隨著人口老齡化的不斷加劇以及空巢老人數量的不斷上升，老年人跌倒造成的人身傷害問題日益突出。本文主要針對基于隨機森林的跌倒檢測算法進行了一些研究，文章是一篇電子技術應用論文范文，主要論述了基于隨機森林的跌倒檢測算法。

　　摘要：針對現有跌倒檢測算法由于缺乏真實老人跌倒樣本以及使用年輕人仿真跌倒樣本規模較小導致的過擬合和適應性不足等問題，提出了基于隨機森林的跌倒檢測算法。該算法采用滑動窗口機制，對窗口內的加速度數據進行時間域和變換域處理，提取時間域和變換域特征參數后，在所有樣本集中進行有放回的Bootstrap隨機抽樣和屬性隨機選擇，構建多個基于最佳屬性分割的支持向量機(SVM)基本分類器。在線跌倒檢測階段，對多個SVM基本分類器的分類結果采用少數服從多數的原則，給出最終判定結果。實驗表明，隨機森林跌倒檢測算法可獲得95.2%的準確率、90.6%的敏感度和93.5%的特異性，明顯優于基于SVM和反向傳播(BP)神經網絡跌倒檢測算法，反映出隨機森林跌倒檢測算法能更準確地檢測跌倒行為，具有較強的泛化能力和魯棒性。

　　關鍵詞：跌倒檢測,隨機森林,支持向量機,反向傳播神經網絡,屬性

　　0引言

　　據統計，跌倒目前已成為我國傷害死亡的第四大原因，65歲以上老年人傷害死亡的首位原因，而且伴隨老人年齡的增加跌倒死亡率進一步升高。跌倒除了直接導致老年人死亡之外，還產生大量殘疾，降低了老年人的活動能力和活動范圍，嚴重影響老年人的生活質量和身心健康。

　　近年來，為減少意外跌倒對老人造成的進一步傷害，借助于普遍使用的移動智能終端和目前正在興起的可穿戴設備對跌倒行為進行準確實時檢測和報警，成為普適健康技術(healthcare)的一個研究熱點。這些研究大都利用加速度或陀螺儀數據的時間序列、統計域或變換域特征，使用曲線相似度比較、或者模式匹配等算法進行跌倒檢測，其中基于時間序列曲線方法利用跌倒過程中加速度時間序列數據依次出現的失重、超重及其時間閾值進行跌倒檢測，但由于個體和設備差異往往導致難以確定適用范圍較廣的曲線閾值，影響了跌倒檢測的準確性和魯棒性。基于模式匹配跌倒檢測算法采用機器學習技術，挖掘加速度樣本數據統計域和變換域的參數特征，在對分類器進行離線訓練基礎上，使用獲得的分類器對跌倒等行為進行分類評定，其性能相對于基于時間序列曲線閾值跌倒檢測方法有較大提高。不過，由于真實老人跌倒數據稀缺，加之不能使用老人進行跌倒數據采集，現有跌倒算法研究到目前還未形成大家一致公認的測試數據集(Benchmark)，大多數研究工作都是使用年輕人仿真采集實驗數據集進行測試，由于數據規模較小、代表性不強，往往導致分類器過擬合，跌倒檢測精度和魯棒性并不高。

　　為獲得準確、魯棒的跌倒檢測結果，本文提出了一種基于隨機森林的跌倒檢測算法。該算法使用隨機森林分類器對跌倒等動作進行分類識別，由于它采用Bootstrap方法[1]結合隨機樣本和樣本屬性選擇方法訓練多個分類器，因此能較好地適應特征值的個體差異，具有對離散點相對不敏感、能避免過擬合、無需特征選擇且能自動評估特征重要性等優點，適合于跌倒樣本數據多樣性和規模相對不足的特點，實驗結果驗證了隨機森林跌倒檢測算法的有效性和魯棒性。

　　1相關研究

　　現有跌倒檢測技術研究工作分為以下4個主要類型：

　　1)空間角度法[2]。該方法利用跌倒發生時，目標由站立或平坐姿態向躺倒姿態轉變過程中身體發生的角度變化進行跌倒檢測。伴隨目標跌倒過程中的姿態轉變，加速度和陀螺儀數據發生顯著變化，通過對跌倒狀態建模并提取目標加速度特征，可計算得到目標身體的角度變化，進而對目標身體姿態進行分析和跌倒行為檢測。該類方法一般要求在人體關鍵部位佩戴傳感器，使用不便。

