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

　　摘要：針對(duì)現(xiàn)有跌倒檢測(cè)算法由于缺乏真實(shí)老人跌倒樣本以及使用年輕人仿真跌倒樣本規(guī)模較小導(dǎo)致的過(guò)擬合和適應(yīng)性不足等問(wèn)題，提出了基于隨機(jī)森林的跌倒檢測(cè)算法。該算法采用滑動(dòng)窗口機(jī)制，對(duì)窗口內(nèi)的加速度數(shù)據(jù)進(jìn)行時(shí)間域和變換域處理，提取時(shí)間域和變換域特征參數(shù)后，在所有樣本集中進(jìn)行有放回的Bootstrap隨機(jī)抽樣和屬性隨機(jī)選擇，構(gòu)建多個(gè)基于最佳屬性分割的支持向量機(jī)(SVM)基本分類器。在線跌倒檢測(cè)階段，對(duì)多個(gè)SVM基本分類器的分類結(jié)果采用少數(shù)服從多數(shù)的原則，給出最終判定結(jié)果。實(shí)驗(yàn)表明，隨機(jī)森林跌倒檢測(cè)算法可獲得95.2%的準(zhǔn)確率、90.6%的敏感度和93.5%的特異性，明顯優(yōu)于基于SVM和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)跌倒檢測(cè)算法，反映出隨機(jī)森林跌倒檢測(cè)算法能更準(zhǔn)確地檢測(cè)跌倒行為，具有較強(qiáng)的泛化能力和魯棒性。

　　關(guān)鍵詞：跌倒檢測(cè),隨機(jī)森林,支持向量機(jī),反向傳播神經(jīng)網(wǎng)絡(luò),屬性

　　0引言

　　據(jù)統(tǒng)計(jì)，跌倒目前已成為我國(guó)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(jìn)一步升高。跌倒除了直接導(dǎo)致老年人死亡之外，還產(chǎn)生大量殘疾，降低了老年人的活動(dòng)能力和活動(dòng)范圍，嚴(yán)重影響老年人的生活質(zhì)量和身心健康。

　　近年來(lái)，為減少意外跌倒對(duì)老人造成的進(jìn)一步傷害，借助于普遍使用的移動(dòng)智能終端和目前正在興起的可穿戴設(shè)備對(duì)跌倒行為進(jìn)行準(zhǔn)確實(shí)時(shí)檢測(cè)和報(bào)警，成為普適健康技術(shù)(healthcare)的一個(gè)研究熱點(diǎn)。這些研究大都利用加速度或陀螺儀數(shù)據(jù)的時(shí)間序列、統(tǒng)計(jì)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(jìn)行跌倒檢測(cè)，其中基于時(shí)間序列曲線方法利用跌倒過(guò)程中加速度時(shí)間序列數(shù)據(jù)依次出現(xiàn)的失重、超重及其時(shí)間閾值進(jìn)行跌倒檢測(cè)，但由于個(gè)體和設(shè)備差異往往導(dǎo)致難以確定適用范圍較廣的曲線閾值，影響了跌倒檢測(cè)的準(zhǔn)確性和魯棒性。基于模式匹配跌倒檢測(cè)算法采用機(jī)器學(xué)習(xí)技術(shù)，挖掘加速度樣本數(shù)據(jù)統(tǒng)計(jì)域和變換域的參數(shù)特征，在對(duì)分類器進(jìn)行離線訓(xùn)練基礎(chǔ)上，使用獲得的分類器對(duì)跌倒等行為進(jìn)行分類評(píng)定，其性能相對(duì)于基于時(shí)間序列曲線閾值跌倒檢測(cè)方法有較大提高。不過(guò)，由于真實(shí)老人跌倒數(shù)據(jù)稀缺，加之不能使用老人進(jìn)行跌倒數(shù)據(jù)采集，現(xiàn)有跌倒算法研究到目前還未形成大家一致公認(rèn)的測(cè)試數(shù)據(jù)集(Benchmark)，大多數(shù)研究工作都是使用年輕人仿真采集實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行測(cè)試，由于數(shù)據(jù)規(guī)模較小、代表性不強(qiáng)，往往導(dǎo)致分類器過(guò)擬合，跌倒檢測(cè)精度和魯棒性并不高。

