基于隨機(jī)森林的跌倒檢測(cè)算法研究

彭康平 馬燕

摘要：針對(duì)老年人跌倒檢測(cè)算法中存在漏檢、誤檢等問題，研究并實(shí)現(xiàn)了基于隨機(jī)森林的跌倒檢測(cè)算法。首先利用高斯濾波對(duì)采集的數(shù)據(jù)進(jìn)行降噪處理，并引入滑動(dòng)時(shí)間窗思想提取數(shù)據(jù)的特征值，接著，選用豎直方向加速度及三維合成加速度的相關(guān)統(tǒng)計(jì)值作為特征值，并結(jié)合隨機(jī)森林方法進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，本文提出的算法準(zhǔn)確率達(dá)到99%，性能優(yōu)于其它已有算法。

關(guān)鍵詞：跌倒檢測(cè);隨機(jī)森林;滑動(dòng)時(shí)間窗;高斯濾波

中圖分類號(hào)：TP319 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）11-0113-02

0 引言

據(jù)統(tǒng)計(jì)，隨著中國社會(huì)的日趨老齡化，跌倒已成為我國65歲以上老年人因傷致死的首位原因，因此，能準(zhǔn)確檢測(cè)老年人是否跌倒是救助工作中最為重要的一個(gè)環(huán)節(jié)。目前國內(nèi)外的跌倒檢測(cè)算法可以分為二類[1]，基于環(huán)境的[2]和基于可穿戴設(shè)備的[3]。目前，使用最為廣泛方法的是利用智能手機(jī)中的各種傳感器，包括陀螺儀，加速度計(jì)，以及GPS等[4]實(shí)時(shí)檢測(cè)人體運(yùn)動(dòng)數(shù)據(jù)，并利用跌倒檢測(cè)算法進(jìn)行判斷。由于已有方法存在漏檢和誤檢等問題，本文提出了基于隨機(jī)森林的跌倒檢測(cè)算法。

1 跌倒檢測(cè)算法

1.1 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)采集過程中，由于智能手機(jī)的位置及方向等不固定，從而使傳感器的受力方向不確定，進(jìn)一步影響采集數(shù)據(jù)的穩(wěn)定性。為消除此不利影響，本文按式（1）將x，y和z三個(gè)軸方向上的分加速度進(jìn)行合成[5]。

其中，，和分別表示x，y和z軸三個(gè)方向上的加速度。

另外，為降低噪聲干擾，本文利用高斯濾波按式（2）對(duì)數(shù)據(jù)點(diǎn)Xi進(jìn)行去噪處理。

其中，，a，b和c的分布滿足高斯分布[6]。

1.2 特征提取

傳感器的數(shù)據(jù)易受人體的不同動(dòng)作影響，僅憑某一點(diǎn)的數(shù)據(jù)不能較準(zhǔn)確地反映動(dòng)作的特點(diǎn)。為提高檢測(cè)的準(zhǔn)確性，本文使用滑動(dòng)時(shí)間窗來掃描每一行數(shù)據(jù)，并提取該區(qū)間上的相關(guān)統(tǒng)計(jì)值[7]。在跌倒檢測(cè)中，一般采用最大值、最小值、均值、方差、中位數(shù)等統(tǒng)計(jì)值。本文使用Weka[8]選取其內(nèi)置的KNN、J48、Nave Bayes、Random forest來確定最有效的特征值，最終選取豎直方向加速度、三維合成加速度smo、smo的最大值、豎直方向加速度變化量的最大值以及標(biāo)簽值作為特征向量輸入到分類器中。

1.3 標(biāo)簽值的確定

在對(duì)初始數(shù)據(jù)進(jìn)行手動(dòng)標(biāo)記時(shí)，首先選取合適的滑動(dòng)窗口長度。假設(shè)某次跌倒的跌倒標(biāo)簽標(biāo)記長度為a，如圖1所示，a即為黑色窗口A的長度，B為滑動(dòng)窗口。只有當(dāng)滑動(dòng)窗口范圍數(shù)據(jù)項(xiàng)的標(biāo)簽中，被標(biāo)記為跌倒的數(shù)據(jù)數(shù)目大于a/2時(shí)，才認(rèn)為此時(shí)滑動(dòng)窗口B窗中的數(shù)據(jù)反映出跌倒的特征，則將滑動(dòng)窗口B的標(biāo)簽值標(biāo)記為跌倒。

1.4 隨機(jī)森林算法

本文采用隨機(jī)森林算法[9]來對(duì)特征向量進(jìn)行分類，具體步驟為：對(duì)傳進(jìn)分類器的特征值樣本在所有樣本集中進(jìn)行隨機(jī)采樣，并且每次采樣的樣本數(shù)目小于等于總的樣本數(shù)。針對(duì)每次抽樣得到的子樣本集合，從所有屬性中隨機(jī)選擇k個(gè)屬性，選擇最佳分割屬性構(gòu)建SVM分類器。

2 實(shí)驗(yàn)結(jié)果

本文對(duì)特征向量分別采用KNN、決策樹以及隨機(jī)森林進(jìn)行訓(xùn)練與測(cè)試，得到表1所示結(jié)果。

從表1結(jié)果可以看出，隨機(jī)森林法在精確率及準(zhǔn)確率等方面均高于或與KNN和決策樹持平，在靈敏度方面高于決策樹方法。綜合這三個(gè)指標(biāo)的結(jié)果，可以得出結(jié)論，本文提出的基于隨機(jī)森林的跌倒檢測(cè)算法在這三種方法中表現(xiàn)較優(yōu)。

參考文獻(xiàn)

[1] Noury， N.，F(xiàn)leury，A.，Rumeau，P.，Bourke， A.K.，Laighin，G.O.，Rialle，V.，Lundy，J.E..Fall detection-Principles and Methods[C].29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society，2007.

[2] Ngo， Y.T.，Nguyen， H.V.，Pham，T.V..Study on fall detection based on intelligent video analysis[C].International Conference on Advanced Technologies for Communications （ATC），2012.

[3] 王榮，章韻，陳建新.基于三軸加速度傳感器的人體跌倒檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2012，32（5）：1450-1452+1456.

[4] 陳凱祺，李枘，陳亮羽，等.關(guān)于中老年人對(duì)智能手機(jī)的意見反饋與老人助手APP的推廣[J].科技資訊，2018，16（4）：8+10.

[5] 薛洋.基于單個(gè)加速度傳感器的人體運(yùn)動(dòng)模式識(shí)別[D].華南理工大學(xué)，2011.

[6] 王海菊，譚常玉，王坤林，等.自適應(yīng)高斯濾波圖像去噪算法[J].福建電腦，2017，33（11）：5-6.

[7] Buber，E.;Guvensan，A.M.，Discriminative time-domain features for activity recognition on a mobile phone[C].2014 IEEE Ninth International Conference on Intelligent Sensors，Sensor Networks and Information Processing （ISSNIP），2014.

[8] Yadav A R，Anand R S，Dewal M L，et al.Analysis and classification of hardwood species based on Coiflet DWT feature extraction and WEKA workbench[C].2014 International Conference on IEEE Signal Processing and Integrated Networks （SPIN），2014：9-13.

[9] （美）Peter Harrington著.機(jī)器學(xué)習(xí)實(shí)戰(zhàn)[M].北京：人民郵電出版社，2018.