　　2)閾值法[3]。該方法利用加速度傳感器采集的時間序列曲線進行跌倒檢測。把一次跌倒行為分割成包含失重、超重等相繼出現的多個時段，通過檢測每個時段的數據是否達到預定閾值進行跌倒檢測，其準確性跟閾值設定密切相關。由于傳感器異構、目標差異，以及跌倒行為的差異，跌倒產生的時間序列曲線存在較大差異，難以確定統一的閾值，導致閾值法性能波動較大，缺乏魯棒性。

　　3)基于視覺圖像分析跌倒檢測法[4]。通過在用戶活動區域部署一個或多個視頻攝像頭采集人體運動圖像，基于離線抽取的跌倒動作圖像特征，對實時采集的視頻圖像進行分析，判定當前用戶是否跌倒，具有準確度高、無需佩戴檢測設備等優點，不過系統較為復雜，不僅計算量和成本較高，而且易暴露個人隱私。

　　4)模式識別法(即分類算法)[5-8]。該類算法使用提前采集的已標定跌倒及非跌倒加速度、陀螺儀數據，采用模式識別算法挖掘出能區分跌倒和非跌倒行為特征參數，用于實時的跌倒和非跌倒行為匹配。目前常用的分類算法主要有決策樹(Decision Tree， DT)分類算法、貝葉斯網絡算法(Bayes Net)[9]、支持向量機(Support Vector Machine， SVM)[10]、極限學習機(Extreme Learning Machine， ELM)[11]等。本文所提的隨機森林跌倒檢測算法是一種具有較強泛化能力的分類器，它采用Bootstrap方法[12]從訓練樣本集中隨機選擇樣本和屬性，構建多個SVM分類器，最后通過投票表決結果，決定數據屬于哪一類。該方法能較好地減少過擬合的發生，有效提高了跌倒檢測算法的實用性和魯棒性。

　　2基于隨機森林的跌倒檢測算法

　　隨機森林算法(Random Forest)是一種基于統計學習理論的組合分類器，它將Bootstrap重抽樣方法和決策樹算法相結合，通過構建一個包含多個基本分類器的樹型分類器集合，使用投票策略進行分類和預測。由于該算法較好地解決了過擬合問題，其分類性能優于單分類器。本文把隨機森林分類器應用于跌倒和非跌倒行為檢測，獲得了較好的分類結果。

　　基于隨機森林的跌倒檢測算法與其他決策樹分類器一樣，也包括離線訓練和在線檢測兩個階段，其整體技術架構如圖1所示。在離線訓練階段，使用移動智能終端(如智能手機)或可穿戴設備(如智能手表、腕帶或智能腰帶等)采集帶人為標記的跌倒和非跌倒(正常走、上下樓、坐、臥等)行為產生的加速度數據，然后對采集到的數據進行時間域和變換域處理，提取時間域統計和變換域(例如頻率域等)的特征參數(屬性)，然后在所有樣本集中進行有放回的隨機抽樣(Bootstrap采樣)，每次抽樣的樣本數目相等且小于總的樣本數目，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一個SVM分類器。多次Bootstrap采樣對應多個SVM分類器。 　　圖片

　　圖1 基于隨機森林跌倒檢測算法技術架構

　　在在線檢測階段，采用滑動窗口處理機制，每當接收到一個新的觀測數據時，計算當前窗口內所有觀測的時間域和變換域屬性值，根據離線階段構建的隨機森林分類器，對不同屬性進行組合，分別輸入每個SVM子分類進行跌倒檢測，然后采用少數服從多數的原則，對多個子分類的分類結果進行投票，選擇得票最多的結果作為隨機森林分類器的最終輸出結果。

　　2.1時域及頻域特征屬性

　　為發揮隨機森林分類算法自動優選屬性的特點，本文引入了加速度數據的時間域統計屬性和頻率域屬性，如表1所示。所有屬性值均為滑動窗口內加速度數據計算獲得。

　　2.2行為定義

　　基于隨機森林的跌倒檢測算法把跌倒檢測建模成二分類問題，為便于分類器進行分類評定，本文把復雜的用戶行為定義為跌倒行為(Fall)和日常行為(也稱為非跌倒行為)。其中各種跌倒行為(比如前向、后向、側向跌倒)，文中均統一標記為跌倒，不進行細分判定，僅在訓練階段采集各種方向的跌倒行為數據，以適應實際生活中各種跌倒場景檢測。日常行為主要包括走、跑、跳、下蹲、坐、臥、上下樓等行為，統一標記為非跌倒行為。兩類行為過程統一定義為10s周期。考慮到這兩類行為中部分行為特征屬性存在相似性，因此采用隨機森林算法選擇樣本數和最優屬性，實現復雜行為模式下跌倒行為的準確識別。

