基于加速度時域特征和Adaboost-SVM級聯(lián)分類器的跌倒檢測研究

田一明，王喜太,2,*，楊　鵬，耿艷利

(1河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津300130；2 國家康復(fù)輔具研究中心，北京市老年功能障礙康復(fù)輔助技術(shù)重點實驗室，民政部康復(fù)輔具技術(shù)與系統(tǒng)重點實驗室，北京100176)

在我國，65歲以上的老年人在總?cè)丝谥兴嫉谋壤?000年的6.96%增加到了2010年的8.87%，60歲以上人口的比例也比2000年上升了2.93%[1]，這表明我國已經(jīng)進(jìn)入了老齡化社會，并且人口老齡化程度不斷加深.跌倒是老年人群體中具有頻發(fā)性和嚴(yán)重危害性的事故.調(diào)查研究發(fā)現(xiàn)，在65歲以上的老年人中，有大約1/3的人有過一次跌倒史，而其中近一半的人有過兩次跌倒史[2].跌倒會對老年人會造成巨大的身體傷害，這包括擦傷、骨折、嚴(yán)重的甚至?xí)?dǎo)致死亡.因此，研究準(zhǔn)確高效的跌倒檢測方法能夠使老年人及時得到救護(hù)，從而減輕跌倒給老年人帶來的身心痛苦.

利用慣性傳感器對跌倒進(jìn)行檢測具有成本低且不受外界環(huán)境影響和限制的優(yōu)勢.Paola P等[3]通過將跌倒過程前兩個階段的加速度均方根值與所設(shè)定的閾值進(jìn)行比較來實現(xiàn)跌倒的預(yù)檢測，并最終以身體角度的變化率與所設(shè)定閾值相比較來判定是否發(fā)生了跌倒，但是這種基于閾值比較的跌倒檢測方法容易受到噪聲、佩戴位置以及個體差異的影響.陳國興等[4]對假肢穿戴者的跌倒問題，利用相關(guān)性分析的模糊自適應(yīng)方法進(jìn)行了研究，使檢測系統(tǒng)能夠適應(yīng)不同患者的跌倒?fàn)顟B(tài).文獻(xiàn)[5]通過采集人體腰部位置加速度數(shù)據(jù)，在運(yùn)用滑動窗口法進(jìn)行時域特征提取后，采用基于閾值的方法對包括跌倒在內(nèi)的人體四種活動狀態(tài)進(jìn)行了識別，但是，此方法只對上半身由豎直變?yōu)樗降牡箼z測較為有效.文獻(xiàn)[6]提出了一種使用加速度傳感器和Kinect的跌倒檢測測方法，加速度數(shù)據(jù)用來對跌倒的趨勢進(jìn)行監(jiān)測，當(dāng)出現(xiàn)有跌倒的趨勢時，系統(tǒng)發(fā)出跌倒預(yù)警報，而深度圖用來對加速度數(shù)據(jù)的跌倒預(yù)警報做最終的驗證和確認(rèn)，但是，當(dāng)受試者離開Kinect的檢測范圍時，此方法失效.文獻(xiàn)[7]通過提取人體運(yùn)動過程中加速度信號的時間序列特征來描述人體運(yùn)動的狀態(tài)，并利用隱馬爾科夫模型對跌倒的風(fēng)險進(jìn)行評估，但是隱馬爾科夫模型對于高維的輸入向量，其計算復(fù)雜度會成級數(shù)增長，不利于跌倒檢測的實時性.文獻(xiàn)[8]比較了ANN分類器和SVM分類器在使用加速度傳感器對跌倒進(jìn)行檢測時的性能差異.文獻(xiàn)[9]利用所設(shè)計的多分類器框架，通過投票法融合各分類器的決策信息實現(xiàn)跌倒檢測，但是此方法對設(shè)備要求較高，不利于推廣和普及，并且，多分類器系統(tǒng)降低了檢測的實時性.

