基于机器学习和可穿戴传感器的跌倒探测系统
摘要：对于易跌倒人群来说，跌倒是一个严重的公众的健康问题甚至可能威胁到生命安全。为此，我和我的团队开发了一套自动跌倒检测系统，通过固定在人体六个不同部位的传感器单元。每一个传感器单元包括三个三轴设备（加速度传感器，陀螺仪，磁力计或者说是指南针）。14名志愿者实践了包括20项志愿性的跌倒动作和16项日常基本活动，得出2520条数据。为了降低计算机训练和测试用例的复杂性，我们关注每个传感器在加速度峰值点周围4 s的窗口内每个传感器的原始数据，然后进行特征提取和还原。大多数早期的跌倒检测研究采用基于规则的方法，这些方法依赖于传感器的输出简单的阈值。通过下列六种机器学习技术，我们成功的从一系列的ADL中区分出了跌倒行为：K-近邻（K-NN）分类器，最小二乘法（LSM），支持向量机（SVM），贝叶斯决策（BDM），动态时间规整（DTW），和人工神经网络（ANNs）。通过比较性能和计算复杂性，我们发现K-NN和LSM结果最理想，灵敏度，特异性和精确度都能够达到99%以上。这些分类方法同时还具有可接受的训练和测试的计算需求。我们的方法能够能够使用在现实场景中，尽管其中的数据长度不确定或包含多种按序记录的行为活动。 摘要：对于易跌倒人群来说，跌倒是一个严
