潘道華，劉宏偉

（1 哈爾濱工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150001； 2 黑龍江民族職業(yè)學(xué)院電子信息工程系，哈爾濱 150001）

0 引 言

當(dāng)今社會(huì)人口老齡化現(xiàn)象是最顯著的人口特征之一，由于老年人生理結(jié)構(gòu)的老化和身體機(jī)能的下降，在生活中老年人意外摔倒不再是個(gè)例，是造成老年人嚴(yán)重健康傷害、甚至死亡的十大主要原因之一。在日常生活中，尤其是在潮濕處，如廚房、浴室等地，老人就容易出現(xiàn)打滑。 此時(shí)，若老年人還患有腦溢血、心臟病等疾病，發(fā)生摔倒就有可能危及老年人的生命。 此外，當(dāng)今社會(huì)老人戶(hù)外摔倒，若未能遇到路人及時(shí)伸出援手，就將導(dǎo)致摔倒后的老人很長(zhǎng)一段時(shí)間內(nèi)得不到救助［1］，這種情況就更會(huì)加劇對(duì)老年人的傷害。 綜上可知，老年人摔倒問(wèn)題已經(jīng)衍生成為一個(gè)重大的社會(huì)問(wèn)題［2］。 因此，摔倒行為識(shí)別對(duì)老年人尤為重要，有關(guān)人體摔倒行為識(shí)別的研究具有很高的實(shí)際應(yīng)用價(jià)值。

在人體摔倒行為識(shí)別的研究中，特征提取是至關(guān)重要的一個(gè)環(huán)節(jié)。 目前，特征提取主要是通過(guò)手工法提取，提取的特征包括時(shí)域特征、頻域特征和時(shí)頻域特征。 這些傳統(tǒng)的手工法提取的特征往往導(dǎo)致分類(lèi)識(shí)別的準(zhǔn)確性不夠高。 為了提高識(shí)別準(zhǔn)確性和特征提取的自動(dòng)化程度，減少人為的干預(yù)，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行深度特征的提取，而后再經(jīng)過(guò)機(jī)器學(xué)習(xí)分類(lèi)器算法進(jìn)行識(shí)別的方法。 將深度學(xué)習(xí)技術(shù)與機(jī)器學(xué)習(xí)算法相相合，可以使整個(gè)模型的綜合性能得以提高，從而提升人體摔倒行為識(shí)別準(zhǔn)確率。 將CNN 用作分類(lèi)器會(huì)有一定的局限性。 分析可知，CNN 是多層感知機(jī)的拓展模型，通過(guò)使用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的算法來(lái)進(jìn)行訓(xùn)練學(xué)習(xí)，這就容易導(dǎo)致模型最終得到的不是全局最優(yōu)解、而是局部最優(yōu)解［3］。 另外，當(dāng)數(shù)據(jù)到達(dá)網(wǎng)絡(luò)的輸出層（output layer） 時(shí)，經(jīng)常使用的多分類(lèi)激活函數(shù)（softmax） 往往傾向于把一個(gè)極大的值（近似為1）賦給某一個(gè)類(lèi)別，而其它的類(lèi)別所得的值相比就很?。ń茷?），這就明顯降低了CNN 在分類(lèi)識(shí)別中的容錯(cuò)能力。 因此，CNN 并不適合用作分類(lèi)器模型［4］。本文選擇了CNN 結(jié)合SVM 的混合式模型做人體摔倒行為的分類(lèi)研究，可以大大提高識(shí)別的準(zhǔn)確率。

