.png){kind=icon}
返回
Fall Risk Prediction Method Based on Human Electrostatic Field and Stacking Ensemble Learning Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3647110.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的跌倒风险预测对于早期干预和预防至关重要，可以有效降低跌倒的发生率和相关危害。本文提出了一种基于人体静电场和Stacking集成学习算法的非接触式步态检测和跌倒风险预测方法。建立了基于人体静电场的步态检测理论模型，设计了实验方案。静电步态测量系统用于收集来自健康年轻人、健康老年人和有跌倒史的老年人的静电步态信号。提出了包括28维可量化特征的步态特征，用于评估人体平衡和运动能力，涵盖四个方面: 步态时间参数，基于比率和信号相似性的步态对称性，基于最大Lyapunov指数和熵信息的步态稳定性以及步态时间参数可变性。采用基于粒子群优化 (PSO) 的混合特征约简方法获得最优特征子集。使用原始特征集和最佳特征子集构建基于单分类器 (DT，SVM，KNN和NB) 的跌倒风险预测模型。基于最优特征子集的单分类器实现了更好的分类性能。此外，开发了使用LightGBM作为元学习器的堆叠集成学习模型，达到了97.78% 的准确性。这项研究为跌倒风险预测提供了一种新颖的方法，可以预测跌倒的可能性并降低跌倒发生的可能性。
Keyword:
Fall risk prediction
non-contact
human electrostatic field
gait feature extraction
ensemble learning
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
分享收藏Analysis of Motor Functions of Hemiplegic Patients Based on Dual-Mode Signal Fusion.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Estimation of Gait Subphase Time Parameters Based on a Human Electrostatic Field Detection System基于人体静电场检测系统的步态亚相时间参数估计IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏HMM-Based Human Fall Detection and Prediction Method Using Tri-Axial Accelerometer基于HMM的三轴加速度计人体跌倒检测与预测方法IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
查看更多内容