　　2.3隨機森林SVM基本分類器

　　基于隨機森林的跌倒檢測算法采用基于徑向基核函數的支持向量機作為基本分類器，離線階段使用Bootstrap抽樣的訓練數據，進行基于隨機屬性選擇的最佳屬性SVM分類器訓練。

　　為提高訓練速度，將文件按不同分類進行樹形結構存儲，有效提高了訓練過程中的文件搜索效率。

　　本文使用LIBSVM開源庫[13]進行隨機森林跌倒算法基本分類器訓練。

　　2.3.1基本分類器支持向量機參數優化

　　在選擇了上述特征向量后，基本分類器的主要工作就變為支持向量機懲罰因子C和γ的優化。目前支持向量機參數優化方法主要有柵格搜索、遺傳算法、粒子群、模擬退火等。本文采用網格搜索方法[14]進行SVM參數優化。網格搜索方法將待搜索參數在一定的空間范圍內劃分為網格，通過遍歷網格中所有的點來尋找最優參數以獲得全局最優解。本文將兩個變量按照等比例步長，在等比例的空間上進行遍歷，獲取其中準確率最高的跌倒檢測模型。本文實驗設置懲罰因子C的變化范圍確定在0～15，步長為1，設置γ的變化范圍確定在0～0.15，步長為0.01。實驗結果表明，在有限區間中獲得準確率最高的懲罰因子C為10， γ為0.1。

　　2.3.2部分特征參數優化選擇

　　表1所示的時間域和頻率域屬性參數大多可以直接使用滑動窗口內的加速度傳感器數據直接獲得，只有失重持續時間和超重持續時間參數計算需要選擇加速度失重閾值和超重閾值。為最大限度區分跌倒行為和日常行為，需要對這兩個閾值參數進行優化選擇。本文使用訓練數據集，采用如下迭代計算方法獲取超重閾值優化參數。

　　失重閾值參數計算步驟與超重閾值參數計算方法和步驟類似。本文基于測試數據集獲得的最佳超重閾值為13.2，最佳失重閾值為6.2。

　　2.4基于用戶反饋的模型自學習

　　為減少把正常行為誤判為跌倒行為，本文采用基于用戶反饋的模型訓練機制，即每當系統檢測到把正常行為誤判為跌倒行為時，把本次數據作為日常行為加入到日常行為數據集中，啟動模型再學習過程，如此反復，不斷給模型輸入新的非跌倒訓練數據，降低跌倒檢測的誤判率。該方法同樣可用于跌倒數據的更新，提升跌倒檢測的準確率。

　　3實驗及結果分析

　　3.1實驗條件

　　由于面向老年人的跌倒檢測系統不能選擇老年人進行實際的實驗，本文采用年輕人模擬方式，使用網上公開的跌倒測試數據集MobiFall [15]進行測試。該數據集由三星Samsung Galaxy S3手機采集獲得。該手機集成了三軸加速度傳感器和陀螺儀傳感器，采集樣本時手機以隨機方向放在褲子口袋內。加速度傳感器的采樣頻率為 87Hz，陀螺儀傳感器的采樣頻率為200Hz。由11個實驗者進行了采集，采集8個正常行為(鉆入汽車、鉆出汽車、慢跑、跳躍、坐、站立、上下樓、步行)、4種不同的跌倒行為，即前向躺倒(forward lying)、前膝跪躺(front knees lying)、側向躺倒(sideward lying)、后向坐入椅子(back sitting chair)。所有8個正常行為合并在一起當作非跌倒行為，所有4種跌倒行為也合并在一起統一標記為跌倒動作，用于跌倒檢測模型的訓練和性能測試。

　　為評估所提算法的泛化能力和魯棒性，本文還使用三星Note 2智能手機(Android 4.0版本)采集了跌倒和其他行為的加速度數據。采集頻率為100Hz，每個樣本的采樣周期為10s，采樣后按照行為類型進行分類保存。