1 人體摔倒過(guò)程的分析及數(shù)據(jù)獲取

1.1 人體摔倒過(guò)程的分析

人體摔倒在地面或接近于地面的較低物體上時(shí)，會(huì)對(duì)其產(chǎn)生一定的沖擊，根據(jù)沖擊的強(qiáng)度，可以將摔倒分為硬摔倒和軟摔倒兩大類(lèi)［5］。 其中，硬摔倒是指發(fā)生撞擊后，會(huì)引起身體的一系列疾病的摔倒。 軟摔倒是指因?yàn)樽矒魪?qiáng)度低，發(fā)生撞擊后，身體不會(huì)受到嚴(yán)重傷害的摔倒，比如老年人靠在墻邊，或者扶著墻壁等比較緩慢地摔倒。 由于硬摔倒會(huì)對(duì)身體產(chǎn)生較大的危害，因此，本文著重對(duì)這種摔倒進(jìn)行研究和分析。 根據(jù)人體動(dòng)力學(xué)的原理，當(dāng)人體的重心投向地面的投影不在人體的支撐點(diǎn)上時(shí)，人體的力平衡機(jī)制就已經(jīng)被打破。 如果人體的重心或支撐點(diǎn)沒(méi)有得到及時(shí)調(diào)整，就極易發(fā)生摔倒。 這種人體的不平衡狀態(tài)導(dǎo)致的結(jié)果是人體以一定的加速度向下落地，同時(shí)，身體的姿態(tài)角度發(fā)生變化。 根據(jù)這一分析，可以將摔倒過(guò)程分為4 個(gè)階段：

（1）摔倒開(kāi)始階段：此時(shí)摔倒并沒(méi)有發(fā)生，但人體平衡被破壞了，在這一階段里身體加速度和身體姿態(tài)角度都沒(méi)有發(fā)生改變。

（2）身體下降階段：從人體失去平衡開(kāi)始，到身體與地面接觸結(jié)束。 在這個(gè)過(guò)程中，人的雙腳著地面會(huì)逐漸脫離地面，身體在重力加速度的作用下發(fā)生向下的墜落，該階段中，人體處于失重的狀態(tài)。 由于人體受到重力加速度的作用，身體的變化速度在與地面發(fā)生撞擊之前會(huì)逐漸增大，直至達(dá)到某個(gè)最大值。 身體的加速度值也會(huì)發(fā)生變化，由重力加速度G逐漸下降為接近于0。 身體繞人體坐標(biāo)系中的坐標(biāo)軸旋轉(zhuǎn)的旋轉(zhuǎn)角度和旋轉(zhuǎn)角速度發(fā)生變化。

（3）沖擊發(fā)生階段：從身體觸碰地面或者較低平面那一刻開(kāi)始，到身體靜止在地面上為止。 在沖擊階段中，身體的加速度值會(huì)發(fā)生劇烈的變化，身體將承受很大的沖擊，這一階段也是造成身體損傷的階段。 在身體受到撞擊發(fā)生前，身體向下的運(yùn)動(dòng)速度達(dá)到最大值，此后與地面或其它較低平面發(fā)生突然性碰撞，速度發(fā)生驟減，減至0。 此時(shí)，加速度會(huì)迅速地變大，會(huì)形成一個(gè)明顯的峰值。

（4）身體靜止階段：身體在受到?jīng)_擊后通常會(huì)躺在地面上一段時(shí)間。 一般情況下，無(wú)論身體是否受到傷害，在摔倒后的一段較短的時(shí)間內(nèi)，身體都會(huì)處于一種相對(duì)靜止的狀態(tài)。 在這一階段，身體的加速度值處于相對(duì)平穩(wěn)的狀態(tài)。

1.2 數(shù)據(jù)獲取

本文的實(shí)驗(yàn)數(shù)據(jù)是通過(guò)志愿者穿戴著一套動(dòng)作捕捉設(shè)備進(jìn)行采集的。 該套設(shè)備全身共包含16 個(gè)傳感器節(jié)點(diǎn)，如圖1 所示，每個(gè)傳感器節(jié)點(diǎn)都為九軸傳感器，分別集成了三軸加速度計(jì)、三軸陀螺儀、三軸地磁計(jì)。

圖1 數(shù)據(jù)采集所用的傳感器節(jié)點(diǎn)Fig. 1 The sensor nodes used for data acquisition

該套動(dòng)捕設(shè)備通過(guò)WiFi 與主機(jī)通信，并將采集到的傳感器數(shù)據(jù)存儲(chǔ)在主機(jī)中。 由于本文的實(shí)驗(yàn)是做人體大幅度動(dòng)作的分類(lèi)，旨在有效識(shí)別出是否有摔倒行為的發(fā)生，所以手背處的傳感器節(jié)點(diǎn)所采集的數(shù)據(jù)對(duì)于摔倒識(shí)別的影響不大。 另外，由于全身的傳感器呈身體對(duì)稱(chēng)性分布，所以本文實(shí)驗(yàn)只選用身體單側(cè)肢體的傳感器節(jié)點(diǎn)和身體主干上的傳感器節(jié)點(diǎn)的數(shù)據(jù)就可以實(shí)現(xiàn)實(shí)驗(yàn)要求，文中選用了7 個(gè)關(guān)鍵的傳感器節(jié)點(diǎn)所采集的傳感器數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，這7 個(gè)傳感器節(jié)點(diǎn)分別位于頭部、胸部、腰部、上臂部、前臂部、大腿部和小腿部。

