DFDNxbq: Deep Fall Detect Net by xbq

项目概述

DFDNxbq (Deep Fall Detect Net by xbq) 是一个基于深度学习的跌倒检测 R 包，专门用于处理可穿戴传感器（加速度计和陀螺仪）信号数据。项目实现了完整的跌倒检测流水线，包括：

信号降噪：支持 Butterworth、Kalman、Wavelet、Savitzky-Golay 四种降噪方法
深度编码器：提供 CNN、ConvLSTM、GRU-TCN-SE 三种深度神经网络架构，用于从信号片段中提取特征
HIBA 注意力机制：分层层次间注意力（Hierarchical Inter-Block Attention），对编码后的信号片段进行自适应加权聚合
集成分类器：使用 Random Forest、SVM、CatBoost 三种分类器进行最终分类，并通过加权集成提升性能
LOSO 交叉验证：采用 Leave-One-Subject-Out 验证方案评估模型泛化能力

该流水线基于 FallAllD 数据集开发，支持从 NPZ 格式加载数据，也可通过 RDS 格式保存和复用预处理结果。

数据来源：

前往https://www.kaggle.com/datasets/sankalpsinghvishen/derived-fallalld-dataset 下载FallAllD.pkl原始数据。

环境要求

组件	版本
R	4.4.3
Python	3.7+
操作系统	Windows 10/11

R 包依赖

包名	类型	说明
randomForest	Imports	随机森林分类器
e1071	Imports	SVM 分类器
pROC	Imports	ROC 曲线评估
signal	Imports	信号处理
dlm	Imports	卡尔曼滤波
wavelets	Imports	小波降噪
reticulate	Imports	Python 接口
torch	Suggests	深度学习后端
catboost	Suggests	CatBoost 分类器（本地加载）

安装步骤

1. 安装 R 4.4.3

从 CRAN 下载并安装 R 4.4.3：

https://cran.r-project.org/bin/windows/base/

注意：R 4.4.2 与 torch 包存在 DLL 兼容性问题（访问 nn_module$parameters 时段错误），必须使用 R 4.4.3。

2. 安装基础 R 包

启动 R，运行以下命令安装基础依赖：

install.packages(c("randomForest", "e1071", "pROC", "signal", "dlm", "wavelets", "reticulate"),
                 type = "binary")

提示：安装过程中如询问是否从源码编译，请选 no（选 yes 需要 RTools，且无必要）。

3. 检查 reticulate 配置

包加载时需要 reticulate 访问 Python 以加载 NPZ 数据。如果提示 conda 环境问题，检查 ~/.Rprofile 中是否包含以下内容：

library(reticulate)
use_condaenv("directml", required = TRUE)  # 建议将 required 改为 FALSE

将 .Rprofile 中的 required = TRUE 改为 required = FALSE，避免找不到 conda 环境时中断运行。

也可直接通过环境变量指定 Python 路径：

Sys.setenv(RETICULATE_PYTHON = "path/to/your/python.exe")

4. 安装 DFDNxbq 包

注意替换实际路径

install.packages("path\\DFDNxbq", repos = NULL, type = "source")

如果安装时报错，检查是否缺少依赖包，按第 2 步补装。

5. 安装 torch 深度学习后端

install.packages("torch", type = "binary")
library(torch)
install_torch()

验证安装：

library(torch)
x <- torch_tensor(c(1, 2, 3))
print(x)

注意：如果 install_torch() 返回空，说明 Lantern 后端已安装。可通过创建 nn_linear 并访问 $parameters 验证兼容性：
m <- nn_linear(10, 5)
length(m$parameters)  # 不应段错误

6. CatBoost（可选）

CatBoost 已在包内 inst/extdata/catboost/ 目录下附带完整 R 包源码和 DLL，无需单独安装。运行时由 load_catboost() 函数自动从本地加载。

如需独立安装可直接运行：

install.packages(
  "path\\DFDNxbq\\inst\\extdata\\catboost",
  repos = NULL, type = "source"
)

数据准备

FallAllD 数据集需要先转换为 R 可读格式。在 functionbag/ 目录下运行：

python convert_pkl_to_rdata.py ../FallAllD.pkl ./output

生成两个文件：

output/fallalld_signals.npz — 信号数据
output/fallalld_metadata.csv — 元数据

运行实验

完整示例

library(DFDNxbq)

# 加载数据
data_list <- load_data_from_npz("output/fallalld_signals.npz", "output/fallalld_metadata.csv")

# 构建标签和受试者信息
labels <- build_labels(data_list)
subjects <- build_subjects(data_list)

# 分层抽样（千分之一）
data_subset <- stratified_sample(data_list, frac = 0.001)
labels_sub <- build_labels(data_subset)
subjects_sub <- build_subjects(data_subset)

# 配置并运行实验
cfg <- BASE_CONFIG
cfg$encoder_type <- "cnn"
cfg$denoise_method <- "butterworth"
cfg$use_hiba <- TRUE
cfg$n_epochs <- 10

result <- run_single_experiment(
  cfg, data_subset, labels_sub, subjects_sub,
  exp_name = "cnn_butterworth_test",
  output_subdir = "output/cnn_test"
)

# 查看结果
for (nm in names(result$final_metrics)) {
  m <- result$final_metrics[[nm]]$metrics
  if (!is.null(m) && !is.na(m["auc"])) {
    cat(sprintf("%-20s AUC=%.3f  F1=%.3f\n", nm, m["auc"], m["f1"]))
  }
}

也可直接运行示例脚本：

source("path\\DFDNxbq\\inst\\examples\\run_experiment.R", encoding = "UTF-8")

实验结果

以下结果基于 FallAllD 数据集 千分之一（0.1%）分层抽样，10 个训练周期。

实验配置

参数	值
编码器	CNN
降噪	Butterworth
HIBA 注意力	启用
训练周期	10
验证方案	LOSO（留一受试者交叉验证）
分块策略	动态自适应分块
抽样比例	0.001

运行日志摘要

[load] 6605 样本, 信号维度: 6605 x 4760 x 3
[load] data_list 构建完成 (6605 个元素)
Sampled: 28 samples (13 fall, 46.4%)
encoder = cnn  |  denoise = butterworth  |  HIBA = ON  |  epochs = 10
======================================================================
  实验: cnn_butterworth_test
  编码器: cnn | 分块: 动态 | HIBA: ON | 降噪: butterworth
======================================================================

  |                                                  |   0%
  --- Fold 1/13 ---
    Train:17 Val:7 Test:2 windows
    [分布] Train: Fall=9 ADL=8 | Val: Fall=3 ADL=4 | Test: Fall=1 ADL=1
    使用平衡采样 (Fall=9, ADL=8), gamma预热=8 epoch
  |========================================| 100%
  Epoch 1/10: train_loss = 0.3406 | val_loss = 0.6922
  |========================================| 100%
  Epoch 2/10: train_loss = 0.3459 | val_loss = 0.6925
  |========================================| 100%
  Epoch 3/10: train_loss = 0.3505 | val_loss = 0.6927
  |========================================| 100%
  Epoch 4/10: train_loss = 0.3480 | val_loss = 0.6929
  |========================================| 100%
  Epoch 5/10: train_loss = 0.3441 | val_loss = 0.6930
  |========================================| 100%
  Epoch 6/10: train_loss = 0.3486 | val_loss = 0.6931
  |========================================| 100%
  Epoch 7/10: train_loss = 0.3456 | val_loss = 0.6932
  |========================================| 100%
  Epoch 8/10: train_loss = 0.3459 | val_loss = 0.6933
  |========================================| 100%
  Epoch 9/10: train_loss = 0.2503 | val_loss = 0.6934
  |========================================| 100%
  Epoch 10/10: train_loss = 0.1768 | val_loss = 0.6935
    [嵌入] train: 17x16, mean=-0.0266, sd=0.3537, NaN=0, Inf=0
    [嵌入] val: 7x16, mean=-0.0260, sd=0.3548
    [嵌入] test: 2x16, mean=-0.0264, sd=0.3592
    [HIBA] 注意力: mean=0.0645, sd=0.0021, range=[0.0624, 0.0667]

 |==============================================    |  92%
  --- Fold 13/13 ---
    Train:17 Val:7 Test:2 windows
    [分布] Train: Fall=6 ADL=11 | Val: Fall=6 ADL=1 | Test: Fall=1 ADL=1
    使用平衡采样 (Fall=6, ADL=11), gamma预热=8 epoch
  |========================================| 100%
  Epoch 1/10: train_loss = 0.3386 | val_loss = 0.7672
  |========================================| 100%
  Epoch 2/10: train_loss = 0.3315 | val_loss = 0.7706
  |========================================| 100%
  Epoch 3/10: train_loss = 0.3390 | val_loss = 0.7736
  |========================================| 100%
  Epoch 4/10: train_loss = 0.3312 | val_loss = 0.7764
  |========================================| 100%
  Epoch 5/10: train_loss = 0.3334 | val_loss = 0.7794
  |========================================| 100%
  Epoch 6/10: train_loss = 0.3308 | val_loss = 0.7823
  |========================================| 100%
  Epoch 7/10: train_loss = 0.3298 | val_loss = 0.7851
  |========================================| 100%
  Epoch 8/10: train_loss = 0.3323 | val_loss = 0.7877
  |========================================| 100%
  Epoch 9/10: train_loss = 0.2356 | val_loss = 0.7900
  |========================================| 100%
  Epoch 10/10: train_loss = 0.1609 | val_loss = 0.7916
    [嵌入] train: 17x16, mean=-0.0114, sd=0.3511, NaN=0, Inf=0
    [嵌入] val: 7x16, mean=-0.0099, sd=0.3530
    [嵌入] test: 2x16, mean=-0.0102, sd=0.3544
    [HIBA] 注意力: mean=0.0625, sd=0.0000, range=[0.0624, 0.0626]
  |==================================================| 100%
13-fold LOSO completed
Total epochs trained: 130
Best val_loss: 0.6425