跌倒檢測可以歸為故障檢測的范疇[4]，然而跌倒檢測問題又區(qū)別于一般的故障檢測問題，其特殊性主要表現(xiàn)在以下幾個方面：(1)跌倒檢測問題對系統(tǒng)的實時性有較高要求，因此，既要考慮到所選特征對不同動作的區(qū)分能力，還要考慮到其計算的復(fù)雜程度.(2)跌倒檢測問題對系統(tǒng)的檢測率有較高要求，然而，高檢測率又容易引起系統(tǒng)出現(xiàn)高錯誤報警率的弊端.(3)跌倒檢測問題涉及到解決不平衡數(shù)據(jù)集的分類問題，傳統(tǒng)的分類器對此類問題往往表現(xiàn)不佳，這要求所設(shè)計的分類器能夠使跌倒樣本在分類過程中受到更多的關(guān)注，從而提高對跌倒的檢測率.針對以往的跌倒檢測研究忽視這三個方面的問題，本文提出了一種基于加速度時域特征和Adaboost-SVM級聯(lián)分類器的跌倒檢測方法，首先，利用滑動窗口法提取加速度的時域特征，以滿足系統(tǒng)實時性的要求；其次，對Adaboost算法的初始權(quán)值部分進(jìn)行了改進(jìn)，使分類器更關(guān)注于對跌倒樣本的檢測，以滿足跌倒檢測問題需要系統(tǒng)具備較高檢測率的要求；再次，針對傳統(tǒng)Adaboost級聯(lián)算法在解決數(shù)據(jù)不平衡分類問題時，隨著樣本的相似性增加，容易造成后面級聯(lián)層分類器的學(xué)習(xí)難度增加，出現(xiàn)過擬合的問題，對傳統(tǒng)Adaboost級聯(lián)算法進(jìn)行改進(jìn)，根據(jù)Adaboost分類器在每層使用的弱分類器個數(shù)是否超過一定的閾值來決定SVM是否替換掉Adaboost來進(jìn)行跌倒檢測.通過UCI數(shù)據(jù)庫中人體運(yùn)動數(shù)據(jù)集進(jìn)行對比實驗表明，本文所提出的方法在能夠有效提高跌倒檢測精度的基礎(chǔ)上，還能夠獲得較高的檢出率和最低的誤報警率.

1　特征提取

由于加速度的頻域和時頻特征提取過于復(fù)雜不利于進(jìn)行實時的跌倒檢測，因此本文只對加速度信號進(jìn)行時域特征提取.針對上述要求，采用滑動窗口作為特征提取方法獲取人體的實時活動信息，這種方法不需要傳感器信號的預(yù)處理，應(yīng)用比較簡單，因此適合實時的跌倒檢測.目前常用的加速度時域特征有：標(biāo)準(zhǔn)差、相關(guān)系數(shù)、和角加速度等.由于跌倒發(fā)生時，加速度的變化比較劇烈，因此，加速度向量幅值SVM可以用來確定是否出現(xiàn)跌倒.但是，當(dāng)存在巨大信號噪聲擾動時，單獨考慮三軸加速度的向量賦值SVM是不夠的，因此，有必要加入關(guān)于加速度向量區(qū)域值SMA作為特征來對跌倒進(jìn)行檢測，它可以避免出現(xiàn)較大的信號噪聲而檢測效果造成影響.綜上，本文考慮x,y,z軸加速度值、加速度向量幅值SMV以及加速度向量區(qū)域值SMA作為特征，相關(guān)的公式如下：

(1)

(1)式中：x[n],y[n],z[n]分別是x,y,z三個軸在采樣時間為n的加速度值.

SMA[n]=

(2)

(2)式中：x[i],y[i],z[i]分別是x,y,z三個軸在采樣時間為n的加速度值，N為采樣點的個數(shù).

與其他只在單一在采樣時間內(nèi)對信號進(jìn)行特征提取的方法不同，本文把多個連續(xù)采樣時間點的加速度特征(滑動窗)作為輸入分類器中的特征向量f=[xn-N+1,…,xn]T其中xn=[x[n],y[n],z[n], SMV[n],SMA[n]].