本文的部分實(shí)驗(yàn)數(shù)據(jù)是來(lái)源于5 位65 歲以上的老年人真實(shí)日常生活中的各種行為數(shù)據(jù)的采集，但是由于沒(méi)有那么多老年人可以進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的采集，另外又考慮到老年人的安全和健康，本文的另一部分?jǐn)?shù)據(jù)獲取來(lái)源于征集的20 位青年志愿者，志愿者的年齡范圍為18～22 歲，平均年齡為20.5 歲；體重范圍為46～79 kg，平均體重為62.18 kg；身高范圍為155～178 cm，平均身高為169.6 cm。 所有的志愿者模擬日常生活中7 類(lèi)常見(jiàn)的行為活動(dòng)［6］：行走、坐、蹲、躺、站立、上樓、下樓，每種日常行為活動(dòng)的數(shù)據(jù)采集持續(xù)時(shí)間為5 min。每位志愿者進(jìn)行了模擬摔倒，摔倒分為向前、向后、向左、向右和行走中摔倒（也稱(chēng)為絆倒）。 分別模擬人體下肢在突然失去控制的情況下和發(fā)生眩暈的情況下發(fā)生的摔倒，每種摔倒進(jìn)行20 次，共計(jì)100 次，所有的摔倒都是在厚約10 cm 的海綿墊上進(jìn)行的。 所有傳感器節(jié)點(diǎn)的采樣頻率均為120 Hz。

實(shí)驗(yàn)采集的原始傳感器數(shù)據(jù)信號(hào)通過(guò)0.2 Hz的三階巴特沃斯高通濾波器［7］進(jìn)行濾波，接著再通過(guò)滑動(dòng)窗口技術(shù)實(shí)現(xiàn)傳感器數(shù)據(jù)的分割，將數(shù)據(jù)分割成若干個(gè)數(shù)據(jù)片段。 滑動(dòng)窗口的時(shí)間窗口大小是由目標(biāo)行為活動(dòng)集來(lái)決定的，最終根據(jù)實(shí)際情況，將滑動(dòng)窗口的時(shí)間設(shè)定為3 s，這是一個(gè)比較常用的窗口大?。?］。 7 個(gè)傳感器節(jié)點(diǎn)分別穿戴在人身體上的7 個(gè)不同位置，因?yàn)槊總€(gè)傳感節(jié)點(diǎn)都包括三軸加速度計(jì)、三軸陀螺儀、三軸地磁計(jì)，所以每個(gè)數(shù)據(jù)文件包括63 列傳感器數(shù)據(jù)。

2 特征提取

2.1 傳統(tǒng)特征的提取

特征提取是進(jìn)行人體摔倒行為識(shí)別的過(guò)程中不可缺少的主要環(huán)節(jié)，對(duì)摔倒行為識(shí)別的準(zhǔn)確性有著很大的影響。 傳統(tǒng)的統(tǒng)計(jì)特征會(huì)經(jīng)常被用在人體行為識(shí)別的研究中，通?？煞譃闀r(shí)域特征、頻域特征和時(shí)頻域特征。 Khan 等人［9］和Yan 等人［10］對(duì)時(shí)域特征和頻域特征進(jìn)行了對(duì)比，結(jié)果是在大多數(shù)情況下時(shí)域特征對(duì)分類(lèi)的作用更大，但是將兩者結(jié)合起來(lái)是一種更好的方法。

本文進(jìn)行了傳統(tǒng)特征的提取。 對(duì)傳感器的每個(gè)軸所采集的數(shù)據(jù)分別提取了9 種常用特征：均值、方差、中位數(shù)、均方根、標(biāo)準(zhǔn)差、最大差值、偏度、峰度和能量，各指標(biāo)的數(shù)學(xué)定義公式如下。

