·384· 智能系统学报 第13卷 开销的重要因素，本文将神经元的数量设置为200， 为0.1。 正规化参数B设置为10，学习率α的初始值设置 RNNFD的示意图如图5所示。 构建行为 训练与 构建行为 训练序列组 验证 训练序列组 则试集 证 检测 结果 图5 RNNFD的示意图 Fig.5 Schematic diagram of RNNFD 在训练时，RNNFD首先将训练集中的位置传 后选择概率最高的行为测试序列组，根据其中的 感器数据转化为行为训练序列组，输入后进行训 type值，获得判断的行为类型。 练；训练完全部行为训练序列组后，使用验证集中 3.2测试环境与评价指标 的数据进行验证，决定是否需要继续训练。 3.2.1测试环境 RNNFD训练完成后，可以使用测试集中的位 本文使用3台服务器搭建了RNNFD的测试环 置传感器，转换为行为测试序列组后，输入RNNFD 境，服务器的配置如表1所示。 表1 RNNFD的测试环境配置 Table 1 RNNFD test environment configuration 配置 服务器1 服务器2 服务器3 CPU与核心数 48 core 48 core 48 core 内存 64 GB 64 GB 64GB 操作系统版本 Centos 6.7 Centos 6.7 Centos 6.7 Spark版本 RDMA-Spark-0.9.1 RDMA-Spark-0.9.1 RDMA-Spark-0.9.1 网络 40 GB Infiniband 40 GB Infiniband 40 GB Infiniband 通信协议 RDMA RDMA RDMA 使用Fall adl data数据集进行测试与分析，该 练数据的内在关联，并与现有算法比较在较大规模 数据集采集了18~51岁6名女性与36名男性的 的测试集上的准确率。 42个样本，他们的年龄、身高及体重的均值与方差 表2训练集的构建 分别为(24.1±5.7)岁，(172.2±6.7)cm和(69.7±13.1)kg Table 2 Training set construction 每个样本包含16万条位置传感器和状态数据，包括 样本 年龄/岁 身高/cm 体重/kg 性别 跌倒、接近跌倒、日常活动等状态，总计672万条数 样本1 23 174 75 男 据，能满足RNNFD的训练与测试要求。 在构建训练集时，本文选取了3个男性的样 样本2 19 168 84 男 本，具体信息如表2所示，体型特征包括正常、矮胖 样本3 21 185 82 男 和高瘦3种类型，具有一定的代表性。RNNFD的 此外，从余下的39个样本中随机抽取273条传 训练集包括476858条行为训练序列组，每条行为 感器数据构建了5个测试集用于测试，共计819条 训练序列组包含4个传感器数据和1个状态信息 行为检测序列组，包含10647个输入单元。 共13个独立输入单元，整个训练集共计包含6199154 3.2.2评价指标 个输入单元。同时，随机选取了训练集中的167953 使用以下几个量化指标评测基于RNN的跌倒 条行为训练序列组构建验证集，用于调整学习率， 检测系统。 共计2183389个输入单元。虽然仅选了3个男性 TP:能够检测出的跌倒次数。 样本构建训练集，但行为训练序列组的数量已经达 FP:误判为跌倒的次数。 到47万多条，能较好满足RNNFD的训练要求，避 TN:没有误判为跌倒的次数。 免样本个数较小带来的过拟合现象；而且，仅使用 FN:没有判断出来的跌倒次数。 3个男性样本进行训练，RNNFD就能够发现行为训 准确率：PP=TP/(TP+FP)开销的重要因素，本文将神经元的数量设置为 200， 正规化参数 β 设置为 10-6，学习率 α 的初始值设置 为 0.1。 RNNFD 的示意图如图 5 所示。 在训练时，RNNFD 首先将训练集中的位置传 感器数据转化为行为训练序列组，输入后进行训 练；训练完全部行为训练序列组后，使用验证集中 的数据进行验证，决定是否需要继续训练。 RNNFD 训练完成后，可以使用测试集中的位 置传感器，转换为行为测试序列组后，输入 RNNFD 后选择概率最高的行为测试序列组，根据其中的 type 值，获得判断的行为类型。 3.2 测试环境与评价指标 3.2.1 测试环境 本文使用 3 台服务器搭建了 RNNFD 的测试环 境，服务器的配置如表 1 所示。 使用 Fall_adl_data 数据集进行测试与分析，该 数据集采集了 18~51 岁 6 名女性与 36 名男性的 42 个样本，他们的年龄、身高及体重的均值与方差 分别为 (24.1±5.7) 岁，(172.2±6.7) cm 和 (69.7±13.1) kg， 每个样本包含 16 万条位置传感器和状态数据，包括 跌倒、接近跌倒、日常活动等状态，总计 672 万条数 据，能满足 RNNFD 的训练与测试要求。 在构建训练集时，本文选取了 3 个男性的样 本，具体信息如表 2 所示，体型特征包括正常、矮胖 和高瘦 3 种类型，具有一定的代表性。RNNFD 的 训练集包括 476 858 条行为训练序列组，每条行为 训练序列组包含 4 个传感器数据和 1 个状态信息 共 13 个独立输入单元，整个训练集共计包含 6 199 154 个输入单元。同时，随机选取了训练集中的 167 953 条行为训练序列组构建验证集，用于调整学习率， 共计 2 183 389 个输入单元。虽然仅选了 3 个男性 样本构建训练集，但行为训练序列组的数量已经达 到 47 万多条，能较好满足 RNNFD 的训练要求，避 免样本个数较小带来的过拟合现象；而且，仅使用 3 个男性样本进行训练，RNNFD 就能够发现行为训 练数据的内在关联，并与现有算法比较在较大规模 的测试集上的准确率。 此外，从余下的 39 个样本中随机抽取 273 条传 感器数据构建了 5 个测试集用于测试，共计 819 条 行为检测序列组，包含 10 647 个输入单元。 3.2.2 评价指标 使用以下几个量化指标评测基于 RNN 的跌倒 检测系统。 TP：能够检测出的跌倒次数。 FP：误判为跌倒的次数。 TN：没有误判为跌倒的次数。 FN：没有判断出来的跌倒次数。 准确率： PP = TP/(TP+FP) 表 1 RNNFD 的测试环境配置 Table 1 RNNFD test environment configuration 配置 服务器 1 服务器 2 服务器 3 CPU 与核心数 48 core 48 core 48 core 内存 64 GB 64 GB 64 GB 操作系统版本 Centos 6.7 Centos 6.7 Centos 6.7 Spark 版本 RDMA-Spark-0.9.1 RDMA-Spark-0.9.1 RDMA-Spark-0.9.1 网络 40 GB Infiniband 40 GB Infiniband 40 GB Infiniband 通信协议 RDMA RDMA RDMA 表 2 训练集的构建 Table 2 Training set construction 样本 年龄/岁 身高/cm 体重/kg 性别 样本 1 23 174 75 男 样本 2 19 168 84 男 样本 3 21 185 82 男 RNNFD 䃙㏯䯲 侸䃭䯲 Ჰᐦ㵸ͦ 䃙㏯Ꮋ݃㏰ Ჰᐦ㵸ͦ 䃙㏯Ꮋ݃㏰ 䃙㏯̺ 侸䃭 ᷬ≷ ≷䄁䯲 ᷬ≷ ㏿᳈ 图 5 RNNFD 的示意图 Fig. 5 Schematic diagram of RNNFD ·384· 智 能 系 统 学 报 第 13 卷