羅 堅(jiān)，唐 琎，毛 芳，趙 鵬，汪 鵬

（中南大學(xué)信息科學(xué)與工程學(xué)院，長(zhǎng)沙410000）

基于云計(jì)算的可穿戴式老齡人異常行為檢測(cè)系研究*

羅 堅(jiān)，唐 琎*，毛 芳，趙 鵬，汪 鵬

（中南大學(xué)信息科學(xué)與工程學(xué)院，長(zhǎng)沙410000）

針對(duì)老齡人異常行為的實(shí)時(shí)檢測(cè)、識(shí)別和在線主動(dòng)信息推送問題，利用智能移動(dòng)終端內(nèi)置的三軸加速傳感器來采集人體運(yùn)動(dòng)信息。通過匹配追蹤算法（MP）對(duì)信號(hào)進(jìn)行Gabor原子分解，并利用Wigner-Ville時(shí)頻分析方法，從時(shí)間和三維空間動(dòng)作特征對(duì)其進(jìn)行時(shí)頻聯(lián)合域研究。為解決時(shí)頻分析過程中的復(fù)雜運(yùn)算問題，并完成異常行為動(dòng)作的在線訓(xùn)練，分類識(shí)別和信息推送，探討一種運(yùn)用移動(dòng)終端APP，無線網(wǎng)絡(luò)和云計(jì)算平臺(tái)來構(gòu)建的可穿戴式老齡人異常行為檢測(cè)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，該方法切實(shí)可行，可將其應(yīng)用于老齡人日常監(jiān)護(hù)和緊急救助等相關(guān)領(lǐng)域。

模式識(shí)別；異常行為檢測(cè)；三軸加速度傳感器；云計(jì)算；時(shí)頻分析

在我國(guó)隨著社會(huì)結(jié)構(gòu)的發(fā)展和人們平均壽命的延長(zhǎng)，老齡化的問題越來越明顯。目前，我國(guó)60歲以上的老齡人口已經(jīng)超過2.12億，約占全國(guó)總?cè)藬?shù)的15.5%，預(yù)計(jì)到2030年將翻一番。面對(duì)空巢的老年居住戶，如何使用實(shí)時(shí)在線監(jiān)護(hù)系統(tǒng)對(duì)患病或有行動(dòng)障礙的老年人進(jìn)行異常行為監(jiān)護(hù)和緊急求助包括突發(fā)疾病，摔倒和休克等危及生命安全的狀況，已成為當(dāng)前研究的一個(gè)重要方向［1］。

