[发明专利]一种基于集成决策树的跌倒检测方法和系统

权利要求书

1.一种基于集成决策树的跌倒检测方法，其特征在于，包括：

步骤1、对于标记为跌倒的第一加速度数据，取该第一加速度数据中平方和最大的点，根据预设时间段范围取该点左右的数据段作为原始集，对于标记为非跌倒的第二加速度数据，通过滑窗每次取该预设时间段范围的数据段加入该原始集，得到最终集，通过快速傅里叶变换提取该最终集中各数据段的多维特征作为训练特征；

步骤2、创建多棵决策树，以该训练特征作为输入特征，分别输入该决策树以迭代训练各决策树，通过每一棵决策树去拟合上一棵决策树的残差,集合训练完成的决策树作为集成学习模型；

步骤3、获取待跌倒检测的第三加速度数据，利用滑窗的方法提取该第三加速度数据的数据段作为检测数据，将该检测数据输入至该集成学习模型，得到跌倒检测结果。

2.如权利要求1所述的基于集成决策树的跌倒检测方法，其特征在于，该决策树为回归树，采用基尼指数选择最优特征。

3.如权利要求1所述的基于集成决策树的跌倒检测方法，其特征在于，该步骤2中迭代训练各决策树的次数为该多棵决策树的棵数。

4.如权利要求1所述的基于集成决策树的跌倒检测方法，其特征在于，步骤2包括：

该上一棵决策树具体为第k-1棵树，第k轮的残差是该第k-1棵树的预测值之和与真实值之间的误差，该拟合过程具体为使得第k棵树的预测值与残差之间的误差最小。

5.如权利要求4所述的基于集成决策树的跌倒检测方法，其特征在于，使用目标函数得到该误差，指导集成学习模型向误差最小的方向更新，该目标函数Obj(Θ)具体为：

其中K代表了总的决策树的数目，f_k代表第k棵数的打分，i代表第i个样本，n为训练集的样本个数，y_i表示样本的真实标签，表示该样本的预测标签，l表示y_i,和的误差。

6.一种基于集成决策树的跌倒检测系统，其特征在于，包括：

模块1、对于标记为跌倒的第一加速度数据，取该第一加速度数据中平方和最大的点，根据预设时间段范围取该点左右的数据段作为原始集，对于标记为非跌倒的第二加速度数据，通过滑窗每次取该预设时间段范围的数据段加入该原始集，得到最终集，通过快速傅里叶变换提取该最终集中各数据段的多维特征作为训练特征；

模块2、创建多棵决策树，以该训练特征作为输入特征，分别输入该决策树以迭代训练各决策树，通过每一棵决策树去拟合上一棵决策树的残差,集合训练完成的决策树作为集成学习模型；

模块3、获取待跌倒检测的第三加速度数据，利用滑窗的系统提取该第三加速度数据的数据段作为检测数据，将该检测数据输入至该集成学习模型，得到跌倒检测结果。

7.如权利要求6所述的基于集成决策树的跌倒检测系统，其特征在于，该决策树为回归树，采用基尼指数选择最优特征。

8.如权利要求6所述的基于集成决策树的跌倒检测系统，其特征在于，该模块2中迭代训练各决策树的次数为该多棵决策树的棵数。

9.如权利要求6所述的基于集成决策树的跌倒检测系统，其特征在于，模块2包括：

该上一棵决策树具体为第k-1棵树，第k轮的残差是该第k-1棵树的预测值之和与真实值之间的误差，该拟合过程具体为使得第k棵树的预测值与残差之间的误差最小。

10.如权利要求9所述的基于集成决策树的跌倒检测系统，其特征在于，使用目标函数得到该误差，指导集成学习模型向误差最小的方向更新，该目标函数Obj(Θ)具体为：

其中K代表了总的决策树的数目，f_k代表第k棵数的打分，i代表第i个样本，n为训练集的样本个数，y_i表示样本的真实标签，表示该样本的预测标签，l表示y_i,和的误差。