为解决不同跌倒方式的训练误差无法充分收敛而导致分类效果欠佳的问题,在提取穿戴式设备加速度、角速度及合加速度三维特征的基础上,提出了一种级联分类的跌倒识别(Cascade Fall Recognition,CFR)方案;同时为降低级联串行运算的复杂度,...为解决不同跌倒方式的训练误差无法充分收敛而导致分类效果欠佳的问题,在提取穿戴式设备加速度、角速度及合加速度三维特征的基础上,提出了一种级联分类的跌倒识别(Cascade Fall Recognition,CFR)方案;同时为降低级联串行运算的复杂度,进一步提出了基于经验特征维度降维的低复杂度级联分类跌倒识别(Low-complexity Cascade Fall Recognition,LCFR)方案。最后,面向SisFall数据集,分别使用单个多分类器方案、CFR方案和LCFR方案进行四分类任务(日常行为,向前跌倒,横向跌倒,向后跌倒),对F1-Score和训练时间复杂度进行对比。实验结果表明:CFR方案在四分类跌倒任务时的F1-Score达98.56%;在接近无损F1-Score的前提下,LCFR方案的训练时间复杂度比CFR方案降低了61.11%,且该方案的F1-Score高于同类跌倒识别方案。展开更多
文摘为解决不同跌倒方式的训练误差无法充分收敛而导致分类效果欠佳的问题,在提取穿戴式设备加速度、角速度及合加速度三维特征的基础上,提出了一种级联分类的跌倒识别(Cascade Fall Recognition,CFR)方案;同时为降低级联串行运算的复杂度,进一步提出了基于经验特征维度降维的低复杂度级联分类跌倒识别(Low-complexity Cascade Fall Recognition,LCFR)方案。最后,面向SisFall数据集,分别使用单个多分类器方案、CFR方案和LCFR方案进行四分类任务(日常行为,向前跌倒,横向跌倒,向后跌倒),对F1-Score和训练时间复杂度进行对比。实验结果表明:CFR方案在四分类跌倒任务时的F1-Score达98.56%;在接近无损F1-Score的前提下,LCFR方案的训练时间复杂度比CFR方案降低了61.11%,且该方案的F1-Score高于同类跌倒识别方案。