目前有關(guān)老齡人的異常行為檢測(cè)方法主要分為以下兩大類。①通過視頻信息進(jìn)行異常行為檢測(cè)。文獻(xiàn)［1-6］通過對(duì)采集視頻來提取人體的運(yùn)動(dòng)輪廓信息或運(yùn)動(dòng)軌跡信息，并進(jìn)行異常行為的檢測(cè)和分析?；谝曨l的方法存在個(gè)人的隱私的問題，同時(shí)受到攝像頭的數(shù)量，安裝位置和拍攝視角的影響，因此它的實(shí)際應(yīng)用受到一定的限制。②通過可穿戴設(shè)備進(jìn)行檢測(cè)。文獻(xiàn)［7-14］通過加速度重力傳感器或陀螺儀來設(shè)計(jì)行為檢測(cè)裝置。文獻(xiàn)［8］使用iPhone內(nèi)置的重力加速度傳感器來采集人體行走時(shí)的運(yùn)動(dòng)信息，實(shí)現(xiàn)了對(duì)人體步態(tài)特征的分析和識(shí)別。文獻(xiàn)［9］使用STM32嵌入式系統(tǒng)、加速度傳感器和無線射頻模塊來構(gòu)建人體跌倒檢測(cè)系統(tǒng)，利用三軸合加速度的來判斷和檢測(cè)是否跌倒。文獻(xiàn)［10］探討了一種基于固定閾值的信號(hào)幅度向量滑動(dòng)平均法SVMSA，實(shí)現(xiàn)跌倒檢測(cè)。文獻(xiàn)［11］通過提取運(yùn)動(dòng)時(shí)的超重強(qiáng)度、持續(xù)失重時(shí)間、傾斜角度、靜止時(shí)間為特征值，提出了一種基于的決策樹跌倒識(shí)別算法。文獻(xiàn)［12］通過引入隱馬爾可夫模型對(duì)跌倒行為實(shí)現(xiàn)訓(xùn)練和識(shí)別，并進(jìn)行了仿真分析。文獻(xiàn)［13］通過在人體腳底安裝壓力傳感器來實(shí)現(xiàn)人體運(yùn)動(dòng)數(shù)據(jù)檢測(cè)，使用支持向量機(jī)實(shí)現(xiàn)跌倒的分類識(shí)別。文獻(xiàn)［14］使用GPS模塊實(shí)現(xiàn)了跌倒檢測(cè)信息的短信傳輸報(bào)警。綜合以上對(duì)異常行為的檢測(cè)方法可以發(fā)現(xiàn)，現(xiàn)有的研究方法往往不具備遠(yuǎn)程主動(dòng)信息推送的功能，或僅使用短信方式進(jìn)行數(shù)據(jù)傳遞，數(shù)據(jù)只能單向傳輸，擴(kuò)展性和實(shí)用性不強(qiáng)，數(shù)據(jù)處理受到硬件限制等。同時(shí)各種模塊，包括傳感器，控制器，移動(dòng)電源和通信模塊組合在一起，往往體積過大，穿戴繁瑣，老齡人大多不愿意或很容易忘記佩帶。但隨著智能手機(jī)、運(yùn)動(dòng)手環(huán)和智能手表等智能終端產(chǎn)品將加速度重力傳感器和陀螺儀傳感器集成在智能終端里面使得異常行為檢測(cè)硬件變得很容易隨身攜帶，加上智能終端產(chǎn)品強(qiáng)大運(yùn)算能力和無線傳輸網(wǎng)絡(luò)，可以很好的解決傳統(tǒng)設(shè)備由于運(yùn)算能力限制不能作的一些復(fù)雜數(shù)據(jù)處理等問題。傳統(tǒng)的異常行為檢測(cè)方法，大多使用單一的人體加速度向量幅值（Signal Vector Magnitude，（SVM）或向量平均值來完成，實(shí)現(xiàn)簡(jiǎn)單，但只能檢測(cè)出是否跌倒，對(duì)其它異常行為，如坐下，起立，扶手等行為檢測(cè)能力欠缺，或抗干擾和鑒別能力不強(qiáng)。針對(duì)這些問題，本文通過基于匹配追蹤算法（MP）的Gabor原子變換，從時(shí)間和三維空間動(dòng)作特征對(duì)異常行為進(jìn)行時(shí)頻分析研究。與傳統(tǒng)的時(shí)域分析和頻域分析不同，時(shí)頻分析提供了時(shí)間和頻率的分布關(guān)系，由于異常步態(tài)信號(hào)是一種非平穩(wěn)隨機(jī)信號(hào)，利用時(shí)頻分析工具可以更好的描述其本質(zhì)特征，通過提取時(shí)頻分布信息作為訓(xùn)練特征，并利用主成份分析方法來完成異常動(dòng)作訓(xùn)練分類和識(shí)別，可以很好的提高異常行為檢測(cè)的識(shí)別率和算法魯棒性。同時(shí)，運(yùn)用APP程序，WebSphere云計(jì)算平臺(tái)和基于MQTT（消息隊(duì)列遙測(cè)傳輸）的信息推送服務(wù)，完成邊界域數(shù)據(jù)到服務(wù)域的傳輸和運(yùn)算，以及識(shí)別結(jié)果信息的終端至終端，終端到服務(wù)器的推送，使其更好的融入到社區(qū)醫(yī)療機(jī)器的服務(wù)平臺(tái)中去，為老齡人的生活健康提供更好的關(guān)注和服務(wù)。

1 系統(tǒng)總體結(jié)構(gòu)

基于云計(jì)算的老齡人異常行為檢測(cè)系統(tǒng)架構(gòu)圖見圖1所示。整個(gè)系統(tǒng)包括3層結(jié)構(gòu)：終端感知層，云端網(wǎng)絡(luò)層和遠(yuǎn)程服務(wù)接入層。

