CN116077055A - 基于扩展孤立森林的跌倒检测方法、装置及可读存储介质 - Google Patents
基于扩展孤立森林的跌倒检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN116077055A CN116077055A CN202310058043.4A CN202310058043A CN116077055A CN 116077055 A CN116077055 A CN 116077055A CN 202310058043 A CN202310058043 A CN 202310058043A CN 116077055 A CN116077055 A CN 116077055A
- Authority
- CN
- China
- Prior art keywords
- data
- extended
- isolated
- window
- fall detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 230000001133 acceleration Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 4
- 238000003776 cleavage reaction Methods 0.000 claims description 3
- 230000007017 scission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 9
- 230000006978 adaptation Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000003542 behavioural effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于扩展孤立森林的跌倒检测方法、装置及可读存储介质，所述检测方法包括以下步骤：通过佩戴在人体的传感器，采集每个人不同的日常活动三轴加速度数据；对采集到的三轴加速度数据进行下采样；对下采样数据进行特征提取，形成待检测样本点；通过训练好的扩展孤立森林模型计算待检测样本点的异常分数；当异常分数大于设定阈值，则判定为跌倒。与现有技术相比，本发明使用无监督的建模方式，无需采集老年人跌倒的动作数据，只需要正常行为数据即可进行建模，使用自身采集的正常行为数据进行训练并为每个人建立不同的建立个性化模型，解决了不同个体的个性化适配问题。
Description
技术领域
本发明涉及可穿戴设备跌倒检测技术领域，尤其是涉及一种基于扩展孤立森林的跌倒检测方法、装置及可读存储介质。
背景技术
跌倒检测是一个热门领域。如果老年人在跌倒后能尽早地被发现并治疗，将对后期的治疗康复有很大的帮助。因此，设计一个准确高效的跌倒检测算法十分必要。
目前的跌倒检测算法主要分为三大类：基于视频的跌倒检测算法，基于环境传感器的跌倒检测算法和基于可穿戴设备的跌倒检测算法。基于视频的跌倒检测算法摄像头对老年人的行为判断是否跌倒。该方案的优点是准确率高，但是运算开销大，成本高昂，且会对隐私有所侵犯。基于环境传感器的跌倒检测主要指在老年人的活动场所内安装环境传感器通过判断老年人周围的环境状况的变化进而判断是否跌倒。该方案需要在环境中安装大量传感器，便捷性不够，使用场景受限。基于可穿戴设备的跌倒检测算法是指通过佩戴在身体某个部位的可穿戴传感器收集原始数据后进行处理，并判断是否跌倒。与基于视频和环境传感器的跌倒检测算法相比，可穿戴设备易于安装，成本低，并且对隐私的侵犯更小。
目前基于可穿戴设备的跌倒检测算法存在以下问题：一是缺乏老年人的跌倒数据。目前被大量使用的监督学习算法主要针对跌倒行为进行建模和检测，这对跌倒数据的质量要求较高。但老年人的跌倒是一种高危的行为，很难获取到老年人真实的跌倒数据，大部分实验都是采用年轻志愿者跌倒的数据进行训练，这必然导致实验结果与真实情况的偏差。二是由于不同人的身高，体重以及行为习惯的区别，即使在进行相同的跌倒动作的同时也会产生很大的差别。如果忽略这些差异，那么跌倒检测的准确率也难以得到保障。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于扩展孤立森林的跌倒检测方法、装置及可读存储介质。
本发明的目的可以通过以下技术方案来实现：
作为本发明的第一方面，提供一种基于扩展孤立森林的跌倒检测方法，所述检测方法包括以下步骤：
通过佩戴在人体的传感器，采集个人活动的三轴加速度数据；
对采集到的三轴加速度数据进行下采样；
对下采样数据进行特征提取，形成待检测样本点；
通过训练好的扩展孤立森林模型计算待检测样本点的异常分数；
当异常分数大于设定阈值，则判定为跌倒。
进一步的，所述对采集到的三轴加速度数据使用滑动窗口进行下采样，下采样方式包括：
计算窗口内加速度幅度矢量和：
计算窗口内信号x轴和z轴的幅度矢量和：
计算窗口内信号y轴和z轴的幅度矢量和：
其中，ax,ay,az代表x轴，y轴和z轴方向的加速度数据。
进一步的，所述下采样前先对每个窗口内的数据进行归一化处理，归一化计算公式为：
其中，x代表当前待归一化数据，μ代表窗口内样本的均值，σ代表窗口内样本的标准差。
进一步的，所述对下采样数据进行特征提取，形成待检测样本点的步骤包括：