（1）均值。 計(jì)算公式可寫(xiě)為：

（2）方差。 計(jì)算公式可寫(xiě)為：

（3）中位數(shù)。 計(jì)算公式可寫(xiě)為：

（4）均方根。 計(jì)算公式可寫(xiě)為：

（5）標(biāo)準(zhǔn)差。 計(jì)算公式可寫(xiě)為：

（6）最大差值。 計(jì)算公式可寫(xiě)為：

（7）偏度。 計(jì)算公式可寫(xiě)為：

（8）峰度。 計(jì)算公式可寫(xiě)為：

（9）能量。 計(jì)算公式可寫(xiě)為：

其中，T（i） 表示經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)的第i個(gè)采樣點(diǎn)值，F(xiàn)（i） 為T(mén)經(jīng)過(guò)傅立葉變換后的第i個(gè)傅立葉系數(shù)。

經(jīng)過(guò)特征提取后，形成了由各個(gè)傳感器數(shù)據(jù)片段的特征向量組成的多維特征向量。

2.2 深度特征的提取

本文使用卷積神經(jīng)網(wǎng)絡(luò)CNN 來(lái)進(jìn)行深度特征的提取。 為了提取深度特征，構(gòu)建CNN 的結(jié)構(gòu)［11］如圖2 所示。 在實(shí)驗(yàn)部分，對(duì)基于深度特征的摔倒行為識(shí)別效果和基于傳統(tǒng)的統(tǒng)計(jì)特征的識(shí)別效果做了對(duì)比。

為了闡述模型的工作機(jī)制，用X來(lái)表示卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。 經(jīng)過(guò)卷積后，第k個(gè)特征圖中的元素被記為［12］：

其中，（p，q） 表示元素在對(duì)應(yīng)的特征圖中的具體位置；bk是偏置項(xiàng)；卷積核的大小用i?j來(lái)表示；表示卷積核權(quán)重值，這里的α和β標(biāo)識(shí)為該權(quán)重在卷積核中的位置。

假設(shè)原始傳感器數(shù)據(jù)序列大小為m?n，表示進(jìn)行第p?（m－2）＋q次卷積運(yùn)算時(shí)輸入的數(shù)據(jù)中對(duì)應(yīng)位置的值。F為卷積層的激活函數(shù)，本文使用的是ReLu線性整流函數(shù)，函數(shù)形式可表示為：

經(jīng)過(guò)平化層后，所有的特征圖經(jīng)由矩陣轉(zhuǎn)換為1D 的向量。 此后數(shù)據(jù)再經(jīng)過(guò)全連接層，輸出深層特征。 全連接層的數(shù)學(xué)原理公式可表示為：

其中，u表示輸入的數(shù)據(jù)的維度；xγ個(gè)輸入的元素；vγ表示第γ個(gè)輸出的元素；W表示權(quán)重向量；b為偏移值；S是激活函數(shù)tanh，其值可由如下數(shù)學(xué)公式計(jì)算求出：

最后一層的輸出向量V ＝［v1，…，vu］ 是卷積神經(jīng)網(wǎng)絡(luò)提取出的深度特征，為下一步將要進(jìn)行的機(jī)器學(xué)習(xí)分類(lèi)器做訓(xùn)練使用的特征。

每個(gè)節(jié)點(diǎn)的采集數(shù)據(jù)是由9 個(gè)軸的數(shù)據(jù)組成，采集到的數(shù)據(jù)序列經(jīng)過(guò)滑動(dòng)窗口進(jìn)行分割，分割為每個(gè)窗口包含360 個(gè)采樣點(diǎn)的傳感器數(shù)據(jù)文件。 因此，進(jìn)行深度特征提取的輸入為多個(gè)360?9 大小的矩陣。 卷積層采用4 個(gè)卷積核，因?yàn)槊? 個(gè)傳感器數(shù)據(jù)都屬于同一類(lèi)型，所以使用了4 個(gè)大小為3?3的卷積核。 將stride設(shè)置為1。 經(jīng)過(guò)卷積運(yùn)算后的結(jié)果，再經(jīng)過(guò)平坦層的一維化運(yùn)算進(jìn)入稠密層，該層中設(shè)計(jì)了64 個(gè)權(quán)重節(jié)點(diǎn)，經(jīng)過(guò)全連接運(yùn)算后得到64 維的特征向量。