　　為獲得準(zhǔn)確、魯棒的跌倒檢測(cè)結(jié)果，本文提出了一種基于隨機(jī)森林的跌倒檢測(cè)算法。該算法使用隨機(jī)森林分類器對(duì)跌倒等動(dòng)作進(jìn)行分類識(shí)別，由于它采用Bootstrap方法[1]結(jié)合隨機(jī)樣本和樣本屬性選擇方法訓(xùn)練多個(gè)分類器，因此能較好地適應(yīng)特征值的個(gè)體差異，具有對(duì)離散點(diǎn)相對(duì)不敏感、能避免過(guò)擬合、無(wú)需特征選擇且能自動(dòng)評(píng)估特征重要性等優(yōu)點(diǎn)，適合于跌倒樣本數(shù)據(jù)多樣性和規(guī)模相對(duì)不足的特點(diǎn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了隨機(jī)森林跌倒檢測(cè)算法的有效性和魯棒性。

　　1相關(guān)研究

　　現(xiàn)有跌倒檢測(cè)技術(shù)研究工作分為以下4個(gè)主要類型：

　　1)空間角度法[2]。該方法利用跌倒發(fā)生時(shí)，目標(biāo)由站立或平坐姿態(tài)向躺倒姿態(tài)轉(zhuǎn)變過(guò)程中身體發(fā)生的角度變化進(jìn)行跌倒檢測(cè)。伴隨目標(biāo)跌倒過(guò)程中的姿態(tài)轉(zhuǎn)變，加速度和陀螺儀數(shù)據(jù)發(fā)生顯著變化，通過(guò)對(duì)跌倒?fàn)顟B(tài)建模并提取目標(biāo)加速度特征，可計(jì)算得到目標(biāo)身體的角度變化，進(jìn)而對(duì)目標(biāo)身體姿態(tài)進(jìn)行分析和跌倒行為檢測(cè)。該類方法一般要求在人體關(guān)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(shí)間序列曲線進(jìn)行跌倒檢測(cè)。把一次跌倒行為分割成包含失重、超重等相繼出現(xiàn)的多個(gè)時(shí)段，通過(guò)檢測(cè)每個(gè)時(shí)段的數(shù)據(jù)是否達(dá)到預(yù)定閾值進(jìn)行跌倒檢測(cè)，其準(zhǔn)確性跟閾值設(shè)定密切相關(guān)。由于傳感器異構(gòu)、目標(biāo)差異，以及跌倒行為的差異，跌倒產(chǎn)生的時(shí)間序列曲線存在較大差異，難以確定統(tǒng)一的閾值，導(dǎo)致閾值法性能波動(dòng)較大，缺乏魯棒性。

　　3)基于視覺(jué)圖像分析跌倒檢測(cè)法[4]。通過(guò)在用戶活動(dòng)區(qū)域部署一個(gè)或多個(gè)視頻攝像頭采集人體運(yùn)動(dòng)圖像，基于離線抽取的跌倒動(dòng)作圖像特征，對(duì)實(shí)時(shí)采集的視頻圖像進(jìn)行分析，判定當(dāng)前用戶是否跌倒，具有準(zhǔn)確度高、無(wú)需佩戴檢測(cè)設(shè)備等優(yōu)點(diǎn)，不過(guò)系統(tǒng)較為復(fù)雜，不僅計(jì)算量和成本較高，而且易暴露個(gè)人隱私。

　　4)模式識(shí)別法(即分類算法)[5-8]。該類算法使用提前采集的已標(biāo)定跌倒及非跌倒加速度、陀螺儀數(shù)據(jù)，采用模式識(shí)別算法挖掘出能區(qū)分跌倒和非跌倒行為特征參數(shù)，用于實(shí)時(shí)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(shù)(Decision Tree， DT)分類算法、貝葉斯網(wǎng)絡(luò)算法(Bayes Net)[9]、支持向量機(jī)(Support Vector Machine， SVM)[10]、極限學(xué)習(xí)機(jī)(Extreme Learning Machine， ELM)[11]等。本文所提的隨機(jī)森林跌倒檢測(cè)算法是一種具有較強(qiáng)泛化能力的分類器，它采用Bootstrap方法[12]從訓(xùn)練樣本集中隨機(jī)選擇樣本和屬性，構(gòu)建多個(gè)SVM分類器，最后通過(guò)投票表決結(jié)果，決定數(shù)據(jù)屬于哪一類。該方法能較好地減少過(guò)擬合的發(fā)生，有效提高了跌倒檢測(cè)算法的實(shí)用性和魯棒性。

　　2基于隨機(jī)森林的跌倒檢測(cè)算法

　　隨機(jī)森林算法(Random Forest)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的組合分類器，它將Bootstrap重抽樣方法和決策樹(shù)算法相結(jié)合，通過(guò)構(gòu)建一個(gè)包含多個(gè)基本分類器的樹(shù)型分類器集合，使用投票策略進(jìn)行分類和預(yù)測(cè)。由于該算法較好地解決了過(guò)擬合問(wèn)題，其分類性能優(yōu)于單分類器。本文把隨機(jī)森林分類器應(yīng)用于跌倒和非跌倒行為檢測(cè)，獲得了較好的分類結(jié)果。

　　基于隨機(jī)森林的跌倒檢測(cè)算法與其他決策樹(shù)分類器一樣，也包括離線訓(xùn)練和在線檢測(cè)兩個(gè)階段，其整體技術(shù)架構(gòu)如圖1所示。在離線訓(xùn)練階段，使用移動(dòng)智能終端(如智能手機(jī))或可穿戴設(shè)備(如智能手表、腕帶或智能腰帶等)采集帶人為標(biāo)記的跌倒和非跌倒(正常走、上下樓、坐、臥等)行為產(chǎn)生的加速度數(shù)據(jù)，然后對(duì)采集到的數(shù)據(jù)進(jìn)行時(shí)間域和變換域處理，提取時(shí)間域統(tǒng)計(jì)和變換域(例如頻率域等)的特征參數(shù)(屬性)，然后在所有樣本集中進(jìn)行有放回的隨機(jī)抽樣(Bootstrap采樣)，每次抽樣的樣本數(shù)目相等且小于總的樣本數(shù)目，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)建一個(gè)SVM分類器。多次Bootstrap采樣對(duì)應(yīng)多個(gè)SVM分類器。 　　圖片

　　圖1 基于隨機(jī)森林跌倒檢測(cè)算法技術(shù)架構(gòu)

　　在在線檢測(cè)階段，采用滑動(dòng)窗口處理機(jī)制，每當(dāng)接收到一個(gè)新的觀測(cè)數(shù)據(jù)時(shí)，計(jì)算當(dāng)前窗口內(nèi)所有觀測(cè)的時(shí)間域和變換域?qū)傩灾担�根�?jù)離線階段構(gòu)建的隨機(jī)森林分類器，對(duì)不同屬性進(jìn)行組合，分別輸入每個(gè)SVM子分類進(jìn)行跌倒檢測(cè)，然后采用少數(shù)服從多數(shù)的原則，對(duì)多個(gè)子分類的分類結(jié)果進(jìn)行投票，選擇得票最多的結(jié)果作為隨機(jī)森林分類器的最終輸出結(jié)果。

　　2.1時(shí)域及頻域特征屬性

　　為發(fā)揮隨機(jī)森林分類算法自動(dòng)優(yōu)選屬性的特點(diǎn)，本文引入了加速度數(shù)據(jù)的時(shí)間域統(tǒng)計(jì)屬性和頻率域?qū)傩裕�如�?所示。所有屬性值均為滑動(dòng)窗口內(nèi)加速度數(shù)據(jù)計(jì)算獲得。

　　2.2行為定義

　　基于隨機(jī)森林的跌倒檢測(cè)算法把跌倒檢測(cè)建模成二分類問(wèn)題，為便于分類器進(jìn)行分類評(píng)定，本文把復(fù)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(cè)向跌倒)，文中均統(tǒng)一標(biāo)記為跌倒，不進(jìn)行細(xì)分判定，僅在訓(xùn)練階段采集各種方向的跌倒行為數(shù)據(jù)，以適應(yīng)實(shí)際生活中各種跌倒場(chǎng)景檢測(cè)。日常行為主要包括走、跑、跳、下蹲、坐、臥、上下樓等行為，統(tǒng)一標(biāo)記為非跌倒行為。兩類行為過(guò)程統(tǒng)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(jī)森林算法選擇樣本數(shù)和最優(yōu)屬性，實(shí)現(xiàn)復(fù)雜行為模式下跌倒行為的準(zhǔn)確識(shí)別。

　　2.3隨機(jī)森林SVM基本分類器

　　基于隨機(jī)森林的跌倒檢測(cè)算法采用基于徑向基核函數(shù)的支持向量機(jī)作為基本分類器，離線階段使用Bootstrap抽樣的訓(xùn)練數(shù)據(jù)，進(jìn)行基于隨機(jī)屬性選擇的最佳屬性SVM分類器訓(xùn)練。

　　為提高訓(xùn)練速度，將文件按不同分類進(jìn)行樹(shù)形結(jié)構(gòu)存儲(chǔ)，有效提高了訓(xùn)練過(guò)程中的文件搜索效率。

　　本文使用LIBSVM開(kāi)源庫(kù)[13]進(jìn)行隨機(jī)森林跌倒算法基本分類器訓(xùn)練。

　　2.3.1基本分類器支持向量機(jī)參數(shù)優(yōu)化

　　在選擇了上述特征向量后，基本分類器的主要工作就變?yōu)橹С窒蛄繖C(jī)懲罰因子C和γ的優(yōu)化。目前支持向量機(jī)參數(shù)優(yōu)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(wǎng)格搜索方法[14]進(jìn)行SVM參數(shù)優(yōu)化。網(wǎng)格搜索方法將待搜索參數(shù)在一定的空間范圍內(nèi)劃分為網(wǎng)格，通過(guò)遍歷網(wǎng)格中所有的點(diǎn)來(lái)尋找最優(yōu)參數(shù)以獲得全局最優(yōu)解。本文將兩個(gè)變量按照等比例步長(zhǎng)，在等比例的空間上進(jìn)行遍歷，獲取其中準(zhǔn)確率最高的跌倒檢測(cè)模型。本文實(shí)驗(yàn)設(shè)置懲罰因子C的變化范圍確定在0～15，步長(zhǎng)為1，設(shè)置γ的變化范圍確定在0～0.15，步長(zhǎng)為0.01。實(shí)驗(yàn)結(jié)果表明，在有限區(qū)間中獲得準(zhǔn)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(shù)優(yōu)化選擇

　　表1所示的時(shí)間域和頻率域?qū)傩詤��?shù)大多可以直接使用滑動(dòng)窗口內(nèi)的加速度傳感器數(shù)據(jù)直接獲得，只有失重持續(xù)時(shí)間和超重持續(xù)時(shí)間參數(shù)計(jì)算需要選擇加速度失重閾值和超重閾值。為最大限度區(qū)分跌倒行為和日常行為，需要對(duì)這兩個(gè)閾值參數(shù)進(jìn)行優(yōu)化選擇。本文使用訓(xùn)練數(shù)據(jù)集，采用如下迭代計(jì)算方法獲取超重閾值優(yōu)化參數(shù)。

　　失重閾值參數(shù)計(jì)算步驟與超重閾值參數(shù)計(jì)算方法和步驟類似。本文基于測(cè)試數(shù)據(jù)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(xué)習(xí)

　　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(xùn)練機(jī)制，即每當(dāng)系統(tǒng)檢測(cè)到把正常行為誤判為跌倒行為時(shí)，把本次數(shù)據(jù)作為日常行為加入到日常行為數(shù)據(jù)集中，啟動(dòng)模型再學(xué)習(xí)過(guò)程，如此反復(fù)，不斷給模型輸入新的非跌倒訓(xùn)練數(shù)據(jù)，降低跌倒檢測(cè)的誤判率。該方法同樣可用于跌倒數(shù)據(jù)的更新，提升跌倒檢測(cè)的準(zhǔn)確率。

　　3實(shí)驗(yàn)及結(jié)果分析

　　3.1實(shí)驗(yàn)條件

　　由于面向老年人的跌倒檢測(cè)系統(tǒng)不能選擇老年人進(jìn)行實(shí)際的實(shí)驗(yàn)，本文采用年輕人模擬方式，使用網(wǎng)上公開(kāi)的跌倒測(cè)試數(shù)據(jù)集MobiFall [15]進(jìn)行測(cè)試。該數(shù)據(jù)集由三星Samsung Galaxy S3手機(jī)采集獲得。該手機(jī)集成了三軸加速度傳感器和陀螺儀傳感器，采集樣本時(shí)手機(jī)以隨機(jī)方向放在褲子口袋內(nèi)。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(gè)實(shí)驗(yàn)者進(jìn)行了采集，采集8個(gè)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(cè)向躺倒(sideward lying)、后向坐入椅子(back sitting chair)。所有8個(gè)正常行為合并在一起當(dāng)作非跌倒行為，所有4種跌倒行為也合并在一起統(tǒng)一標(biāo)記為跌倒動(dòng)作，用于跌倒檢測(cè)模型的訓(xùn)練和性能測(cè)試。

　　為評(píng)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(jī)(Android 4.0版本)采集了跌倒和其他行為的加速度數(shù)據(jù)。采集頻率為100Hz，每個(gè)樣本的采樣周期為10s，采樣后按照行為類型進(jìn)行分類保存。

　　為適配用戶手機(jī)的姿態(tài)差異，本文統(tǒng)一使用三軸加速度(ax，ay，az)的幅度a2x+a2y+a2z進(jìn)行模型訓(xùn)練和跌倒檢測(cè)。

　　3.2性能評(píng)價(jià)指標(biāo)

　　為了判斷跌倒檢測(cè)算法的有效性，本文把實(shí)驗(yàn)結(jié)果分為表2所示的相互獨(dú)立4類。

　　基于上述實(shí)驗(yàn)結(jié)果類型，本文采用以下3種性能指標(biāo)評(píng)估跌倒算法性能。

　　算法準(zhǔn)確度Ac定義為所有事件(跌倒和非跌倒)被正確檢測(cè)出來(lái)的比例，即所有動(dòng)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(cè)出來(lái)的比例，即所有跌倒動(dòng)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(shí)事件被正確檢測(cè)出來(lái)的比例， 即所有日常活動(dòng)的檢出率，如式(3)所示： 　　Sp=TNTN+FP×100%(3

　　3.3實(shí)驗(yàn)結(jié)果及分析

　　本實(shí)驗(yàn)結(jié)果為采用留一法(leaveoneout)對(duì)所有樣本進(jìn)行測(cè)試后的統(tǒng)計(jì)平均。作為對(duì)比，本文還實(shí)現(xiàn)了單個(gè)SVM跌倒檢測(cè)算法和基于BP神經(jīng)網(wǎng)絡(luò)的跌倒檢測(cè)算法。

　　圖2比較了3種跌倒檢測(cè)算法的準(zhǔn)確率，從圖中可以看出，BP神經(jīng)網(wǎng)絡(luò)跌倒檢測(cè)算法的準(zhǔn)確率最低，隨機(jī)森林跌倒檢測(cè)算法準(zhǔn)確度最高。可見(jiàn)，通過(guò)引入隨機(jī)樣本選擇和屬性選擇，本文提出的隨機(jī)森林跌倒檢測(cè)算法獲得了最好的檢測(cè)性能。

　　圖3則比較了上述3個(gè)跌倒檢測(cè)算法的敏感度。隨機(jī)森林算法正確檢測(cè)出來(lái)跌倒的概率為90.6%，比單純的支持向量機(jī)算法和BP神經(jīng)網(wǎng)絡(luò)算法分別高出約5%和15%。而在特異性方面，BP神經(jīng)網(wǎng)絡(luò)跌倒檢測(cè)算法最低，SVM跌倒檢測(cè)算法的特異性居中，隨機(jī)森林跌倒算法最高，如圖4所示。

