利用X因子隐马尔可夫模型检测跌倒

在执行日常活动(ADL)时识别跌倒对于确保个人安全与福祉十分重要。然而，跌倒是一种发生不频繁的短期活动。这对传统分类算法提出了挑战，因为跌倒的训练数据可能极少（或根本没有）。本文提出了一种在使用可穿戴设备、缺乏跌倒训练数据但拥有丰富正常ADL数据的情况下识别跌倒的方法。我们提出了三种“X因子”隐马尔可夫模型(XHMMs)方法。XHMMs利用“膨胀的”输出协方差（观测模型）对未见过的跌倒建模。为估计膨胀协方差，我们提出一种新颖的交叉验证方法，从正常ADL中移除充当未见跌倒代理的“离群值”，从而允许仅使用正常活动学习XHMMs。我们在两个活动识别数据集上测试了所提XHMM方法，并在无跌倒特定训练数据情况下显示出高跌倒检测率。我们表明，基于负对数似然最大值选择阈值来识别未见跌倒的传统方法对此问题是不适定的。我们还表明，当训练阶段可用的跌倒数据非常有限时，监督分类方法表现糟糕。