基于随机森林的跌倒检测算法研究

彭康平 马燕

摘要：针对老年人跌倒检测算法中存在漏检、误检等问题，研究并实现了基于随机森林的跌倒检测算法。首先利用高斯滤波对采集的数据进行降噪处理，并引入滑动时间窗思想提取数据的特征值，接着，选用竖直方向加速度及三维合成加速度的相关统计值作为特征值，并结合随机森林方法进行分类。实验结果表明，本文提出的算法准确率达到99%，性能优于其它已有算法。

关键词：跌倒检测;随机森林;滑动时间窗;高斯滤波

中图分类号：TP319 文献标识码：A 文章编号：1007-9416（2019）11-0113-02

0 引言

据统计，随着中国社会的日趋老龄化，跌倒已成为我国65岁以上老年人因伤致死的首位原因，因此，能准确检测老年人是否跌倒是救助工作中最为重要的一个环节。目前国内外的跌倒检测算法可以分为二类[1]，基于环境的[2]和基于可穿戴设备的[3]。目前，使用最为广泛方法的是利用智能手机中的各种传感器，包括陀螺仪，加速度计，以及GPS等[4]实时检测人体运动数据，并利用跌倒检测算法进行判断。由于已有方法存在漏检和误检等问题，本文提出了基于随机森林的跌倒检测算法。

1 跌倒检测算法

1.1 数据预处理

在数据采集过程中，由于智能手机的位置及方向等不固定，从而使传感器的受力方向不确定，进一步影响采集数据的稳定性。为消除此不利影响，本文按式（1）将x，y和z三个轴方向上的分加速度进行合成[5]。

其中，，和分别表示x，y和z軸三个方向上的加速度。

另外，为降低噪声干扰，本文利用高斯滤波按式（2）对数据点Xi进行去噪处理。

其中，，a，b和c的分布满足高斯分布[6]。

1.2 特征提取

传感器的数据易受人体的不同动作影响，仅凭某一点的数据不能较准确地反映动作的特点。为提高检测的准确性，本文使用滑动时间窗来扫描每一行数据，并提取该区间上的相关统计值[7]。在跌倒检测中，一般采用最大值、最小值、均值、方差、中位数等统计值。本文使用Weka[8]选取其内置的KNN、J48、Nave Bayes、Random forest来确定最有效的特征值，最终选取竖直方向加速度、三维合成加速度smo、smo的最大值、竖直方向加速度变化量的最大值以及标签值作为特征向量输入到分类器中。

1.3 标签值的确定

在对初始数据进行手动标记时，首先选取合适的滑动窗口长度。假设某次跌倒的跌倒标签标记长度为a，如图1所示，a即为黑色窗口A的长度，B为滑动窗口。只有当滑动窗口范围数据项的标签中，被标记为跌倒的数据数目大于a/2时，才认为此时滑动窗口B窗中的数据反映出跌倒的特征，则将滑动窗口B的标签值标记为跌倒。

1.4 随机森林算法

本文采用随机森林算法[9]来对特征向量进行分类，具体步骤为：对传进分类器的特征值样本在所有样本集中进行随机采样，并且每次采样的样本数目小于等于总的样本数。针对每次抽样得到的子样本集合，从所有属性中随机选择k个属性，选择最佳分割属性构建SVM分类器。

2 实验结果

本文对特征向量分别采用KNN、决策树以及随机森林进行训练与测试，得到表1所示结果。

从表1结果可以看出，随机森林法在精确率及准确率等方面均高于或与KNN和决策树持平，在灵敏度方面高于决策树方法。综合这三个指标的结果，可以得出结论，本文提出的基于随机森林的跌倒检测算法在这三种方法中表现较优。

参考文献

[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] 王荣，章韵，陈建新.基于三轴加速度传感器的人体跌倒检测系统设计与实现[J].计算机应用，2012，32（5）：1450-1452+1456.

[4] 陈凯祺，李枘，陈亮羽，等.关于中老年人对智能手机的意见反馈与老人助手APP的推广[J].科技资讯，2018，16（4）：8+10.

[5] 薛洋.基于单个加速度传感器的人体运动模式识别[D].华南理工大学，2011.

[6] 王海菊，谭常玉，王坤林，等.自适应高斯滤波图像去噪算法[J].福建电脑，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.机器学习实战[M].北京：人民邮电出版社，2018.