　　當(dāng)然隨機(jī)森林跌倒檢測(cè)算法性能的提升是以付出相對(duì)較多的計(jì)算開(kāi)銷獲得的，圖5比較了3種跌倒檢測(cè)算法的訓(xùn)練時(shí)間(實(shí)驗(yàn)平臺(tái)為4核酷睿i5 CPU，主頻3.3GHz，內(nèi)存8GB)。隨機(jī)森林算法由于需要多次隨機(jī)選擇樣本(即隨機(jī)森林中樹(shù)的數(shù)目m)再進(jìn)行隨機(jī)屬性選擇(隨機(jī)屬性選擇的數(shù)目n)的最優(yōu)支持向量機(jī)基本分類器訓(xùn)練，因此其訓(xùn)練開(kāi)銷比單純SVM跌倒檢測(cè)算法的訓(xùn)練開(kāi)銷大，不過(guò)由于3種算法使用的訓(xùn)練樣本進(jìn)行特征屬性提取花費(fèi)了較多時(shí)間，而隨機(jī)森林跌倒檢測(cè)算法的每個(gè)基本分類器并不是使用所有樣本進(jìn)行訓(xùn)練，因此其訓(xùn)練開(kāi)銷并不是單純SVM跌倒檢測(cè)算法的mn倍，而是比mn倍小很多。BP神經(jīng)網(wǎng)絡(luò)跌倒檢測(cè)算法的訓(xùn)練開(kāi)銷介于隨機(jī)森林跌倒檢測(cè)算法和SVM算法之間。當(dāng)使用3個(gè)跌倒算法分類器進(jìn)行實(shí)時(shí)跌倒檢測(cè)時(shí)，測(cè)試樣本特征提取占據(jù)主要運(yùn)行時(shí)間，跌倒實(shí)時(shí)檢測(cè)的運(yùn)行時(shí)間基本相似，均為 1s 左右，如圖6所示。

　　4結(jié)語(yǔ)

　　本文所提基于隨機(jī)森林的跌倒檢測(cè)算法采用Bootstrap隨機(jī)抽樣和屬性隨機(jī)選擇機(jī)制，能較好地解決老人真實(shí)跌倒樣本缺乏或仿真訓(xùn)練樣本規(guī)模較小等原因?qū)е碌姆诸愃惴ㄟ^(guò)擬合和適應(yīng)性不強(qiáng)的問(wèn)題。在付出相對(duì)SVM、BP神經(jīng)網(wǎng)絡(luò)跌倒檢測(cè)算法更高訓(xùn)練開(kāi)銷的基礎(chǔ)上，準(zhǔn)確率(95.2%)、敏感度(90.6%)和特異性(93.5%)有了明顯提升，而且實(shí)時(shí)性能方面并未明顯下降，實(shí)驗(yàn)結(jié)果反映出隨機(jī)森林跌倒檢測(cè)算法能更準(zhǔn)確地檢測(cè)出跌倒行為，具有較強(qiáng)的泛化能力和實(shí)用性。我們下一步工作將使用更多跌倒數(shù)據(jù)集進(jìn)行性能評(píng)測(cè)，并在可穿戴設(shè)備上進(jìn)行實(shí)現(xiàn)。

　　參考文獻(xiàn)：

　　[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(cè)裝置設(shè)計(jì)[J].儀器儀表學(xué)報(bào)， 2012， 33(3)： 575-580.)

　　電子技術(shù)應(yīng)用論文發(fā)表期刊推薦《電子工藝技術(shù)》是我國(guó)電子行業(yè)生產(chǎn)技術(shù)綜合性科技期刊，該刊集眾多專業(yè)為一體，突出工藝特色，凡是與電子產(chǎn)品生產(chǎn)過(guò)程相關(guān)的技術(shù)，都是該刊的報(bào)道范圍。本刊是信息產(chǎn)業(yè)部?jī)?yōu)秀科技期刊，山西省一級(jí)期刊，全國(guó)電子行業(yè)核心期刊。