3 實(shí)驗(yàn)對(duì)比分析

人體摔倒行為的識(shí)別一般采用敏感性、特異性、準(zhǔn)確性三個(gè)指標(biāo)來(lái)評(píng)價(jià)。 這3 個(gè)指標(biāo)是用4 種可能情況來(lái)計(jì)算的，參見(jiàn)表1。

表1 摔倒行為識(shí)別的4 種可能情況Tab. 1 Four possible cases of falling behavior recognition

表1 中，True Negatives（TN） 表示摔倒并未發(fā)生，可以正確識(shí)別為不是摔倒、而是其它行為的樣本數(shù)；False Negatives（FN） 表示摔倒發(fā)生了、但卻沒(méi)有被識(shí)別出來(lái)的摔倒行為的樣本數(shù)； False Positives（FP） 表示摔倒并未發(fā)生、但卻把其它的日常行為活動(dòng)誤判為是摔倒行為的樣本數(shù)；True Positives（TP） 表示摔倒發(fā)生了、而且能正確地被識(shí)別出來(lái)的摔倒行為的樣本數(shù)。

進(jìn)而，針對(duì)研究采用的評(píng)價(jià)指標(biāo)，擬做剖析分述如下。

（1）敏感性。 是標(biāo)識(shí)檢測(cè)摔倒能力的指標(biāo)。 可由摔倒發(fā)生并能夠成功檢測(cè)到的摔倒數(shù)（TP） 與發(fā)生的總摔倒數(shù)（TP ＋FN） 之比計(jì)算得出：

（2）特異性。 是標(biāo)識(shí)避免誤報(bào)能力的指標(biāo)，計(jì)算公式為：

至此分析可知，敏感性和特異性用來(lái)更好地了解摔倒行為識(shí)別的某些限制。

（3）準(zhǔn)確性。是有效區(qū)分和識(shí)別摔倒（TP） 和非摔倒（TN） 的能力，可以通過(guò)以下公式計(jì)算得出：

其中，P表示摔倒發(fā)生的次數(shù)，N表示沒(méi)有摔倒發(fā)生的次數(shù)。

總體來(lái)說(shuō)，準(zhǔn)確性是一個(gè)全局性的指標(biāo)，本文實(shí)驗(yàn)部分把準(zhǔn)確性作為摔倒行為識(shí)別的衡量標(biāo)準(zhǔn)。

3.1 基于傳統(tǒng)特征的摔倒識(shí)別

通過(guò)2.1 節(jié)提取的統(tǒng)計(jì)特征作為特征向量，利用支持向量機(jī)（SVM）［13］、決策樹(shù)（DT）［14］、隨機(jī)森林（RF）［15］三種分類(lèi)器模型分別進(jìn)行訓(xùn)練與測(cè)試，然后采用十折交叉驗(yàn)證法對(duì)分類(lèi)效果進(jìn)行驗(yàn)證。 準(zhǔn)確性的實(shí)驗(yàn)比較結(jié)果見(jiàn)表2。

表2 基于統(tǒng)計(jì)特征的摔倒行為識(shí)別準(zhǔn)確性Tab. 2 Accuracy of falling behavior recognition based on statistical features

表2 顯示了3 種分類(lèi)器算法的不同檢測(cè)效果。可能是因?yàn)镈T 分類(lèi)器和RF 分類(lèi)器不適合對(duì)連續(xù)數(shù)據(jù)進(jìn)行處理，還可能因?yàn)閷?duì)分類(lèi)器參數(shù)的設(shè)置沒(méi)有達(dá)到最優(yōu)，所以導(dǎo)致RF 的效果略差，DT 的效果更差。 總的說(shuō)來(lái)，SVM 的平均識(shí)別準(zhǔn)確性最高，整體效果最好。

另外，傳感器佩戴的不同位置對(duì)摔倒行為的檢測(cè)準(zhǔn)確率有一定的差別。 腰部采集的實(shí)驗(yàn)數(shù)據(jù)效果最好。 不同傳感器佩戴位置、不同的分類(lèi)器算法對(duì)摔倒行為的檢測(cè)準(zhǔn)確率有一定的影響，但差別并不明顯。 綜合SVM、DT、RF 三種分類(lèi)器算法的摔倒行為識(shí)別準(zhǔn)確率對(duì)比效果，如圖3 所示。

圖3 傳感器佩戴位置與摔倒行為識(shí)別準(zhǔn)確性的關(guān)系Fig. 3 The relationship between sensor position and the accuracy of falling behavior recognition

