基于随机森林的跌倒检测算法.docVIP

基于随机森林的跌倒检测算法 　　摘要：针对现有跌倒检测算法由于缺乏真实老人跌倒样本以及使用年轻人仿真跌倒样本规模较小导致的过拟合和适应性不足等问题，提出了基于随机森林的跌倒检测算法。该算法采用滑动窗口机制，对窗口内的加速度数据进行时间域和变换域处理，提取时间域和变换域特征参数后，在所有样本集中进行有放回的Bootstrap随机抽样和属性随机选择，构建多个基于最佳属性分割的支持向量机（SVM）基本分类器。在线跌倒检测阶段，对多个SVM基本分类器的分类结果采用少数服从多数的原则，给出最终判定结果。实验表明，随机森林跌倒检测算法可获得95.2%的准确率、90.6%的敏感度和93.5%的特异性，明显优于基于SVM和反向传播（BP）神经网络跌倒检测算法，反映出随机森林跌倒检测算法能更准确地检测跌倒行为，具有较强的泛化能力和鲁棒性。 　　关键词：跌倒检测；随机森林；支持向量机；反向传播神经网络；属性 　　中图分类号： TP274 　　0引言 　　随着人口老龄化的不断加剧以及空巢老人数量的不断上升，老年人跌倒造成的人身伤害问题日益突出。据统计，跌倒目前已成为我国伤害死亡的第四大原因，65岁以上老年人伤害死亡的首位原因，而且伴随老人年龄的增加跌倒死亡率进一步升高。跌倒除了直接导致老年人死亡之外，还产生大量残疾，降低了老年人的活动能力和活动范围，严重影响老年人的生活质量和身心健康。 　　近年来，为减少意外跌倒对老人造成的进一步伤害，借助于普遍使用的移动智能终端和目前正在兴起的可穿戴设备对跌倒行为进行准确实时检测和报警，成为普适健康技术（healthcare）的一个研究热点。这些研究大都利用加速度或陀螺仪数据的时间序列、统计域或变换域特征，使用曲线相似度比较、或者模式匹配等算法进行跌倒检测，其中基于时间序列曲线方法利用跌倒过程中加速度时间序列数据依次出现的失重、超重及其时间阈值进行跌倒检测，但由于个体和设备差异往往导致难以确定适用范围较广的曲线阈值，影响了跌倒检测的准确性和鲁棒性。基于模式匹配跌倒检测算法采用机器学习技术，挖掘加速度样本数据统计域和变换域的参数特征，在对分类器进行离线训练基础上，使用获得的分类器对跌倒等行为进行分类评定，其性能相对于基于时间序列曲线阈值跌倒检测方法有较大提高。不过，由于真实老人跌倒数据稀缺，加之不能使用老人进行跌倒数据采集，现有跌倒算法研究到目前还未形成大家一致公认的测试数据集（Benchmark），大多数研究工作都是使用年轻人仿真采集实验数据集进行测试，由于数据规模较小、代表性不强，往往导致分类器过拟合，跌倒检测精度和鲁棒性并不高。 　　为获得准确、鲁棒的跌倒检测结果，本文提出了一种基于随机森林的跌倒检测算法。该算法使用随机森林分类器对跌倒等动作进行分类识别，由于它采用Bootstrap方法[1]结合随机样本和样本属性选择方法训练多个分类器，因此能较好地适应特征值的个体差异，具有对离散点相对不敏感、能避免过拟合、无需特征选择且能自动评估特征重要性等优点，适合于跌倒样本数据多样性和规模相对不足的特点，实验结果验证了随机森林跌倒检测算法的有效性和鲁棒性。 　　1相关研究 　　现有跌倒检测技术研究工作分为以下4个主要类型： 　　1）空间角度法[2]。该方法利用跌倒发生时，目标由站立或平坐姿态向躺倒姿态转变过程中身体发生的角度变化进行跌倒检测。伴随目标跌倒过程中的姿态转变，加速度和陀螺仪数据发生显著变化，通过对跌倒状态建模并提取目标加速度特征，可计算得到目标身体的角度变化，进而对目标身体姿态进行分析和跌倒行为检测。该类方法一般要求在人体关键部位佩戴传感器，使用不便。 　　2）阈值法[3]。该方法利用加速度传感器采集的时间序列曲线进行跌倒检测。把一次跌倒行为分割成包含失重、超重等相继出现的多个时段，通过检测每个时段的数据是否达到预定阈值进行跌倒检测，其准确性跟阈值设定密切相关。由于传感器异构、目标差异，以及跌倒行为的差异，跌倒产生的时间序列曲线存在较大差异，难以确定统一的阈值，导致阈值法性能波动较大，缺乏鲁棒性。 　　3）基于视觉图像分析跌倒检测法[4]。通过在用户活动区域部署一个或多个视频摄像头采集人体运动图像，基于离线抽取的跌倒动作图像特征，对实时采集的视频图像进行分析，判定当前用户是否跌倒，具有准确度高、无需佩戴检测设备等优点，不过系统较为复杂，不仅计算量和成本较高，而且易暴露个人隐私。 　　4）模式识别法（即分类算法）[5-8]。该类算法使用提前采集的已标定跌倒及非跌倒加速度、陀螺仪数据，采用模式识别算法挖掘出能区分跌倒和非跌倒行为特征参数，用于实时的跌倒和非跌倒行为匹配。目前常用的分类算法主要有决策树（Decision Tree， DT）分类算法、贝叶斯网络算法（Bayes Ne