摔倒检测中的样本失衡问题研究

发布时间：2018-10-19 07:51

【摘要】：由于真实的摔倒数据难以获得,导致采集到的正常行为和摔倒行为样本比例严重失衡,从而基于此数据集训练的常规摔倒检测模型的漏警率和误警率都较高,不能满足实际的需求。针对该问题,提出一种基于样本加权极速学习机的摔倒检测方法,该方法综合考虑不同种类行为样本之间的比例关系,分别赋予其一定的权值,能较好地解决样本失衡问题。基于真实行为数据的实验结果表明,和传统非加权的行为识别方法相比较,基于样本加权极速学习机的摔倒检测方法能够将识别模型的性能提高10%左右。
[Abstract]:Because the true fall data is difficult to obtain, the ratio of normal behavior and fall behavior samples collected is seriously out of balance, thus the false alarm rate and false alarm rate of the conventional fall detection model trained based on this data set are higher. Can not meet the actual needs. In order to solve this problem, this paper presents a fall detection method based on sample weighted extreme speed learning machine. This method considers the proportional relationship among different kinds of behavior samples, and assigns certain weights to them, which can solve the problem of sample imbalance. The experimental results based on real behavior data show that the performance of the recognition model can be improved by about 10% compared with the traditional unweighted behavior recognition method.
【作者单位】： 郑州航空工业管理学院计算机学院;航空经济发展河南省协同创新中心;郑州航空工业管理学院管理工程学院;
【基金】：国家自然科学基金(No.U1504609) 河南省教育厅重点科研教育计划项目(No.15A520003)
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 刘相滨,向坚持,王胜春;人行为识别与理解研究探讨[J];计算机与现代化;2004年12期

2 夏润海,王开颜;机器学习与智能决策支持系统[J];潍坊学院学报;2003年02期

3 张明玉,倪志伟;基于机器学习的智能决策支持系统[J];淮南师范学院学报;2005年03期

4 杨凌霄;武建平;;机器学习方法在人脸检测中的应用[J];计算机与数字工程;2008年03期

5 ;第十一届中国机器学习会议[J];智能系统学报;2008年02期

6 ;第14届中国机器学习会议[J];智能系统学报;2012年06期

7 费宗铭;吕建;王志坚;陈道蓄;徐家福;;机器学习[J];计算机科学;1991年01期

8 赵沁平;魏华;王军玲;;机器学习技术与机器学习系统[J];计算机科学;1993年05期

9 姚敏;机器学习及其发展方向[J];计算机时代;1994年04期

10 ;第31届机器学习国际会议(英文)[J];智能系统学报;2014年01期

相关会议论文 前10条

1 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集（上册）[C];2001年

2 方帅;曹洋;王浩;;视频监控中的行为识别[A];2007中国控制与决策学术年会论文集[C];2007年

3 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

4 周晴杰;徐立鸿;吴启迪;;机器学习串级结构的初步探讨[A];1998年中国控制会议论文集[C];1998年

5 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

6 蔡健平;林世平;;基于机器学习的词语和句子极性分析[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 黄金铁;李景银;周建常;;对高炉炉况评价模型参数的机器学习——一个三类线性模式分类器的实现[A];1995中国控制与决策学术年会论文集[C];1995年

8 程国建;蔡磊;潘华贤;;核向量机在大规模机器学习中的应用[A];第十一届中国青年信息与管理学者大会论文集[C];2009年

9 王忠民;曹栋;;坐标转换在移动用户行为识别中的应用研究[A];2013年全国通信软件学术会议论文集[C];2013年

10 张钹;张铃;;统计学习理论及其应用[A];2001年中国智能自动化会议论文集（上册）[C];2001年

相关重要报纸文章 前6条

1 IBM大数据专家 James Kobielus　范范 编译;机器学习已成为大数据基石[N];网络世界;2014年

2 本报记者 房琳琳;合久必分：分布式“机器学习”应运而生[N];科技日报;2014年

3 雨辰;机器学习类图书为什么火爆[N];中华读书报;2014年

4 东林;行为识别新技术让监控没有“死角”[N];人民公安报;2007年

5 本报记者 余建斌;机器学习与互联网搜索[N];人民日报;2011年

6 记者　 彭德倩;机器学习精度提升近6个百分点[N];解放日报;2006年

相关博士学位论文 前10条

1 刘艳秋;舍饲环境下母羊产前典型行为识别方法研究[D];内蒙古农业大学;2017年

2 董春茹;机器学习中的权重学习与差分演化[D];华南理工大学;2015年

3 姚明臣;机器学习和神经网络学习中的若干问题研究[D];大连理工大学;2016年

4 杜宇;基于深度机器学习的体态与手势感知计算关键技术研究[D];浙江大学;2017年

5 钟锦红;群智学习若干问题研究[D];中国科学技术大学;2017年

6 赵东;基于群智能优化的机器学习方法研究及应用[D];吉林大学;2017年

7 赵玉鹏;机器学习的哲学探索[D];大连理工大学;2010年

8 胡巍;面向格结构的机器学习[D];上海交通大学;2009年

9 张义荣;基于机器学习的入侵检测技术研究[D];国防科学技术大学;2005年

10 钱线;快速精确的结构化机器学习方法研究[D];复旦大学;2010年

相关硕士学位论文 前10条

1 胡秋扬;可穿戴式个人室内位置和行为监测系统[D];浙江大学;2015年

2 王呈;穿戴式多传感器人体日常活动监测系统设计与实现[D];南京理工大学;2015年

3 张伟;智能空间下基于非视觉传感器数据的人体行为识别方法研究[D];山东大学;2015年

4 茹晨光;基于传感器的人体行为识别技术研究[D];浙江大学;2016年

5 杨璐璐;基于可穿戴式传感网络的人体异常行为识别[D];南京邮电大学;2015年

6 魏烨;基于智能手机传感器的无监督行为识别研究[D];兰州大学;2016年

7 钟君;基于加速度传感器的日常行为识别的特征提取方法研究[D];兰州大学;2016年

8 李阳阳;基于深度信念网络的行为识别方法研究[D];华南理工大学;2016年

9 伍俊杰;基于智能手机多传感器的非特定人行为识别方法研究[D];哈尔滨工业大学;2016年

10 钱坤;基于多传感器节点的人体动作识别系统的研究与实现[D];哈尔滨工业大学;2016年

，

本文编号：2280568