基于扩展孤立森林的跌倒检测方法、装置及可读存储介质

本发明涉及可穿戴设备跌倒检测，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、本发明的目的可以通过以下技术方案来实现：

3、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：

4、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；

5、对采集到的三轴加速度数据进行下采样；

6、对下采样数据进行特征提取，形成待检测样本点；

7、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；

8、当异常分数大于设定阈值，则判定为跌倒。

9、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：

10、计算窗口内加速度幅度矢量和：

11、计算窗口内信号x轴和z轴的幅度矢量和：

12、计算窗口内信号y轴和z轴的幅度矢量和：

13、其中，ax,ay,az代表x轴，y轴和z轴方向的加速度数据。

14、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：

15、

16、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。

17、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：

18、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)；

19、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

20、

21、进一步的，所述扩展孤立森林模型的训练步骤包括：

22、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；

23、对采集到的三轴加速度数据使用滑动窗口进行下采样；

24、由多个滑动窗口下采样得到训练数据集x；

25、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；

26、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。

27、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：

28、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；

29、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；

30、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；

31、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。

32、进一步的，所述待检测样本点的异常分数，计算公式如下：

33、

34、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：

35、

36、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。

37、作为本发明的第二方面，提供一种电子设备，包括：

38、一个或多个处理器；

39、存储器，用于存储一个或多个程序；

40、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。

41、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，

42、该指令被处理器执行时实现如上任一项所述方法的步骤。

43、与现有技术相比，本发明具有以下有益效果：

44、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。

45、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。

技术特征：

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：

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：

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：

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：

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：

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：

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：

9.一种电子设备，其特征在于，包括：

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，

技术总结
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。

技术研发人员：郑建立,熊文滔
受保护的技术使用者：上海理工大学
技术研发日：
技术公布日：2024/1/12