2　相關(guān)算法

2.1　Adaboost算法的改進(jìn)

Adaboost算法[10-12]是一種迭代算法，它能夠?qū)⒍鄠€弱分類器組合形成性能更為優(yōu)良的強(qiáng)分類器.其核心思想就是針對同一個訓(xùn)練集訓(xùn)練不同的分類器，即弱分類器，然后把這些弱分類器集合起來，構(gòu)造一個更強(qiáng)的最終分類器.算法首先設(shè)置訓(xùn)練樣本的權(quán)重，原始Adaboost算法各個樣本被賦予相同的權(quán)重值，隨著迭代過程的進(jìn)行，算法不斷對樣本權(quán)值進(jìn)行調(diào)整：即增大檢測錯誤樣本的權(quán)重，降低被檢測正確樣本的權(quán)重，從而實現(xiàn)了對較難檢測樣本的著重學(xué)習(xí).針對跌倒檢測問題需要系統(tǒng)具備極高的檢測率，本文在傳統(tǒng)Adaboost算法的基礎(chǔ)上，通過改變訓(xùn)練集初始權(quán)值的方式使分類器更關(guān)注于對跌倒樣本的檢測，以獲得系統(tǒng)對跌倒的高檢測率.假設(shè)訓(xùn)練集包含p個正樣本(跌倒)和q個負(fù)樣本(非跌倒)，并且令每個正樣本的權(quán)值wp等于所有負(fù)樣本的權(quán)值wn，以表示沒有正樣本被分類錯誤，關(guān)系表示如下：

(3)

通過式(3)可以得到正樣本的權(quán)值wp=1/(p+1)以及負(fù)樣本的權(quán)值wn=1/q(p+1)，利用這個結(jié)果取代Adaboost算法中正負(fù)樣本的初始權(quán)值設(shè)定.

改進(jìn)算法的流程如下：

(1)給定訓(xùn)練樣本(f1,y1),…,(fm,ym)，其中fi∈RN為特征向量，yi=±1表示正負(fù)樣本.

(2)初始化樣本權(quán)值：對于正樣本其權(quán)值為wp=1/(p+1)，對于負(fù)樣本其權(quán)值為wn=1/q(p+1)，其中，p和q分別為正負(fù)樣本的數(shù)目.

(3)Fort=1,…,T

●尋找分類器hi：f→{1,﹣1}，hi=argminεj

●設(shè)置分類器權(quán)重：βi=0.5ln[(1-εj)/εj]

●更新樣本權(quán)重：

wi(t+1)=wi(t)exp[-βiyiht(fi)]/Z，其中Zt是歸一化因子.

2.2　Adaboost級聯(lián)算法

經(jīng)過少數(shù)次迭代生成的Adaboost分類器由于準(zhǔn)確率較低，有時不能滿足檢測要求，而組合更多的弱分類器對提高檢測率有一定的幫助，但這會帶來計算復(fù)雜度和時間上的增加，影響到Adaboost分類器整體的性能.針對這一問題，有學(xué)者提出了Adaboost級聯(lián)算法[13-15]來提升系統(tǒng)的檢測率，其結(jié)構(gòu)如圖1所示.當(dāng)一個輸入向量被第一個Adaboost分類器確定為負(fù)樣本，那么它將從樣本集中移除而不再進(jìn)入下一個分類器，如果一個輸入向量被確定為正樣本，那么它將會到下一個Adaboost分類器進(jìn)行判斷，直到系統(tǒng)最后一層.這種級聯(lián)Adaboost分類器非常適用于正負(fù)樣本不平衡的跌倒檢測問題，但是一個突出問題就是隨著樣本的相似性增加，容易造成后面級聯(lián)層分類器的學(xué)習(xí)難度增加，導(dǎo)致分類器性能下降.

圖1　分類器的級聯(lián)結(jié)構(gòu)圖Fig.1　Classier′s cascade architecture diagram

2.3　支持向量機(jī)

支持向量機(jī)(SVM)首先由Vapnik提出來并成功應(yīng)用到許多分類問題上.通過找到一個最優(yōu)分類面f(x)，當(dāng)y的值落入f(x)<0的時候被分類為“-1”，當(dāng)y的值落入f(x)>0的時候被分類為“+1”.因此，根據(jù)f(x)來對類別進(jìn)行分類，最優(yōu)分類面f(x)可以表示為：

f(x)=wTx+b,

(4)

(4)式中：w是這個超平面的常規(guī)向量，x是輸入向量，如果w是一個單位向量，這個距離就是-b，因此w和b是我們尋找的參數(shù)，根據(jù)最大邊緣和最小平方誤差，因此目標(biāo)函數(shù)能夠被定義為：