计算窗口内加速度幅度矢量和的均值mean(SMV)和标准差std(SMV)、窗口内x轴与z轴幅度矢量和的均值mean(HOR)和标准差std(HOR)以及窗口内y轴和z轴幅度矢量和的均值mean(VER)和标准差std(VER)；
单个窗口经过下采样特征提取后形成六维特征组成特征向量
进一步的，所述扩展孤立森林模型的训练步骤包括：
通过佩戴在人体的传感器，采集个人活动的三轴加速度数据；
对采集到的三轴加速度数据使用滑动窗口进行下采样；
由多个滑动窗口下采样得到训练数据集X；
基于训练数据集X，使用扩展孤立森林算法构建单棵孤立二叉树；
利用集成学习的思想重复构建n棵孤立二叉树，由n棵孤立二叉树构成扩展孤立森林模型。
进一步的，所述使用扩展孤立森林算法构建单棵孤立二叉树的具体步骤包括：
步骤1、从训练数据集X中随机选择ψ个样本点作为X的子样本集X′，放入孤立树的根节点；
步骤2、使用空间随机向量
来表示一个空间的随机斜率，其中i∈[0,1)，使用
表示空间的随机截距；
步骤3、对于数据集X′中的点
的切割条件表示为
以所选切割条件为基础构造一个超平面，将当前节点的数据空间划分成2个子空间，将满足切割条件的数据放在当前节点的第一子树，将不满足切割条件的数据放在当前节点的第二子树；
步骤4、在子节点中重复步骤2和步骤3，不断构造新的子节点，当数据不可被进一步的，每个人跌倒检测所使用的扩展孤立森林模型基于其个人训练数据集进行训练，形成个性化的扩展孤立森林模型。
进一步的，所述待检测样本点的异常分数，计算公式如下：
其中，E(h(xi))为节点xi在多棵孤立二叉树上路径长度h(x)的期望值，c(n)为孤立二叉树的平均查找深度，其计算公式为：
其中H(k)为调和函数，被估计为lnk+ξ，ξ为欧拉常数，n为二叉树个数。
作为本发明的第二方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的方法。
作为本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，
该指令被处理器执行时实现如上任一项所述方法的步骤。
与现有技术相比，本发明具有以下有益效果：
1)本发明提出了一种基于扩展孤立森林的跌倒检测算法，使用无监督学习算法，无需采集老年人跌倒的动作数据，只需要正常行为数据即可进行建模。本发明将跌倒检测看作一个二分类异常检测问题，使用扩展孤立森林算法，对大量的正常的行为数据进行建模，当数据不符合正常行为数据特征的时候即可判定为跌倒。
2)本发明使用无监督的建模方式，使用自身采集的正常行为数据进行训练并为每个人建立不同的建立个性化模型，解决了不同个体的个性化适配问题。
附图说明
图1为本发明基于扩展孤立森林的跌倒检测方法的流程示意图；
图2为本发明一实施例中个性化与非个性化模型结果对比图；
图3为本发明提供的示例性实施例示出的电子设备的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
作为本发明的其中一个实施示例，提供一种基于扩展孤立森林的跌倒检测方法，如图1所示，该检测方法的流程步骤包括：
在训练阶段：
首先使用佩戴在人体腰部的可穿戴传感器，采集自身大量正常活动时个性化的加速度数据。传感器采样频率为200hz。
由于跌倒是一个随机动态的过程，仅用单一时间点的数据难以完全反应跌倒的全过程。为了确保模型的训练效果以及计算的准确率，本文使用滑动窗口对采集到的数据进行特征提取。为了保证跌倒检测的及时性，同时为了包含一个跌倒的完整过程，本文选择大小为3.5s(700个采样点)的滑动窗口进行特征提取。
为减少量纲差异，对窗口内的数据进行归一化处理。归一化计算公式为：
其中x代表当前代归一化数据，μ代表窗口内样本的均值，σ代表窗口内样本的标准差。
在跌倒发生时，往往不是沿着单个加速度计轴方向跌倒的，使用原始三轴加速度直接进行跌倒检测判定效果不是很好，因此我们通过轴合成的方法获取滑动窗口内部的以下三个新特征：
加速度幅度矢量和定义为：
信号x轴和z轴的幅度矢量和定义为：
信号y轴和z轴的幅度矢量和定义为：
其中ax,ay,az代表三轴加速度计在x轴，y轴和z轴方向的加速度数据。
接下来从滑动窗口内提取跌倒检测常用特征：
窗口内加速度幅度矢量和的均值mean(SMV)和标准差std(SMV)代表整体运动状况。窗口内x轴和z轴幅度矢量和的均值mean(HOR)和标准差std(HOR)代表人体在水平方向的运动状况。窗口内y轴和z轴幅度矢量和的均值mean(VER)和标准差std(VER)代表人体在竖直方向上的运动状况。经过特征提取后形成的六维特征组成特征向量：
多个特征向量组合形成个性化训练数据集X。
接下来进行扩展孤立森林算法单棵孤立二叉树的构建。
步骤1：从个性化的训练数据集X中随机选择ψ个样本点作为X的子样本集X′，放入孤立树的根节点。
步骤2：使用空间随机向量
来表示一个空间的随机斜率，其中i∈[0,1)，使用
表示空间的随机截距。
步骤3：则对于数据集X′中的点
的切割条件表示为
以所选切割条件为基础构造一个超平面，将当前节点的数据空间划分成2个子空间，将满足切割条件的数据放在当前节点的左子树，将不满足切割条件的数据放在当前节点的右子树。
步骤4：在子节点中重复步骤2、3，不断构造新的子节点，当数据不可被继续分割或者已经达到树的最大设定深度时，孤立二叉树构建完毕。
由于单个孤立二叉树的切割过程完全随机，为了使结果收敛，利用Ensemble的思想重复构建n棵孤立二叉树，形成个性化扩展孤立森林模型。
在检测阶段：