通過(guò)實(shí)驗(yàn)可以看出：不同的傳感器佩戴位置對(duì)摔倒行為的識(shí)別準(zhǔn)確率影響并不大，特別是對(duì)SVM 這個(gè)整體性能比較好的分類(lèi)器。 雖然方法不同，但這一結(jié)論與其他研究工作者得出的結(jié)論相似［16］。

3.2 基于深度特征的摔倒識(shí)別

3.2.1 基于深度特征的摔倒行為識(shí)別的效果

利用本文設(shè)計(jì)的CNN 結(jié)構(gòu)提取新的深度特征，構(gòu)成特征向量，利用支持向量機(jī)（SVM）、決策樹(shù)（DT）、隨機(jī)森林（RF）三種分類(lèi)器模型分別對(duì)身體的7 個(gè)傳感器節(jié)點(diǎn)采集到的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，基于統(tǒng)計(jì)特征對(duì)身體各傳感器節(jié)點(diǎn)的摔倒行為識(shí)別的準(zhǔn)確性實(shí)驗(yàn)結(jié)果見(jiàn)表3。

表3 基于深度特征的摔倒行為識(shí)別準(zhǔn)確性Tab. 3 Accuracy of falling behavior recognition based on depth feature

3.2.2 基于深度特征與傳統(tǒng)特征的摔倒行為識(shí)別的效果對(duì)比

為了便于清楚地對(duì)比基于深度特征與傳統(tǒng)特征的摔倒行為識(shí)別的效果，將識(shí)別準(zhǔn)確率的效果以圖4 顯示。

圖4 使用深度特征與傳統(tǒng)特征進(jìn)行的摔倒行為識(shí)別準(zhǔn)確性的對(duì)比圖Fig. 4 Falling behavior identification accuracy using depth features versus traditional features

由圖4 可以看出基于深度特征的人體摔倒行為識(shí)別的準(zhǔn)確率明顯高于基于傳統(tǒng)統(tǒng)計(jì)特征的人體摔倒行為識(shí)別的準(zhǔn)確率。 圖4 中，分類(lèi)器算法SVM 通過(guò)CNN 提取的深度特征對(duì)摔倒識(shí)別準(zhǔn)確率的提升最為明顯。 另外，在對(duì)人體摔倒行為識(shí)別的整個(gè)實(shí)驗(yàn)過(guò)程中，可以發(fā)現(xiàn)無(wú)論使用哪一種分類(lèi)器，相對(duì)運(yùn)動(dòng)幅度比較小的活動(dòng)的識(shí)別精度都相對(duì)較高，這是因?yàn)橄鄬?duì)運(yùn)動(dòng)幅度比較小的活動(dòng)所具有的平穩(wěn)信號(hào)特性。 而對(duì)于運(yùn)動(dòng)時(shí)幅度比較大的動(dòng)態(tài)行為活動(dòng)，識(shí)別準(zhǔn)確率略低一些，也許是因?yàn)槭軘?shù)據(jù)失真的影響更大的結(jié)果。 但是本文采用的基于CNN 提取的深度特征的方法可以大大地緩解這個(gè)問(wèn)題。

4 結(jié)束語(yǔ)

本文提出了基于CNN 結(jié)構(gòu)進(jìn)行深度特征提取的方法，將深度特征的提取結(jié)合SVM 分類(lèi)器用于人體摔倒行為識(shí)別的實(shí)驗(yàn)研究中，結(jié)果表明，提取不同的特征對(duì)人體活動(dòng)識(shí)別的準(zhǔn)確性有著很大的影響，基于CNN 的深度特征可以大大提高人體摔倒行為識(shí)別的準(zhǔn)確率。 另外，本文對(duì)身體不同的傳感器佩戴位置所采集的實(shí)驗(yàn)數(shù)據(jù)對(duì)人體摔倒行為的識(shí)別準(zhǔn)確率的影響進(jìn)行了對(duì)比，結(jié)果是腰部的識(shí)別準(zhǔn)確率最高，可達(dá)到94.89%。 本文將基于CNN 和SVM 的混合分類(lèi)識(shí)別模型用于人體摔倒行為識(shí)別的研究，可以大大提高摔倒行為識(shí)別的準(zhǔn)確率。