　　為適配用戶手機的姿態差異，本文統一使用三軸加速度(ax，ay，az)的幅度a2x+a2y+a2z進行模型訓練和跌倒檢測。

　　3.2性能評價指標

　　為了判斷跌倒檢測算法的有效性，本文把實驗結果分為表2所示的相互獨立4類。

　　基于上述實驗結果類型，本文采用以下3種性能指標評估跌倒算法性能。

　　算法準確度Ac定義為所有事件(跌倒和非跌倒)被正確檢測出來的比例，即所有動作的正確檢出率，如式(1)所示：

　　Ac=TP+TNTP+FN+TN+FP×100%(1

　　靈敏度(Se)定義為所有跌倒事件被正確檢測出來的比例，即所有跌倒動作的檢出率，如式(2)所示：

　　Se=TPTP+FN×100%(2

　　特異度(Sp)定義為所有非真實事件被正確檢測出來的比例， 即所有日常活動的檢出率，如式(3)所示： 　　Sp=TNTN+FP×100%(3

　　3.3實驗結果及分析

　　本實驗結果為采用留一法(leaveoneout)對所有樣本進行測試后的統計平均。作為對比，本文還實現了單個SVM跌倒檢測算法和基于BP神經網絡的跌倒檢測算法。

　　圖2比較了3種跌倒檢測算法的準確率，從圖中可以看出，BP神經網絡跌倒檢測算法的準確率最低，隨機森林跌倒檢測算法準確度最高。可見，通過引入隨機樣本選擇和屬性選擇，本文提出的隨機森林跌倒檢測算法獲得了最好的檢測性能。

　　圖3則比較了上述3個跌倒檢測算法的敏感度。隨機森林算法正確檢測出來跌倒的概率為90.6%，比單純的支持向量機算法和BP神經網絡算法分別高出約5%和15%。而在特異性方面，BP神經網絡跌倒檢測算法最低，SVM跌倒檢測算法的特異性居中，隨機森林跌倒算法最高，如圖4所示。

　　當然隨機森林跌倒檢測算法性能的提升是以付出相對較多的計算開銷獲得的，圖5比較了3種跌倒檢測算法的訓練時間(實驗平臺為4核酷睿i5 CPU，主頻3.3GHz，內存8GB)。隨機森林算法由于需要多次隨機選擇樣本(即隨機森林中樹的數目m)再進行隨機屬性選擇(隨機屬性選擇的數目n)的最優支持向量機基本分類器訓練，因此其訓練開銷比單純SVM跌倒檢測算法的訓練開銷大，不過由于3種算法使用的訓練樣本進行特征屬性提取花費了較多時間，而隨機森林跌倒檢測算法的每個基本分類器并不是使用所有樣本進行訓練，因此其訓練開銷并不是單純SVM跌倒檢測算法的mn倍，而是比mn倍小很多。BP神經網絡跌倒檢測算法的訓練開銷介于隨機森林跌倒檢測算法和SVM算法之間。當使用3個跌倒算法分類器進行實時跌倒檢測時，測試樣本特征提取占據主要運行時間，跌倒實時檢測的運行時間基本相似，均為 1s 左右，如圖6所示。

　　4結語

　　本文所提基于隨機森林的跌倒檢測算法采用Bootstrap隨機抽樣和屬性隨機選擇機制，能較好地解決老人真實跌倒樣本缺乏或仿真訓練樣本規模較小等原因導致的分類算法過擬合和適應性不強的問題。在付出相對SVM、BP神經網絡跌倒檢測算法更高訓練開銷的基礎上，準確率(95.2%)、敏感度(90.6%)和特異性(93.5%)有了明顯提升，而且實時性能方面并未明顯下降，實驗結果反映出隨機森林跌倒檢測算法能更準確地檢測出跌倒行為，具有較強的泛化能力和實用性。我們下一步工作將使用更多跌倒數據集進行性能評測，并在可穿戴設備上進行實現。

　　參考文獻：

　　[1] EFRON B， TIBSHIRANI R J. An introduction to the Bootstrap[M]. Boca Raton： CRC Press， 1994： 17-28.

　　[2] BOURKE A， OBRIEN J V， LYONS G M. Evaluation of a thresholdbased triaxial accelerator fall detection algorithm[J]. Gait and Posture， 2007， 26(2)：194-199.

　　[3] MATHIE M J， BASILAKIS J， CELLER B G. A system for monitoring posture and physical activity using accelerometers[C]// Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2001：3654-3657.

　　[4] ROUGIER C， MEUNIER J， STARNAUD A， et al. 3D head tracking for fall detection using a single calibrated camera [J]. Image and Vision Computing， 2012， 31(3)： 246-254.

　　[5] SHI X， ZHANG T. Design of a wearable fall detection device [J]. Chinese Journal of Scientific Instrument， 2012， 33(3)： 575-580.(石欣， 張濤. 一種可穿戴式跌倒檢測裝置設計[J].儀器儀表學報， 2012， 33(3)： 575-580.)

　　電子技術應用論文發表期刊推薦《電子工藝技術》是我國電子行業生產技術綜合性科技期刊，該刊集眾多專業為一體，突出工藝特色，凡是與電子產品生產過程相關的技術，都是該刊的報道范圍。本刊是信息產業部優秀科技期刊，山西省一級期刊，全國電子行業核心期刊。