检测阶段使用训练好的个性化扩展孤立森林模型进行判断，此模型由自身正常行为数据训练而成。
使用同样的方法对数据进行预处理，滑动窗口下采样和特征提取，形成待检测样本点xi。对于一个待检测的样本点xi，从孤立二叉树的根节点到叶子节点的路径长度称为h(xi)，换句话说，分离一个样本点所需要的切割次数即为该节点的路径长度。
然后通过扩展孤立森林算法计算异常分数的计算公式如下：
其中E(h(xi))为节点xi在多棵孤立二叉树上路径长度h(x)的期望值，c(n)为孤立二叉树的平均查找深度，其计算公式为：
其中H(k)为调和函数，可被估计为lnk+ξ，ξ为欧拉常数，其值为0.5772156649。
最后得到的异常分数将落在0-1的区间之内，如果异常分数越接近1，则该点异常的可能性越大，如果异常分数越接近0，则该点正常的可能性越大。通常选择0.5作为异常阈值。对于大于异常阈值的点，即判定为跌倒。
实施例2
作为本发明的第二个实施例，使用公开数据集SisFall作为跌倒检测的研究数据集。数据集中的所有记录均由放置在志愿者腰部的传感单元进行采集，该单元由两个加速度计和一个陀螺仪组成，设置采样频率为200hz，本文使用其中的一个加速度计数据进行实验。数据集包含了了38名志愿者的1798例跌倒和2740例日常行为活动的传感器数据。志愿者分布情况见表2，行为数据分布情况见表3。38名志愿者中有23个青年人(年龄小于30岁)和15个老年人(年龄大于60岁)。23个年龄小于30岁的青年人和一位60岁的柔道运动员执行15种跌倒活动和19种日常行为活动并采集数据，其余14位老年人只采集19种日常行为活动数据。
表1志愿者分布情况
Tab.1 Distribution of volunteers
| 类别 | 人数 | 身高/m | 体重/kg |
| 老年人 | 15 | 1.50-1.71 | 50-102 |
| 青年人 | 23 | 1.49-1.83 | 41.5-80.5 |
表2行为数据分布情况
Tab.2 Distribution of human activity data
| 动作 | 总数 | 类别数量 | 重复次数 | 采样时间/s |
| 跌倒 | 1,798 | 15 | 5 | 15 |
| 非跌倒 | 2,740 | 19 | 1-5 | 12-100 |
由于本实验使用扩展孤立森林算法对每一个人的日常行为数据进行无监督的个性化建模，因此在个体层面划分数据集。将每一个人经预处理后日常行为活动数据的60％作为训练集，40％作为测试集，同时将动作慢走、快走、慢跑、快跑这些只执行了一次的动作放入训练集。将所有的跌倒动作作为测试集。经数据集划分后共有1719组训练数据以及2819组测试数据。所有的实验都将重复进行五次以确保实验结果的可信度。
训练完成后在测试集上对结果进行检测。跌倒检测为一个二分类问题，模型只需区分跌倒和非跌倒动作两种类别，判断结果可能存在真阳性(True Positive,TP)、真阴性(True Negative,TN)、假阳性(False Positive,FP)、假阴性(False Negative,FN)四种情况。在此基础上计算以下模型评价指标：准确率(accuracy,ACC)反映了模型的总体精确度，敏感性(sensitivity,SEN)反映了模型对跌倒动作的识别能力，特异性(specificity,SPE)反映了模型对日常行为活动(非跌倒)的识别能力。各个指标的计算公式如下：
图2展示了非个性化模型与个性化模型对于分类精度的影响。非个性化模型指的是使用非本人的日常行为数据训练而成的模型，个性化模型是指使用大量用户个人的日常行为数据训练出的模型。从图中可以看出，由于个体的差异性(身高，体重，行为习惯等)，使用个性化模型的分类结果好于使用非个性化的模型。具体来说，平均准确率从91.89％提升到了96.76％，平均敏感度从93.84％提升到了97.91％，平均特异度从88.44％提升到了94.72％。
实施例3
作为本发明的第二方面，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述基于扩展孤立森林的跌倒检测方法。如图3所示，为本发明实施例提供的基于扩展孤立森林的跌倒检测方法所在任意具备数据处理能力的设备的一种硬件结构图，除了处理器、存储器以及接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
实施例4
作为本发明的第三方面，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述基于扩展孤立森林的跌倒检测方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于扩展孤立森林的跌倒检测方法，其特征在于，所述检测方法包括以下步骤：
通过佩戴在人体的传感器，采集个人活动的三轴加速度数据；
对采集到的三轴加速度数据进行下采样；
对下采样数据进行特征提取，形成待检测样本点；
通过训练好的扩展孤立森林模型计算待检测样本点的异常分数；
当异常分数大于设定阈值，则判定为跌倒。
2.根据权利要求1所述的一种基于扩展孤立森林的跌倒检测方法，其特征在于，所述对采集到的三轴加速度数据使用滑动窗口进行下采样，下采样方式包括：
计算窗口内加速度幅度矢量和：
计算窗口内信号x轴和z轴的幅度矢量和：
计算窗口内信号y轴和z轴的幅度矢量和：
其中，ax，ay，az代表x轴，y轴和z轴方向的加速度数据。
