第3期 牛德姣，等：基于递归神经网络的跌倒检测系统 ·385· 召回率：R=TP/TP+FN) 表4不同跌倒检测算法的比较 准确率与召回率是用在信息检索、分类、识别 Table 4 Comparison of different falling detection al- 等领域的基本指标，用来评价结果的质量：准确率 gorithms 用来衡量一个系统的查准率，召回率用来衡量一个 算法 FY 系统的查全率。 LIET 79 F=(Y+1)PPxR Y2(PP+R) CHEN ETU31 83 式中：y是参数，PP与R分别是准确率与召回率，本 RNNFD 90 文取y=1,其值此时表示为F=(2×PP×R)/PP+R)。 从表4的结果可以发现，RNNFD相比文献 因此F值综合了准确率与召回率，是准确率与召回 [13]和[14]中的算法，能有效地提高F值，达到了 率的调和平均值，也是综合这二者指标的评估指 90%,相对文献[14]的F值提高了12%，相对文献 标，用于综合反映整体的指标；F值越高说明跌倒检 [13]的F值提高了7%。这说明，RNNFD相比现有 测方法越有效。 的跌倒检测算法具有更高的查准率与查全率。同时 33测试与分析 也说明，相比于其他算法RNNFD能够更加有效地 测试RNNFD检测跌倒行为的准确性并把结果 发现和抽象数据的内在关联，能更好地实现跌倒行 与相关算法进行比较，同时测试RNNFD检测接近 为的检测。 跌倒状态的结果。 3.3.3检测接近跌倒的结果 3.3.1检测跌倒行为的效果 再测试RNNFD识别接近跌倒行为检测序列组 使用5个测试集测试RNNFD识别跌倒行为的 效果，同样也使用5个测试集，测试结果如表5所示。 效果，结果如表3所示。 表5接近跌倒的检测情况 表3 RNNFD检测跌倒行为的测试结果 Table 5 The detection of near falls Table 3 RNNFD test results for falls behavior 总行为检测 接近跌倒行为预测正确准确率 测试集 TP FP TN FN PP/% R/% F/ 数据集 序列数组 检测序列数组 条数 % 测试集1 45310 5 93.75 90 91.84 测试集1 189 26 22 84.46 测试集2 131 9 2 92.86 87 89.66 测试集2 75 5 100 测试集3 20 218 2 90.1 90.1 90.1 测试集3 126 10 10 100 测试集4 43568 85.58 84.31 86.87 测试集4 126 30 24 80 测试集5 503217 94.54 90.91 92.59 测试集5 243 P f 100 总计 17114642492.4387.69 90 总计 819 79 69 87.34 从实验结果可以发现，RNNFD能保持较高的 从表5的结果中可以发现，RNNFD能有效地 准确率与F值，准确率的平均值在92%左右，F值 识别出接近跌倒的行为检测序列组，平均准确率达 的平均值在90%左右。同时，还可以通过增加隐藏 到了87.3%，这表明RNNFD在进行接近跌倒的行 层中神经元数量的方式，进一步提高识别跌倒行为 为检测时，也表现出了很强的适应性，能够有效地 的效果：此外，也可以通过增加训练样本的方式，提 高RNNFD的检测效果。这表明，RNNFD能在仅 利用检测的数据并且最大可能地发掘状态信息之间 使用少量个体样本数据进行训练时，就能在大其 的内在关联性；同时也说明，RNNFD具有比其他跌 10倍的测试数据集上取得较高的准确性，验证了 倒检测系统更强的检测能力，能识别出具有很大危 RNNFD具有很强的检测能力；同时在训练时仅使 险性同时也是很难区分出的接近跌倒状态，为提前 用了19~23岁的男性样本，但仍然能检验出测试集 采取相应防护措施提供了基础，从而能有效减少跌 中的18~51岁的女性和男性行为，说明RNNFD能 倒带来的危害。 有效地发掘行为训练序列组中4个传感器数据和 4结束语 1个状态信息的内在关联，具有良好的适应能力。 3.3.2与其他跌倒检测算法的比较 本文将RNN引入到跌倒检测的研究中，利用 本文将RNNFD与文献[13-14]中的跌倒检测算 RNN能发现和抽象序列中内在关联关系的特性，通 法进行比较，相应的F值如表4所示。 过发掘位置传感器数据之间内在关联关系，这些内召回率： R= TP/(TP+FN) 准确率与召回率是用在信息检索、分类、识别 等领域的基本指标，用来评价结果的质量；准确率 用来衡量一个系统的查准率，召回率用来衡量一个 系统的查全率。 Fγ = (γ 2 +1)PP×R γ 2 (PP+R) γ γ = 1 F = (2×PP×R)/(PP+R) 式中： 是参数，PP 与 R 分别是准确率与召回率， 本 文取 ，其值此时表示为 。 因此 F 值综合了准确率与召回率，是准确率与召回 率的调和平均值，也是综合这二者指标的评估指 标，用于综合反映整体的指标；F 值越高说明跌倒检 测方法越有效。 3.3 测试与分析 测试 RNNFD 检测跌倒行为的准确性并把结果 与相关算法进行比较，同时测试 RNNFD 检测接近 跌倒状态的结果。 3.3.1 检测跌倒行为的效果 使用 5 个测试集测试 RNNFD 识别跌倒行为的 效果，结果如表 3 所示。 从实验结果可以发现，RNNFD 能保持较高的 准确率与 F 值，准确率的平均值在 92% 左右，F 值 的平均值在 90% 左右。同时，还可以通过增加隐藏 层中神经元数量的方式，进一步提高识别跌倒行为 的效果；此外，也可以通过增加训练样本的方式，提 高 RNNFD 的检测效果。这表明，RNNFD 能在仅 使用少量个体样本数据进行训练时，就能在大其 10 倍的测试数据集上取得较高的准确性，验证了 RNNFD 具有很强的检测能力；同时在训练时仅使 用了 19~23 岁的男性样本，但仍然能检验出测试集 中的 18~51 岁的女性和男性行为，说明 RNNFD 能 有效地发掘行为训练序列组中 4 个传感器数据和 1 个状态信息的内在关联，具有良好的适应能力。 3.3.2 与其他跌倒检测算法的比较 本文将 RNNFD 与文献[13-14]中的跌倒检测算 法进行比较，相应的 F 值如表 4 所示。 从表 4 的结果可以发现，RNNFD 相比文献 [13]和[14]中的算法，能有效地提高 F 值，达到了 90%，相对文献[14]的 F 值提高了 12%，相对文献 [13]的 F 值提高了 7%。这说明，RNNFD 相比现有 的跌倒检测算法具有更高的查准率与查全率。同时 也说明，相比于其他算法 RNNFD 能够更加有效地 发现和抽象数据的内在关联，能更好地实现跌倒行 为的检测。 3.3.3 检测接近跌倒的结果 再测试 RNNFD 识别接近跌倒行为检测序列组 效果，同样也使用 5 个测试集，测试结果如表 5 所示。 从表 5 的结果中可以发现，RNNFD 能有效地 识别出接近跌倒的行为检测序列组，平均准确率达 到了 87.3%，这表明 RNNFD 在进行接近跌倒的行 为检测时，也表现出了很强的适应性，能够有效地 利用检测的数据并且最大可能地发掘状态信息之间 的内在关联性；同时也说明，RNNFD 具有比其他跌 倒检测系统更强的检测能力，能识别出具有很大危 险性同时也是很难区分出的接近跌倒状态，为提前 采取相应防护措施提供了基础，从而能有效减少跌 倒带来的危害。 4 结束语 本文将 RNN 引入到跌倒检测的研究中，利用 RNN 能发现和抽象序列中内在关联关系的特性，通 过发掘位置传感器数据之间内在关联关系，这些内 表 3 RNNFD 检测跌倒行为的测试结果 Table 3 RNNFD test results for falls behavior 测试集 TP FP TN FN PP/% R/% F/% 测试集 1 45 3 10 5 93.75 90 91.84 测试集 2 13 1 9 2 92.86 87 89.66 测试集 3 20 2 18 2 90.1 90.1 90.1 测试集 4 43 5 6 8 85.58 84.31 86.87 测试集 5 50 3 21 7 94.54 90.91 92.59 总计 171 14 64 24 92.43 87.69 90 表 4 不同跌倒检测算法的比较 Table 4 Comparison of different falling detection al￾gorithms 算法 F/% LI ET[14] 79 CHEN ET[13] 83 RNNFD 90 表 5 接近跌倒的检测情况 Table 5 The detection of near falls 数据集 总行为检测 序列数组 接近跌倒行为 检测序列数组 预测正确 条数 准确率 /% 测试集 1 189 26 22 84.46 测试集 2 75 5 5 100 测试集 3 126 10 10 100 测试集 4 126 30 24 80 测试集 5 243 8 8 100 总计 819 79 69 87.34 第 3 期 牛德姣，等：基于递归神经网络的跌倒检测系统 ·385·