圖1 基于云計(jì)算的老齡人異常行為檢測(cè)系統(tǒng)架構(gòu)圖

終端感知層主要進(jìn)行人體運(yùn)動(dòng)數(shù)據(jù)的采集，處理，初步分析和數(shù)據(jù)消息的發(fā)布。終端感知層以內(nèi)置了加速度傳感器的移動(dòng)智能終端為主要硬件設(shè)備，通過移動(dòng)網(wǎng)絡(luò)或無線Wi-Fi進(jìn)行互聯(lián)網(wǎng)的訪問。在終端感知層中，以APP為應(yīng)用程序，該應(yīng)用程序通過接口獲取加速度傳感器中的X-Y-Z三軸的運(yùn)動(dòng)數(shù)據(jù)，并對(duì)采集到的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行FIR濾波，然后對(duì)特征數(shù)據(jù)進(jìn)行初步閥值判斷來確定是否存在異常行為，并根據(jù)判斷結(jié)果進(jìn)行消息的推送和采樣數(shù)據(jù)的傳輸，消息的推送遵循MQTT協(xié)議。云端網(wǎng)絡(luò)服務(wù)層，主要負(fù)責(zé)用戶的注冊(cè)，驗(yàn)證，消息的訂閱處理，消息的發(fā)布推送，數(shù)據(jù)傳輸過程中的加密和數(shù)據(jù)緩存；在云計(jì)算服務(wù)器中需要開發(fā)異常行為檢測(cè)應(yīng)用服務(wù)程序，并建立異常行為訓(xùn)練庫(kù)等。遠(yuǎn)程服務(wù)接入層，主要以社區(qū)監(jiān)控中心，醫(yī)院信息中心和個(gè)人信息訂閱者為主體，通過對(duì)感知終端的一對(duì)一或一對(duì)多的監(jiān)控訂閱來實(shí)現(xiàn)實(shí)時(shí)消息的接收。當(dāng)感知終端傳入云平臺(tái)的數(shù)據(jù)被檢測(cè)判定為人體異常信息時(shí)，就會(huì)進(jìn)行主動(dòng)消息推送：推送服務(wù)器通過數(shù)據(jù)庫(kù)查詢訂閱了此終端消息的用戶，并將感知層傳來的消息推送給他們。

2 基于Gabor原子分解的異常行為檢測(cè)

2.1 三軸運(yùn)動(dòng)數(shù)據(jù)預(yù)處理

集成在智能終端內(nèi)的三軸加速度傳感器，可以采集X，Y和Z軸3個(gè)方向的人體運(yùn)動(dòng)數(shù)據(jù)。人體運(yùn)動(dòng)行為的不同，會(huì)產(chǎn)生有差異的加速度信號(hào)，比如正常行走，摔倒，上下樓梯，扶墻壁，蹲下等行為，其運(yùn)動(dòng)特征差異明顯。圖2顯示了采集到的三軸方向的加速度的隨時(shí)間的變化情況，

令X(t)，Y(t)和Z(t)分別代表3個(gè)軸上的加速度信號(hào)量，由于人體異常行為動(dòng)作的方向不確定，穿戴加速度傳感器的方式和空間位置存在差異，因此不太適合采用某一個(gè)方向上的加速度信息來進(jìn)行異常行為的判定，通常采用加速度幅值SVM［10］來表示動(dòng)作特征：

圖2 蹲下時(shí)的加速度時(shí)序和SVM特征

在提取信號(hào)向量模之前，首先對(duì)三軸上的加速度信號(hào)進(jìn)行FIR濾波。FIR是一種有限長(zhǎng)單位沖激響應(yīng)濾波器，它的差分方程為：

式中，N為濾波器的窗體長(zhǎng)度，h(m)為具體脈沖濾波系統(tǒng)，x(n)為輸入待濾波信號(hào)，y(n)為濾波后輸出信號(hào)。濾波系統(tǒng)由下式得到