(5)

(5)式中：α={α1,α2,…,αm}是拉格朗日常數(shù)且有αi>0，i=1,2,…,m.最大化(5)式可以得到：

(6)

將上述方程帶入(5)式，原目標(biāo)函數(shù)轉(zhuǎn)換為雙目標(biāo)函數(shù)，目標(biāo)函數(shù)可以被重新定義為：

(7)

(8)

(8)式中：α={α1,α2,…,αm}是拉格朗日常數(shù)，K(xi,xj)是核函數(shù)，m是訓(xùn)練集的數(shù)目，C是一個可以調(diào)整的參數(shù).將α={α1,α2,…,αm}代入方程(6)，獲得w向量，通過將w向量代入(4)式，b就可以得到.在本文中，我們使用高斯函數(shù)作為SVM的核函數(shù).

3　Adaboost-SVM級聯(lián)分類器

在構(gòu)造Adaboost級聯(lián)分類器的過程中，隨著負(fù)樣本的移除致使訓(xùn)練集剩余樣本變得越來越少且相似性增加，這使后面層的分類器需要融合更多的弱分類器才能滿足性能要求，這容易造成分類器的過擬合.針對此問題，本文對傳統(tǒng)Adaboost級聯(lián)分類器加以改進(jìn)，構(gòu)建Adaboost-SVM級聯(lián)分類器.主要思想是：設(shè)置每層Adaboost分類器中包含弱分類器的最大數(shù)量，當(dāng)每層的Adaboost分類器在預(yù)先設(shè)定最大數(shù)目的弱分類器下不能達(dá)到預(yù)定的性能要求時，用SVM來替代Adaboost分類器進(jìn)行檢測.這時對SVM的訓(xùn)練只需要建立在Adaboost分類器已選擇特征的基礎(chǔ)之上，因此，可減少其訓(xùn)練時間.

在建立Adaboost-SVM級聯(lián)分類器的過程中，首先，設(shè)置每層分類器的檢測率d以及誤報警率f，每層包含最大的弱分類器數(shù)量n以及分類器整體誤報警率Ftarget.Adaboost-SVM級聯(lián)分類器的構(gòu)建算法主要包括內(nèi)外兩個循環(huán)，內(nèi)部循環(huán)通過前文所提及的Adaboost算法來訓(xùn)練分類器，在算法迭代的過程中，每個弱分類器被添加進(jìn)來后，當(dāng)前的Adaboost分類器將會被重新評估以檢查其是否滿足性能要求，如果滿足，則這一層的Adaboost訓(xùn)練完成；否則繼續(xù)加入弱分類器直到數(shù)量達(dá)到閾值n后如果仍沒有滿足性能要求，則用SVM分類器替換這一層的Adaboost，并且利用Adaboost分類器已選擇的特征向量訓(xùn)練SVM分類器，直到外層循環(huán)達(dá)到總體誤報警率要求，算法結(jié)束.下面是所建立Adaboost-SVM級聯(lián)算法的具體流程.

(1)設(shè)置每層分類器的最小可接受檢測率d以及最大可接受誤報警率f.

(2)設(shè)置級聯(lián)分類器整體誤報警率Ftarget，以及每層最大的弱分類器個數(shù)n.

(3)P和N分別代表正負(fù)樣本集，設(shè)置F0=1，i=0.

(4)While(Fi>Ftarget)

●i=i+1，ni=0，F(xiàn)i=Fi-1.

●while(Fi>f×Fi-1)and(ni

(a) ni=ni+1

(b)通過Adaboost算法訓(xùn)練分類器

(c)計算當(dāng)前級聯(lián)分類器的Fi

●if(nin)

(a)利用SVM算法訓(xùn)練分類器

(b)計算當(dāng)前級聯(lián)分類器的Fi

●if(Fi>Ftarget)，N=NULL，則選擇一部分檢測錯誤的樣本放入集合N.