3.根据权利要求2所述的一种基于扩展孤立森林的跌倒检测方法，其特征在于，所述下采样前先对每个窗口内的数据进行归一化处理，归一化计算公式为：
其中，x代表当前待归一化数据，μ代表窗口内样本的均值，σ代表窗口内样本的标准差。
4.根据权利要求2所述的一种基于扩展孤立森林的跌倒检测方法，其特征在于，所述对下采样数据进行特征提取，形成待检测样本点的步骤包括：
计算窗口内加速度幅度矢量和的均值mean(SMV)和标准差std(SMV)、窗口内x轴与z轴幅度矢量和的均值mean(HOR)和标准差std(HOR)以及窗口内y轴和z轴幅度矢量和的均值mean(VER)和标准差std(VER)；
单个窗口经过下采样特征提取后形成六维特征组成特征向量
5.根据权利要求1所述的一种基于扩展孤立森林的跌倒检测方法，其特征在于，所述扩展孤立森林模型的训练步骤包括：
通过佩戴在人体的传感器，采集个人活动的三轴加速度数据；
对采集到的三轴加速度数据使用滑动窗口进行下采样；
由多个滑动窗口下采样得到训练数据集X；
基于训练数据集X，使用扩展孤立森林算法构建单棵孤立二叉树；
利用集成学习的思想重复构建n棵孤立二叉树，由n棵孤立二叉树构成扩展孤立森林模型。
6.根据权利要求5所述的一种基于扩展孤立森林的跌倒检测方法，其特征在于，所述使用扩展孤立森林算法构建单棵孤立二叉树的具体步骤包括：
步骤1、从训练数据集X中随机选择ψ个样本点作为X的子样本集X′，放入孤立树的根节点；
步骤2、使用空间随机向量
来表示一个空间的随机斜率，其中i∈[0，1)，使用
表示空间的随机截距；
步骤3、对于数据集X′中的点
的切割条件表示为
以所选切割条件为基础构造一个超平面，将当前节点的数据空间划分成2个子空间，将满足切割条件的数据放在当前节点的第一子树，将不满足切割条件的数据放在当前节点的第二子树；
步骤4、在子节点中重复步骤2和步骤3，不断构造新的子节点，当数据不可被继续分割或者已经达到树的最大设定深度时，孤立二叉树构建完毕。
7.根据权利要求5所述的一种基于扩展孤立森林的跌倒检测方法，其特征在于，每个人跌倒检测所使用的扩展孤立森林模型基于其个人训练数据集进行训练，形成个性化的扩展孤立森林模型。
8.根据权利要求5所述的一种基于扩展孤立森林的跌倒检测方法，其特征在于，所述待检测样本点的异常分数，计算公式如下：
其中，E(h(xi))为节点xi在多棵孤立二叉树上路径长度h(x)的期望值，c(n)为孤立二叉树的平均查找深度，其计算公式为：
其中H(k)为调和函数，被估计为lnk+ξ，ξ为欧拉常数，n为二叉树个数。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，
该指令被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058043.4A CN116077055A (zh) | 2023-01-17 | 2023-01-17 | 基于扩展孤立森林的跌倒检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058043.4A CN116077055A (zh) | 2023-01-17 | 2023-01-17 | 基于扩展孤立森林的跌倒检测方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116077055A true CN116077055A (zh) | 2023-05-09 |
Family
ID=86204123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310058043.4A Pending CN116077055A (zh) | 2023-01-17 | 2023-01-17 | 基于扩展孤立森林的跌倒检测方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116077055A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109528203A (zh) * | 2019-01-21 | 2019-03-29 | 郑州大学 | 一种基于多源信息融合的交互式脑卒中患者步态训练及评测系统 |
| US20210097334A1 (en) * | 2019-09-30 | 2021-04-01 | Mcafee, Llc | Analysis Priority of Objects From Cross-Sectional Variance |
-
2023
- 2023-01-17 CN CN202310058043.4A patent/CN116077055A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109528203A (zh) * | 2019-01-21 | 2019-03-29 | 郑州大学 | 一种基于多源信息融合的交互式脑卒中患者步态训练及评测系统 |
| US20210097334A1 (en) * | 2019-09-30 | 2021-04-01 | Mcafee, Llc | Analysis Priority of Objects From Cross-Sectional Variance |
Non-Patent Citations (3)
| Title |
|---|