式中，hd(n)為理想濾波器，fN(n)為窗體函數(shù)，N為窗體長(zhǎng)度，本文中，使用Hanning窗體函數(shù)：

數(shù)據(jù)處理過程中，加速度傳感器的采樣頻率設(shè)為125 Hz，以4 s為一個(gè)檢測(cè)周期，每組數(shù)據(jù)共為500個(gè)點(diǎn)，濾波窗體長(zhǎng)度選為N=64，圖3為向前跌倒運(yùn)動(dòng)數(shù)據(jù)濾波前后的波形比較：

圖3 跌倒數(shù)據(jù)濾波前后對(duì)比

2.2 基于MP的Gabor原子特征提取

MP是一種匹配追蹤算法，通過在構(gòu)造的原子字典D里搜索一定數(shù)量的原子組合，來逼近信號(hào)x的局部時(shí)頻特性［15］。最終將要分析的信號(hào)分解為若干原子的線性組合，具體分解過程通過反復(fù)迭

代來實(shí)現(xiàn)，迭代次數(shù)由逼近殘差來確定。首次迭代，在原子字典中，選取一個(gè)初始原子gγ，該原子與待分解信號(hào)擁有最大的內(nèi)積，然后計(jì)算原始信號(hào)與該原子的殘差，作為下一步迭代中的待分解信號(hào)。在迭代過程中，不斷選取合適的原子，使該原子與上一步分解后的殘差Rn擁有最大的內(nèi)積。當(dāng)計(jì)算出來的殘差小于給定的誤差時(shí)，停止迭代，將所有分解得到的原子組合起來，便可得信號(hào)x的原子逼近。

具體迭代過程如下［16］：

信號(hào)x最終分解為：

式中，M為迭代次數(shù)，對(duì)于時(shí)頻分析，選取Gabor原子構(gòu)成完備字典D，Gabor原子表示為：

式中，γ=(u,f,s,?)為時(shí)頻參數(shù)，分別表示位移，頻率，伸縮和相位因子。 K(γ)為標(biāo)準(zhǔn)化參數(shù)，滿足

通過累加式（6）中選取Gabor原子的Wigner-Ville分布W（WVD），可以得到分解信號(hào)的時(shí)頻能量圖。WVD通過交叉項(xiàng)抑制方法得到：

通過提取離散的時(shí)頻分布能量矩陣WVD作為異常行為分類和識(shí)別的特征。首先，對(duì)歸一化和濾波后的三軸運(yùn)動(dòng)數(shù)據(jù)提取向量模SVM特征。然后對(duì)SVM特征信息進(jìn)行基于MP的Gabor原子分解，并提取原子分解后的時(shí)頻分析WVD矩陣，以此為特征完成異常行為的訓(xùn)練、分類和識(shí)別。

2.3 分類識(shí)別

令三軸運(yùn)動(dòng)信息的向量模離散表示為SVM(n) ，n=1,2,…,N，N為最大采樣點(diǎn)數(shù)，對(duì)其進(jìn)行Gabor原子分解，得到M個(gè)分解Gabor原子，并對(duì)其進(jìn)行時(shí)頻分析，提取累加的WVD分布特征矩陣，表示如下：

經(jīng)過主成份分析后的新特征維數(shù)更低，主特征成份突出，有利于分類識(shí)別。最終對(duì)新的特征利用K近鄰法進(jìn)行分類，K近鄰法是顯著的模式識(shí)別系統(tǒng)統(tǒng)計(jì)學(xué)方法之一。其分類結(jié)果表示如下：

式中，j=1,2,…,J; i=1,2,…,I。ci表示第i類樣本，I為類別數(shù)量，J為訓(xùn)練樣本數(shù)量，yj為待檢測(cè)樣本xj所屬類，I(yj=ci)為指示函數(shù)，當(dāng)yj屬于ci類時(shí)為1，其它為0，其中的類別判斷通過歐式距離進(jìn)行計(jì)算。Nk(x)為最接近檢測(cè)樣本xj的k個(gè)近鄰的訓(xùn)練樣本集合。