4　實驗及結(jié)果

4.1　實驗樣本

本文的跌倒檢測實驗數(shù)據(jù)來自UCI數(shù)據(jù)庫中的人體活動數(shù)據(jù)集.數(shù)據(jù)集中的數(shù)據(jù)采集實驗分別對5名受試者在胸部、腰部、左右腳踝處放置加速度傳感器，這四個位置的加速度傳感器記錄每名受試者在跌倒以及五種日常行為動作時的加速度情況，數(shù)據(jù)集分別包含每位受試者3～5 min的加速度記錄5個，在每個數(shù)據(jù)記錄里包含一些基本日常動作以及三次跌倒，前兩次是在行走的過程中發(fā)生跌倒，第三次是從坐姿滑倒在地上.

圖2展示了放在第一位受試者腰部位置的加速度儀信號的時域圖，包括在時間段內(nèi)x,y,z三個方向的加速度，跌倒?fàn)顟B(tài)d，以及SMV和SMA特征.d代表跌倒發(fā)生時的人工標(biāo)記位置，當(dāng)d=1時代表跌倒發(fā)生.

圖2　腰部位置基本生活活動的信號時域圖Fig.2　Signal timing diagram example of daily activity captured from the waist

由圖2可見，當(dāng)?shù)拱l(fā)生時x,y,z軸的加速度值變化明顯，然而，當(dāng)出現(xiàn)大量噪聲或者存在比較劇烈的運(yùn)動時，同樣會導(dǎo)致其波動較大.跌倒時的SMV同樣發(fā)生較為明顯的變化.SMA在三次跌倒中變化程度不明顯，其作為特征的主要意義在于體現(xiàn)加速度值變化時間持續(xù)較長，變化幅度相對較小的跌倒特征.除此之外，從圖中還可以分析出傳統(tǒng)使用加速度x,y,z軸閾值的跌倒檢測方法在某些時刻會出現(xiàn)誤報警，并不能做到有效區(qū)分劇烈運(yùn)動與跌倒.其次，傳統(tǒng)跌倒檢測方法通過當(dāng)前時刻的三軸加速度值或者某些相關(guān)參數(shù)來進(jìn)行檢測，但是通過圖中可見，跌倒是一個時間過程，本文通過滑動窗口法不僅考慮當(dāng)前加速度值、SVM、SAM特征，還將這些特征以前的情況作為考慮對象，使用滑動窗集成所有采樣時間覆蓋窗口的三軸加速度值和特征到一個輸入向量中，這有利于在檢測中將跌倒視為一個動態(tài)連續(xù)的過程來考慮，而非僅僅視為一個時刻的狀態(tài).

4.2　實驗結(jié)果及分析

由于數(shù)據(jù)集包含跌倒樣本的總數(shù)是75個，將其中的60個用作訓(xùn)練樣本，其余的用作測試樣本.從每個受試者的日常生活動產(chǎn)生的非跌倒樣本中隨機(jī)選擇100個作為非跌倒樣本，構(gòu)成總共2500個非跌倒樣本，將其中的2000個作為訓(xùn)練樣本，其余的作為測試樣本.實驗采用隨機(jī)抽樣5倍交叉驗證的方法進(jìn)行，為了對測試結(jié)果進(jìn)行評估，本文定義了3個參數(shù)，分別是準(zhǔn)確率AR，檢測率DR，以及誤報警率FAR：

(9)

式中：p和q分別代表訓(xùn)練樣本中正樣本數(shù)量(跌倒)以及負(fù)樣本數(shù)量(非跌倒).TP代表跌倒樣本中被檢測為跌倒數(shù)量，TN代表非跌倒樣本中被檢測成非跌倒的數(shù)量，F(xiàn)P代表非跌倒樣本被中被檢測成跌倒的數(shù)量.

在實驗中，分別使用BP-NN，SVM，Adaboost級聯(lián)分類器以及Adaboost-SVM級聯(lián)分類器對輸入向量進(jìn)行分類以完成跌倒檢測，實驗的結(jié)果展示了當(dāng)加速度儀被放置于左右腳踝，胸部以及腰部時不同分類器對跌倒的檢測性能，具體結(jié)果如表1所示.從表1可見，相比于其它分類器，Adaboost-SVM級聯(lián)分類器在左腳踝，胸部以及腰部的實驗中獲得了最高的準(zhǔn)確率分別為：94.23%、98.18%、98.16%，以及最高的檢測率分別為53%、87.62%、78.63%和最低的誤警率3.57%、1.64%、0.78%.當(dāng)加速度計放置于右腳踝時，SVM分類器獲得最高的準(zhǔn)確率為93.71%，Adaboost-SVM級聯(lián)分類器的準(zhǔn)確率為92.62%接近于SVM分類器性能.但是，Adaboost-SVM級聯(lián)分類器的檢測率為53%，相對于SVM分類器的23.34%更具有優(yōu)勢.通過上述數(shù)據(jù)可見：首先，出于對跌倒檢測問題要求每一個跌倒必須被檢測出來的原則，級聯(lián)Adaboost-SVM分類器擁有更好的性能，因為在不同部位的加速度信號源下，它具有4種分類器中最高的DR指標(biāo)；其次，盡管在位于右腳踝部位的加速度信號源下，級聯(lián)Adaboost-SVM分類器并未取得最高的準(zhǔn)確率以及最低的誤報警率，但是其與在這兩方面表現(xiàn)最好的SVM分類器性能并未相差很大，并且，級聯(lián)Adaboost-SVM分類器有更為突出的檢測率；最后，從實驗中得知，放置于受試者胸部和腰部的加速度傳感器所獲得的跌倒檢測準(zhǔn)確率等指標(biāo)均比放置于腳踝部位的傳感器所獲得的檢測指標(biāo)要好，這表明將胸部和腰部作為跌倒檢測的信號源更為可靠.

由于參數(shù)n是級聯(lián)算法的基礎(chǔ)，它決定Adaboost是否被SVM分類器所取代，對于放置于腳踝的檢測實驗來說，設(shè)置最大允許的弱分類其數(shù)量n=110.相對于腳踝部位，胸部以及腰部的實驗每層應(yīng)用的弱分類器數(shù)目要少于腳踝部位，因此，我們設(shè)置最大允許的弱分類器數(shù)量n=8.設(shè)置Adaboost-SVM級聯(lián)分類器每層的檢測率d和誤報警率f分別為0.99和0.3，層數(shù)量C被限制在7，表2展示了Adaboost-SVM級聯(lián)分類器在選取不同位置的加速度信號源作跌倒檢測實驗時的層數(shù)量以及每層中的弱分類器數(shù)量.

表1　實驗結(jié)果比較表

表2　級聯(lián)Adaboost-SVM分類器的層數(shù)以及每層弱分類器數(shù)量Tab.2　Layer number of cascade-Adaboost-SVM classifier and the number of classifiers at each layer

從表2可見，左腳踝的實驗包括四層級聯(lián)結(jié)構(gòu)達(dá)到最終的跌倒檢測性能要求，第四層級聯(lián)結(jié)構(gòu)由于弱分類器數(shù)量大于設(shè)定的閾值110，所以SVM分類器取代Adaboost.右腳踝的實驗應(yīng)用到了三層級聯(lián)結(jié)構(gòu)38-74-SVM，每一層所包含的弱分類器數(shù)量與左腳踝實驗大體相當(dāng)，可見這與左腳踝作為信號源所體現(xiàn)的檢測性能比較接近.當(dāng)加速度計放置于胸部以及腰部時，Adaboost-SVM級聯(lián)分類器則需要四到五層完成預(yù)定要求，并且，每層最小1個最大8個的弱分類器數(shù)量就能夠滿足當(dāng)初設(shè)定的檢測率和誤報警率要求.結(jié)果表明，本文所提出的級聯(lián)Adaboost-SVM分類器能夠根據(jù)訓(xùn)練樣本以及設(shè)定的性能要求實現(xiàn)對其結(jié)構(gòu)的自組織，相比于傳統(tǒng)的Adaboost級聯(lián)分類器，它能夠避免由于級聯(lián)后期出現(xiàn)的樣本相似性增大而導(dǎo)致的分類器過擬合和檢測率較低的問題.

5　結(jié)語

本文應(yīng)用UCI數(shù)據(jù)庫中的人體活動數(shù)據(jù)集作為跌倒實驗數(shù)據(jù)，提出一種基于三軸加速度信號時域特征和Adaboost-SVM級聯(lián)分類器的跌倒檢測方法.本文以滑動窗作為特征提取方法，能夠提取在多個采樣時間點下的三軸加速度信號特征，有利于提升跌倒檢測的檢測率.在分類器設(shè)計方面，本文首先通過改進(jìn)Adaboost算法在訓(xùn)練集上的初始權(quán)值設(shè)定，以使其更能夠更關(guān)注跌倒樣本的學(xué)習(xí)；其次，本文對傳統(tǒng)Adaboost級聯(lián)分類器加以改進(jìn)，通過設(shè)定每層中所包含弱分類器的最大數(shù)量，來考慮是否由SVM替換Adaboost分類器.通過利用UCI數(shù)據(jù)庫的實驗數(shù)據(jù)測試得到的結(jié)果表明，本文提出的Adaboost-SVM級聯(lián)分類器能夠根據(jù)設(shè)定的性能要求實現(xiàn)對其結(jié)構(gòu)的自組織，相比實驗中的其他方法具有最高的跌倒檢測率以及較為優(yōu)秀的誤報警率和準(zhǔn)確率.除此之外，實驗結(jié)果還證明了將胸部和腰部作為跌倒檢測的加速度信號源具有比較好的檢測效果.

[1]林閩鋼, 梁譽(yù), 劉璐嬋. 中國老年人口養(yǎng)老狀況的區(qū)域比較研究——基于第六次全國人口普查數(shù)據(jù)的分析[J]. 武漢科技大學(xué)學(xué)報(社會科學(xué)版), 2014, 16(2): 204-208.

[2]Fletcher P C, Hirdes J P.Risk factors for falling among community-based seniors using home care services[J]. J Gerontol. Ser. A: Biol Sci. Med. Sci, 2002, 57(8): M504-M510.

[3]Paola P, Alberto B, Lorenzo P,et al. A high reliability wearable device for elderly fall detection[J]. IEEE Sensors Journal, 2015, 15(8): 4544-4553.

[4]陳國興, 耿艷利, 劉作軍,等. 假肢跌倒預(yù)警中基于相關(guān)性分析的模糊自適應(yīng)反饋調(diào)節(jié)[J]. 機(jī)器人, 2015, 37(6): 732-737.

[5]李文鋒, 姚丙盟. 基于單三軸加速度傳感器的人體活動狀態(tài)識別[J]. 華中科技大學(xué)學(xué)報(自然科學(xué)版), 2016, 44(4): 58-62.

[6]Kwolek B, Kepski M. Improving fall detection by the use of depth sensor and accelerometer[J]. Neurocomputing, 2015, 30: 637-645.

[7]Tong L, Song Q J, Ge Y J,et al. HMM-based human fall detection and prediction method using tri-axial accelerometer[J]. IEEE Sensors Journal, 2013, 13(5): 1849-1856.

[8]Nukala B T, Shibuya N, Rodriguez, A,et al. An efficient and robust fall detection system using wireless gait analysis sensor with artificial neural network (ANN) and support vector machine (SVM) algorithms[J]. Open Journal of Applied Biosensor, 2014, 3: 29-39.

[9]Gibson R M, Amira A, Ramzan N, et al. Multiple comparator classier framework for accelerometer-based fall detection and diagnostic[J]. Applied Soft Computing, 2016, 39: 94-103.

[10]Viola P, Jones M. Rapid object detection using a boosted cascade of simple features[C]//IEEE.Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Kauai:IEEE,2001:511-518.

[11]Zhao Y S, Gong L, Zhou B,et al.Detecting tomatoes in greenhouse scenes by combining AdaBoost classifier and colour analysis[J]. Biosystems Engineering, 2016, 148: 127-137.

[12]曹瑩, 苗啟廣, 劉家辰,等. AdaBoost算法研究進(jìn)展與展望[J]. 自動化學(xué)報, 2013, 39(6): 745-758.

[13]Hassannejad H, Medici P, Cardarelli E,et al. Detection of moving objects in roundabouts based on a monocular system[J]. Expert Systems with Applications, 2015, 42(9):4167-4176.

[14]崔華, 張驍, 郭璐, 等. 多特征多閾值級聯(lián)AdaBoost行人檢測器[J]. 交通運(yùn)輸工程學(xué)報, 2015, 15(2): 109-117.

[15]Viola P, Jones M. Robust real-time face detection[J]. International Journal of Computer Vision, 2004, 57(2): 137-154.