基于随机森林算法的背包负重行走疲劳检测

目的使用可穿戴惯性传感器(inertial measurement unit,IMU)技术和随机森林(random forest,RF)算法检测长距离背包负重行走的疲劳水平,探究负重行走疲劳检测的可行性和最佳IMU组合方案。方法招募30名健康男性大学生进行长距离背包负重行走。应用Xsens MVN Link惯性运动捕捉系统和Borg-RPE疲劳量表采集负重行走的运动学数据和主观疲劳值,将疲劳分为无疲劳、中度疲劳和重度疲劳3个等级。提取原始数据,进行步态分割、数据筛选和特征提取,利用RF模型对样本特征进行机器学习,最后计算准确率、精确率、混淆矩阵和受试者工作特征曲线下面积(area under the curve,AUC)对不同IMU组合的检测效果加以评定。结果1个右股骨IMU准确率达到82.55%,5个IMU组合的准确率最高,为87.94%。在多个IMU的组合中,至少包含1个上半身IMU,且左侧肢体的IMU多于右侧。同时,RF模型对负重步行的疲劳检测具有较高的水平,使用4个IMU时,3级疲劳的AUC分别为0.99、0.97和0.99。结论IMU技术和RF算法在背包负重行走的3级疲劳检测任务中具有较高的准确率和分类能力。在实际应用中推荐采用1~5个IMU,上半身IMU和下肢IMU结合的配置方案。