基于隨機森林的跌倒檢測算法研究

彭康平 馬燕

摘要：針對老年人跌倒檢測算法中存在漏檢、誤檢等問題，研究并實現了基于隨機森林的跌倒檢測算法。首先利用高斯濾波對采集的數據進行降噪處理，并引入滑動時間窗思想提取數據的特征值，接著，選用豎直方向加速度及三維合成加速度的相關統計值作為特征值，并結合隨機森林方法進行分類。實驗結果表明，本文提出的算法準確率達到99%，性能優于其它已有算法。

關鍵詞：跌倒檢測;隨機森林;滑動時間窗;高斯濾波

中圖分類號：TP319 文獻標識碼：A 文章編號：1007-9416（2019）11-0113-02

0 引言

據統計，隨著中國社會的日趨老齡化，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，能準確檢測老年人是否跌倒是救助工作中最為重要的一個環節。目前國內外的跌倒檢測算法可以分為二類[1]，基于環境的[2]和基于可穿戴設備的[3]。目前，使用最為廣泛方法的是利用智能手機中的各種傳感器，包括陀螺儀，加速度計，以及GPS等[4]實時檢測人體運動數據，并利用跌倒檢測算法進行判斷。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森林的跌倒檢測算法。

1 跌倒檢測算法

1.1 數據預處理

在數據采集過程中，由于智能手機的位置及方向等不固定，從而使傳感器的受力方向不確定，進一步影響采集數據的穩定性。為消除此不利影響，本文按式（1）將x，y和z三個軸方向上的分加速度進行合成[5]。

其中，，和分別表示x，y和z軸三個方向上的加速度。

另外，為降低噪聲干擾，本文利用高斯濾波按式（2）對數據點Xi進行去噪處理。

其中，，a，b和c的分布滿足高斯分布[6]。

1.2 特征提取

傳感器的數據易受人體的不同動作影響，僅憑某一點的數據不能較準確地反映動作的特點。為提高檢測的準確性，本文使用滑動時間窗來掃描每一行數據，并提取該區間上的相關統計值[7]。在跌倒檢測中，一般采用最大值、最小值、均值、方差、中位數等統計值。本文使用Weka[8]選取其內置的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簽值作為特征向量輸入到分類器中。

1.3 標簽值的確定

在對初始數據進行手動標記時，首先選取合適的滑動窗口長度。假設某次跌倒的跌倒標簽標記長度為a，如圖1所示，a即為黑色窗口A的長度，B為滑動窗口。只有當滑動窗口范圍數據項的標簽中，被標記為跌倒的數據數目大于a/2時，才認為此時滑動窗口B窗中的數據反映出跌倒的特征，則將滑動窗口B的標簽值標記為跌倒。

1.4 隨機森林算法

本文采用隨機森林算法[9]來對特征向量進行分類，具體步驟為：對傳進分類器的特征值樣本在所有樣本集中進行隨機采樣，并且每次采樣的樣本數目小于等于總的樣本數。針對每次抽樣得到的子樣本集合，從所有屬性中隨機選擇k個屬性，選擇最佳分割屬性構建SVM分類器。

2 實驗結果

本文對特征向量分別采用KNN、決策樹以及隨機森林進行訓練與測試，得到表1所示結果。

從表1結果可以看出，隨機森林法在精確率及準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。綜合這三個指標的結果，可以得出結論，本文提出的基于隨機森林的跌倒檢測算法在這三種方法中表現較優。

參考文獻

[1] Noury， N.，Fleury，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系統設計與實現[J].計算機應用，2012，32（5）：1450-1452+1456.

[4] 陳凱祺，李枘，陳亮羽，等.關于中老年人對智能手機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.基于單個加速度傳感器的人體運動模式識別[D].華南理工大學，2011.

[6] 王海菊，譚常玉，王坤林，等.自適應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.機器學習實戰[M].北京：人民郵電出版社，2018.