| VALLABH PRANESH: "Personalized Fall Detection Monitoring System Based on Learning from the User Movements", JOURNAL OF INTERNET TECHNOLOGY, vol. 11, no. 1, 30 January 2021 (2021-01-30), pages 1 - 60 * |
| 段美玲: "基于双向LSTM神经网络可穿戴跌倒检测研究", 广西师范大学学报(自然科学版), vol. 40, no. 3, 31 May 2022 (2022-05-31), pages 141 - 150 * |
| 谢雨: "基于随机子空间的扩展隔离林算法", 计算机应用, vol. 41, no. 6, 10 June 2021 (2021-06-10), pages 1679 - 1685 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tsinganos et al. | A smartphone-based fall detection system for the elderly | |
| JP2010207488A (ja) | 行動解析装置及びプログラム | |
| CN107688790B (zh) | 人体行为识别方法、装置、存储介质及电子设备 | |
| WO2021115066A1 (zh) | 基于惯性传感器的步态特征提取和步态识别方法 | |
| CN112464738B (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
| Sabir et al. | Gait-based gender classification using smartphone accelerometer sensor | |
| Gunale et al. | Indoor human fall detection system based on automatic vision using computer vision and machine learning algorithms | |
| CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
| CN105139869B (zh) | 一种基于区间差分特征的婴儿啼哭检测方法 | |
| Venkatachalam et al. | Bimodal HAR-An efficient approach to human activity analysis and recognition using bimodal hybrid classifiers | |
| Wang et al. | Accelerometer-based human fall detection using sparrow search algorithm and back propagation neural network | |
| Kambhampati et al. | Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier | |
| Wei et al. | Unsupervised race walking recognition using smartphone accelerometers | |
| WO2022006659A1 (en) | Method and apparatus for detecting fall events | |
| CN112699744A (zh) | 跌倒姿态的分类识别方法、装置和可穿戴设备 | |
| Saleh et al. | An efficient machine learning-based fall detection algorithm using local binary features | |
| CN109620241B (zh) | 一种可穿戴设备及基于其的动作监测方法 | |
| CN114327045B (zh) | 基于类别不平衡信号的跌倒检测方法及系统 | |
| CN116077055A (zh) | 基于扩展孤立森林的跌倒检测方法、装置及可读存储介质 | |
| CN108648417A (zh) | 基于深度学习的树莓派老人摔倒检测系统 | |
| Li et al. | iwalk: Let your smartphone remember you | |
| Wang et al. | Fall detection based on convolutional neural networks using smart insole | |
| Aktaruzzaman et al. | Parametric estimation of sample entropy for physical activity recognition | |
| Pipanmaekaporn et al. | Mining Acceleration Data for Smartphone-based Fall Detection | |
| CN111466918A (zh) | 异常行为检测方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |