---
license: cc-by-nc-sa-4.0
tags:
  - tabular-classification
  - xgboost
  - fall-detection
  - pose-estimation
language:
  - zh
---

# fall-guard-cv：居家跌倒偵測 XGBoost 分類器

這是「fall-guard-cv」居家跌倒偵測專案的分類器權重。這個專案的目標是用電腦視覺技術做一個平時完全在本機運作、只在真的偵測到跌倒時才通報家人的系統，回應高齡長輩獨居時常見的照護擔憂。

## 模型說明

- **輸入**：54 維視窗統計特徵（來自 YOLO26-pose 17 個關鍵點衍生出的軀幹角、質心垂直速度、bbox 長寬比、髖高等 9 個基礎特徵，各自取 mean / std / min / max / last−first / max|Δ| 六種統計量，對應 1.5 秒滑動視窗）
- **輸出**：二元分類（該視窗是否為跌倒瞬間）
- **架構**：XGBoost，淺樹（max_depth=4）、200 棵樹，`scale_pos_weight` 依訓練折內類別比例調整
- **訓練資料**：UR Fall Detection Dataset（URFD），30 段跌倒 + 40 段日常活動（ADL），Microsoft Kinect 拍攝

## 評估結果（Leave-One-Subject-Out，視窗級）

| 折 | Precision | Recall | F1 |
|---|---|---|---|
| P1 | 0.609 | 0.913 | 0.730 |
| P2 | 0.575 | 0.913 | 0.706 |
| P3 | 0.611 | 1.000 | 0.759 |
| P4 | 1.000 | 0.444 | 0.615 |
| P5 | 1.000 | 0.667 | 0.800 |

同一份資料上，經過折內調參的規則式（角度/速度閾值）baseline 整體略優，但 XGBoost 在部分折的 recall 更高，兩者錯誤模式不同。完整評估方法論（受試者級防洩漏切分、視窗級/事件級雙指標、誤報案例分析、跟規則式方法的完整對照）與 SHAP 特徵重要度分析請見主專案的開發文件。

## 授權與使用限制

本模型以 **CC BY-NC-SA 4.0** 授權釋出——訓練資料 URFD 本身為非商業授權（CC BY-NC-SA 4.0），故衍生模型比照相同限制，僅建議供研究／非商業用途使用。

引用：
> Bogdan Kwolek, Michal Kepski, "Human fall detection on embedded platform using depth maps and wireless accelerometer," *Computer Methods and Programs in Biomedicine*, 117(3), Dec 2014.

## 檔案說明

| 檔案 | 用途 |
|---|---|
| `xgb_final.json` | 用全部 70 段影片訓練的最終部署模型（實際使用請用這個） |
| `xgb_fold_P1.json` ~ `xgb_fold_P5.json` | LOSO 五折的評估用模型（供重現上表分數，不建議直接部署——各折只用了部分資料訓練） |
| `xgb_loso_results.json` | 訓練當下輸出的完整逐折指標 |
| `shap_summary.png` | SHAP 特徵重要度摘要圖 |

## 讀取方式

```python
import xgboost as xgb

booster = xgb.Booster()
booster.load_model("xgb_final.json")

# X: (N, 54) 的特徵矩陣，欄位順序需與訓練時的 54 維視窗統計特徵一致
proba = booster.predict(xgb.DMatrix(X))
```

## Source repository

程式碼、訓練與評估流程、測試與完整證據都在 GitHub：<https://github.com/kuotunyu/fall-guard-cv>。GitHub `kuotunyu` 與 Hugging Face `steven0226` 為同一人。

Source code, the training/evaluation pipeline, tests and the full evidence trail live at <https://github.com/kuotunyu/fall-guard-cv>. GitHub `kuotunyu` and Hugging Face `steven0226` are the same author.