-1二元混淆矩陣138表5-3-1全部受試者使用雙腳足壓最佳的分2類結果141表5-3-2全部受試者使用雙腳足壓最差的分2類結果141表5-3-3全部受試者雙腳足壓資料整體辨識分2類結果142表5-3-4全部受試者使用雙腳六軸慣性感測器最佳的分2類結果145表5-3-5全部受試者使用雙腳六軸慣性感測器最差的分2類結果145表5-3-6全部受試者雙腳六軸慣行感測器資料整體辨識分2類結果146表5-3-7全部受試者使用雙腳九軸慣性感測器最佳的分2類結果148表5-3-8全部受試者使用雙腳九軸慣性感測器最差的分2類結果149表5-3-9全部受試者雙腳九軸慣性感測

器資料整體辨識分2類結果149表5-3-10全部受試者使用雙腳足壓與六軸慣性感測器最佳的分2類結果152表5-3-11全部受試者使用雙腳足壓與六軸慣性感測器最差的分2類結果152表5-3-12全部受試者雙腳足壓和六軸慣性感測器資料整體辨識分2類結果153表5-3-13全部受試者使用雙腳足壓與九軸慣性感測器最佳的分2類結果156表5-3-14全部受試者使用雙腳足壓與九軸慣性感測器最差的分2類結果56表5-3-15全部受試者雙腳足壓與九軸慣性感測器資料整體辨識分2類結果157表5-4-1全部受試者使用左腳足壓最佳的分2類結果160表5-4-2全部受試者使用左腳足壓最差的分2類結果160表5-4-3

全部受試者左腳足壓資料整體辨識分2類結果161表5-4-4全部受試者使用左腳六軸慣性感測器最佳的分2類結果164表5-4-5全部受試者使用左腳六軸慣性感測器最差的分2類結果164表5-4-6全部受試者左腳足壓與六軸慣性感測器資料整體辨識分2類結果165表5-4-7全部受試者使用左腳九軸慣性感測器最佳的分2類結果167表5-4-8全部受試者使用左腳九軸慣性感測器最差的分2類結果168表5-4-9全部受試者左腳九軸慣性感測器資料整體辨識分2類結果168表5-4-10全部受試者使用左腳足壓和六軸慣性感測器最佳的分2類結果171表5-4-11全部受試者使用左腳足壓和六軸慣性感測器最差的分2類結果171

表5-4-12全部受試者左腳足壓和六軸慣性感測器資料整體辨識分2類結果172表5-4-13全部受試者使用左腳足壓和九軸慣性感測器最佳的分2結果175表5-4-14全部受試者使用左腳足壓和九軸慣性感測器最差的分2類結果175表5-4-15全部受試者左腳足壓和九軸慣性感測器資料整體辨識分2類結果176表5-5-1全部受試者使用右腳足壓最佳的分2類結果179表5-5-2全部受試者使用右腳足壓最差的分2類結果179表5-5-3全部受試者右腳足壓資料整體辨識分2類結果180表5-5-4全部受試者使用右腳六軸慣性感測器最佳的分2類結果183表5-5-5全部受試者使用右腳六軸慣性感測器最差的分2類結果183

表5-5-6全部受試者右腳六慣性軸感測器資料整體辨識分2類結果184表5-5-7全部受試者使用右腳九軸慣性感測器最佳的分2類結果186表5-5-8全部受試者使用右腳九軸慣性感測器最差的分2類結果187表5-5-9全部受試者右腳九慣性軸感測器資料整體辨識分2類結果187表-5-10全部受試者使用右腳足壓和六軸慣性感測器最佳的分2類結果190表5-5-11全部受試者使用右腳足壓和六軸慣性感測器最差的分2類結果190表5-5-12全部受試者右腳足壓和六軸感測器資料整體辨識分2類結果191表5-5-13全部受試者使用右腳足壓和九軸慣性感測器最佳的分2類結果194表5-5-14全部受試者使用右腳足壓和九

軸慣性感測器最差的分2類結果194表5-5-15全部受試者右腳足壓和九軸感測器資料整體辨識分2類結果195表5-6-1全部受試者使用雙腳足壓最佳的分8類結果198表5-6-2全部受試者使用雙腳足壓最差的分8類結果198表5-6-3全部受試者雙腳足壓資料整體辨識分8類結果199表5-6-4全部受試者使用雙腳六軸慣性感測器最佳的分8類結果202表5-6-5全部受試者使用雙腳六軸慣性感測器最差的分8類結果203表5-6-6全部受試者雙腳六軸慣性感測器資料整體辨識分8類結果203表5-6-7全部受試者使用雙腳九軸慣性感測器最佳的分8類結果206表5-6-8全部受試者使用雙腳九軸慣性感測器最差的分8類結

果207表5-6-9全部受試者雙腳九軸慣性感測器資料整體辨識分8類結果208表5-6-10全部受試者使用雙腳足壓和六軸慣性感測器最佳的分8類結果211表5-6-11全部受試者使用雙腳足壓和六軸慣性感測器最差的分8類結果212表5-6-12全部受試者雙腳足壓和六軸慣性感測器資料整體辨識分8類結果212表5-6-13全部受試者使用雙腳足壓和六軸慣性感測器最佳的分8類結果215表5-6-14全部受試者使用雙腳足壓和六軸慣性感測器最差的216表5-6-15全部受試者雙腳足壓和九軸慣性感測器資料整體辨識分8類結果217表5-7-1全部受試者使用左腳足壓最佳的分8類結果220表5-7-2全部受試者使用左腳

足壓最差的分8類結果221表5-7-3全部受試者左腳足壓資料整體辨識分8類結果221表5-7-4全部受試者使用左腳六軸慣性感測器最佳的分8類結果224表5-7-5全部受試者使用左腳六軸慣性感測器最差的分8類結果225表5-7-6全部受試者左腳六軸慣性感測器資料整體辨識分8類結果226表5-7-7全部受試者使用左腳九軸慣性感測器最佳的分8類結果229表5-7-8全部受試者使用左腳九軸慣性感測器最差的分8類結果230表5-7-9全部受試者左腳九軸慣性感測器資料整體辨識分8類結果230表5-7-10全部受試者使用左腳足壓和六軸慣性感測器最佳的分8類結果233表5-7-11全部受試者使用左腳足壓和六軸

慣性感測器最差的分8類結果234表5-7-12全部受試者左腳足壓和六軸慣性感測器資料整體辨識分8類結果235表5-7-13全部受試者使用左腳足壓和九軸慣性感測器最佳的分8類結果238表5-7-14全部受試者使用左腳足壓和九軸慣性感測器最差的分8類結果239表5-7-15全部受試者左腳足壓和九軸慣性感測器資料整體辨識分8類結果239表5-8-1全部受試者使用右腳足壓最佳的分8類結果242表5-8-2全部受試者使用右腳足壓最差的分8類結果243表5-8-3全部受試者左腳足壓資料整體辨識分8類結果244表5-8-4全部受試者使用雙腳六軸慣性感測器最佳的分8類結果.247表5-8-5全部受試者使用雙腳

六軸慣性感測器最差的分8類結果.248表5-8-6全部受試者右腳六軸慣性感測器資料整體辨識分8類結果………..248表5-8-7全部受試者使用右腳九軸慣性感測器最佳的分8類結果.251表5-8-8全部受試者使用右腳九軸慣性感測器最差的分8類結果.252表5-6-9全部受試者雙腳九軸慣性感測器資料整體辨識分8類結果253表5-8-10全部受試者使用右腳足壓和六軸慣性感測器最佳的分8類結果256表5-8-11全部受試者使用右腳足壓和六軸慣性感測器最差的分8類結果257表5-8-12全部受試者右腳足壓和六軸慣性感測器資料整體辨識分8類結果257表5-8-13全部受試者使用右腳足壓和九軸慣性感測器最佳

的分8類結果260表5-8-14全部受試者使用右腳足壓和九軸慣性感測器最差的分8類結果261表5-8-15全部受試者右腳足壓和九軸慣性感測器資料整體辨識分8類結果261表6-1-1雙腳使用5種不同輸入參數跌倒與日常活動辨識結果265表6-1-2雙腳使用5種不同輸入參數分2類結果266表6-2-1左腳使用5種不同輸入參數跌倒與日常活動辨識結果267表6-2-2左腳使用5種不同輸入參數分2類結果268表6-3-1右腳使用5種不同輸入參數跌倒與日常活動辨識結果269表6-3-2右腳使用5種不同輸入參數分2類結果270表6-4-1雙腳使用足壓輸入參數跌倒與7項日常活動辨識結果271表6-4-2雙腳使用

六軸輸入參數跌倒與7項日常活動辨識結果72表6-4-3雙腳使用九軸輸入參數跌倒與7項日常活動辨識結果273表6-4-4雙腳使用足壓和六軸輸入參數跌倒與7項日常活動辨識結果274表6-4-5雙腳使用足壓和九軸輸入參數跌倒與7項日常活動辨識結果275表6-4-6雙腳使用5種不同輸入參數分8類結果276表6-5-1左腳使用足壓輸入參數跌倒與7項日常活動辨識結果77表6-5-2左腳使用六軸輸入參數跌倒與7項日常活動辨識結果278表6-5-3左腳使用九軸輸入參數跌倒與7項日常活動辨識結果279表6-5-4左腳使用足壓和六軸輸入參數跌倒與7項日常活動辨識結果280表6-5-5左腳使用足壓和九軸輸入參數跌倒

與7項日常活動辨識結果281表6-5-6左腳使用5種不同輸入參數分8類結果282表6-6-1右腳使用足壓輸入參數跌倒與7項日常活動辨識結果283表6-6-2右腳使用六軸輸入參數跌倒與7項日常活動辨識結果284表6-6-3右腳使用九軸輸入參數跌倒與7項日常活動辨識結果285表6-6-4右腳使用足壓和六軸輸入參數跌倒與7項日常活動辨識結果286表6-6-5右腳使用足壓和九軸輸入參數跌倒與7項日常活動辨識結果287表6-6-6右腳使用5種不同輸入參數分8類結果288