最终指标

Classifier	AUC	F1	Recall	Spec.
rf	0.807	0.706	0.833	0.545
svm	0.659	0.690	0.500	0.273
catboost	0.818	0.759	0.750	0.545
ensemble	0.818	0.720	0.750	0.636

结果说明

当前结果不代表模型真实性能，仅验证流水线可正常运行。由于抽样比例极低（0.1%），每个 LOSO Fold 仅包含约 17 个训练样本和 2 个测试样本，模型难以充分收敛。要获得有意义的评估指标，需要：

增加抽样比例：建议至少 10-20%
延长训练周期：推荐 50-100 个 epoch，配合早停机制
复用论文配置：在30%的抽样比例，50个epoch下可以得到与论文相近的结果

可能遇到的问题与解决

1. torch 报错 "Lantern is not loaded"

原因：R 版本与 torch 包编译版本不匹配（如 R 4.4.2 + torch built for 4.4.3），访问 model$parameters 时触发段错误。

解决：升级 R 到 4.4.3，或重新安装匹配的 torch 版本。

2. 安装时提示 "Rcpp 编译失败"

原因：Windows 上缺少 RTools，无法从源码编译 R 包。

解决：安装时选择二进制包（回答 no），或显式指定：

install.packages("Rcpp", type = "binary")

3. reticulate conda 环境找不到

原因：.Rprofile 中设置了 use_condaenv("directml", required = TRUE)，但 conda 环境路径不对。

解决：

# 临时方案：跳过 .Rprofile
Sys.setenv(R_PROFILE_USER = "")

# 长期方案：修改 .Rprofile，将 required 改为 FALSE
# use_condaenv("directml", required = FALSE)

4. CatBoost 报错 "could not find function catboost.load_pool"

原因：包内 catboost 模块未正确加载。

解决：确保 DFDNxbq 包已正确安装，load_catboost() 会自动从 inst/extdata/catboost/ 加载本地 DLL 和 R 代码。如仍有问题，可手动安装：

install.packages(
  "path\\DFDNxbq\\inst\\extdata\\catboost",
  repos = NULL, type = "source"
)

5. 包安装时中断（退出状态非0）

原因：缺少依赖包，或 reticulate 初始化失败。

解决：按顺序检查：

先安装所有 Imports 依赖（第 2 步）
临时设置 Sys.setenv(R_PROFILE_USER = "") 绕过 .Rprofile
重新运行 install.packages("...DFDNxbq", repos = NULL, type = "source")

6. 结果全为 NA 或 AUC = 0.5

原因：抽样比例过低 + 训练 epoch 太少，导致模型未收敛。

解决：增大 sample_ratio 和 n_epochs，参考上文"结果说明"中的建议。

DFDNxbq: Deep Fall Detect Net by xbq.
R package version 1.0.0.

Name		Name	Last commit message	Last commit date
Latest commit History 4 Commits
DFDNxbq		DFDNxbq
catboost_info		catboost_info
functionbag		functionbag
output		output
.gitattributes		.gitattributes
.gitignore		.gitignore
README.md		README.md

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

DFDNxbq: Deep Fall Detect Net by xbq

项目概述

数据来源：

环境要求

R 包依赖

安装步骤

1. 安装 R 4.4.3

2. 安装基础 R 包

3. 检查 reticulate 配置

4. 安装 DFDNxbq 包

5. 安装 torch 深度学习后端

6. CatBoost（可选）

数据准备

运行实验

完整示例

实验结果

实验配置

运行日志摘要

最终指标

结果说明

可能遇到的问题与解决

1. torch 报错 "Lantern is not loaded"

2. 安装时提示 "Rcpp 编译失败"

3. reticulate conda 环境找不到

4. CatBoost 报错 "could not find function catboost.load_pool"

5. 包安装时中断（退出状态非0）

6. 结果全为 NA 或 AUC = 0.5

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Folders and files

Latest commit

History

Repository files navigation

DFDNxbq: Deep Fall Detect Net by xbq

项目概述

数据来源：

环境要求

R 包依赖

安装步骤

1. 安装 R 4.4.3

2. 安装基础 R 包

3. 检查 reticulate 配置

4. 安装 DFDNxbq 包

5. 安装 torch 深度学习后端

6. CatBoost（可选）

数据准备

运行实验

完整示例

实验结果

实验配置

运行日志摘要

最终指标

结果说明

可能遇到的问题与解决

1. torch 报错 "Lantern is not loaded"

2. 安装时提示 "Rcpp 编译失败"

3. reticulate conda 环境找不到

4. CatBoost 报错 "could not find function catboost.load_pool"

5. 包安装时中断（退出状态非0）

6. 结果全为 NA 或 AUC = 0.5

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages