基于扩展孤立森林的个性化跌倒检测研究

随着中国人口老龄化趋势的加剧,跌倒检测成为医疗健康领域的一个研究热点。针对传统基于监督学习的跌倒检测算法中难以获取真实的老年人跌倒数据作为跌倒检测方法的基础训练数据及未考虑个性化适配问题,文章提出了一种基于扩展孤立森林的个性化跌倒检测模型,将跌倒视为一个二分类异常检测问题,通过可穿戴传感器采集大量老年人日常行为数据,经预处理和滑动窗口特征提取后,利用无监督的扩展孤立森林算法对每个老年人的日常行为数据进行单独建模,当数据不符合正常行为模式时,模型判定为跌倒。通过公开数据集SisFall验证模型效果,实验结果表明基于扩展孤立森林的个性化跌倒检测模型的平均识别准确率可达96.76%,平均敏感度和特异度分别为97.91%和94.72%,具有良好的性能表现。