2016年第35卷第10期设计与制造
传感器与微系统(Transducer and MicrosystemTechnologies）
67
DOI:10.13873/J.10009787( 2016 )10006703
基于半监督学习的跌倒检测系统设计
李仲年，藏春华，杨刚，项嵘
（南京航空航天大学电子与信息工程学院，江苏南京211106
摘要：针对老人跌倒时的复杂运动情况，进行跌倒标注的较难实现，提出了基于Tri-training半监督算法的跌倒检测系统。本系统使用3D加速度传感器采集运动加速度数据，然后对数据进行特征提取与部分样本标注，使用Tri-training算法训练分类器，最后使用训练好的分类器进行跌倒识别。具体的数据采集传
感器设计为可穿戴式设备，服务器端使用Java缩编写了
个服务器的程序实现对数据的分析与处理。实验
结果表明：该方法使用了大量无标签数据的信息，有效提高了跌倒识别的准确率。实验结果表明：本系统
能够满足老年人在日常生活中的需求，对于一些意外跌倒能够给予及时的检测与报警，关键词：跌倒检测；半监督学习；模式识别；支持向量机；特征提取
中图分类号：TP391
文献标识码：A
文章编号：1000-9787(2016)10-0067-03
Design of fall detection system based on semi.
supervised learning
LI Zhong-nian, ZANG Chun-hua, YANG Gang, XIANG Rong
( College of Electronic and Information Engineering, Nanjing University of Aeronautics and
Astronautics,Nanjing211106,China）
Abstract : Aiming at problem that falling down movement of the elderly is very complex and falling down label is difficult to achieve, a stumbling and falling system based on Tri-training semi-supervised algorithm is proposed. The system uses the 3D acceleration sensor to collect movement accelerating data, and extraction of feature is done on the data and partial sample is labeled. Tri-training algorithm is used to train the classifier in the next step. Trained classifier is served to recognize stumbling and falling- The sensor of data acquisition is designed as a aeee e ssrd e o a o re sasn a peend aaaaaaea test results show that the proposed method can effectively improve the accuracy of the recognition by applying a large number of unlabeled data. The experimental results demonstrate that the system can meet the needs of the elderly in their daily lives, and some unexpected falls are able to give timely detection and alarm.
Key words: fall detection; semi-supervised learning: pattern recognition; support vector machine( SVM ); feature extraction
0引言
近年来，一些可穿戴设备能够提供记录一些人的基本运动数据的服务，一般包括运动量、心率等。这些基础的服务都无法很好地满足了一些老年人的一些特殊需求。基于物联网的医疗防护技术在技术快速发展的今天受到了广泛的关注！）其中基于物联网的跌倒检测技术其识别的准确度与速度较好，并且能够快速发出报警信号，便其在应用领域有着极大的价值。根据不同的检测技术，跌倒检测又可以分为基于设立阔值的跌倒检测和基于模式识别的跌倒检测。其中基于模式识别的跌倒检测更适应与复杂的跌倒场
收稿日期：2016-08-11
景，应用更加广泛。一般基于模式识别的检测方法选用监督学习作为其识别方法，其缺点在于从日常行为中标注出跌倒较困难，所以含有标签的跌倒数据较稀少，与之相反无标签数据容易获得，监督学习忽略了大量无标签样本的信息。
本文基于模式识别的跌倒检测技术，提出了一种新的基于Tri-training半监督学习[2]的跌倒识别方法，可以在无法获得大量标签的数据的情况下利用无标签数据进行学习，有效提高检测准确率，获得较好的检测效果。
*基金项目：南京航空航天大学研究生创新基地实验室)开故基金资助项目（KFJ20150401)