3 WebSphere云計(jì)算平臺(tái)

使用IBM的WebSphere MQ Telemetry和Web-Sphere Application Server來構(gòu)建云計(jì)算和推送平臺(tái)。WebSphere MQ Telemetry（Message Queuing Telemetry Transport，消息隊(duì)列遙測(cè)傳輸）是由IBM公司開發(fā)的一個(gè)跨平臺(tái)的，針對(duì)受限制環(huán)境（如計(jì)算能力有限，存儲(chǔ)空間較小，傳輸帶寬低等）應(yīng)用的一種即時(shí)且輕量級(jí)的通訊協(xié)議。由于MQTT的輕量級(jí)，它可以直接應(yīng)用于傳感器層面上，只需要很少的幾十KB的存儲(chǔ)空間，以及較低的傳輸帶寬，同時(shí)擴(kuò)展性相當(dāng)強(qiáng)［17］。這些特性，使得它被廣泛應(yīng)用于物聯(lián)網(wǎng)產(chǎn)品當(dāng)中。

MQTT協(xié)議提供訂閱/發(fā)布模式，以推送技術(shù)為核心，跨平臺(tái)的客戶端可以自主“訂閱”云端服務(wù)器上提供的各種感興趣的頻道信息；一旦所訂閱的信息得到更新，比如到達(dá)新的郵件，推送服務(wù)器就會(huì)將此消息推送到特定的客戶端上。同時(shí)，客戶端還可以通過服務(wù)器來“發(fā)布”自己的消息，和傳統(tǒng)的一對(duì)一的消息傳遞模式不同，MQTT支持一對(duì)多的消息推送。

MQTT協(xié)議由消息的報(bào)頭Header和有效負(fù)載Payload組成。其中最小的固定報(bào)頭長(zhǎng)度為2個(gè)字節(jié)，參考文獻(xiàn)［18］。本文中，智能終端推送消息的有效負(fù)載Payload定義如表1所示。

表1 定義Payload結(jié)構(gòu)

WebSphere Application Server為應(yīng)用服務(wù)平臺(tái)，它和消息隊(duì)列遙測(cè)傳輸中間件通過WebSphere MQ平臺(tái)進(jìn)行數(shù)據(jù)的交換和集成。云端的異常行為檢測(cè)虛擬應(yīng)用程序就在應(yīng)用服務(wù)平臺(tái)上進(jìn)行平發(fā)和部署。

通過構(gòu)建云計(jì)算和推送平臺(tái)，實(shí)現(xiàn)異常步態(tài)行為在邊界傳感域的采集，上傳和云端的在線檢測(cè)識(shí)別、消息推送，以及多終端與網(wǎng)絡(luò)服務(wù)層中的多應(yīng)用實(shí)體之間的互聯(lián)互通。整個(gè)云計(jì)算和云推送平臺(tái)的系統(tǒng)框圖如圖4所示。

圖4 云計(jì)算和推送平臺(tái)構(gòu)架

集成加速度傳感器的智能Android手機(jī)終端處于遙測(cè)服務(wù)平臺(tái)的邊緣和傳感器域，通過嵌入MQTT客戶端來進(jìn)行信息的訂閱和數(shù)據(jù)發(fā)布。Web-Sphere MQ Telemetry服務(wù)器通過MQTT不同通道的消息隊(duì)列來進(jìn)行信息的調(diào)度和管理。部署在Web-Sphere Application Server的異常行為檢測(cè)虛擬應(yīng)用實(shí)現(xiàn)在線檢測(cè)識(shí)別，而處于遠(yuǎn)程服務(wù)接入層的社區(qū)監(jiān)控中心，醫(yī)院信息中心和個(gè)人信息訂閱者則通過嵌入MQTT客戶端的應(yīng)用，移動(dòng)設(shè)備或Web瀏覽器來進(jìn)行信息的訂閱或發(fā)布。

智能移動(dòng)終端，用戶，服務(wù)人員，監(jiān)控中心，首先會(huì)在服務(wù)器中進(jìn)行注冊(cè)，得到唯一的身份信息Token。然后，服務(wù)人員和監(jiān)控中心會(huì)向服務(wù)器訂閱本社區(qū)或需要關(guān)注人員所發(fā)布的主題消息，完成用戶和服務(wù)者之間雙向綁定。在日常生活中，一旦智能移動(dòng)終端在邊緣域（如空巢老人家中）檢測(cè)到有異常行為或動(dòng)作時(shí)（摔倒，昏厥），即會(huì)通過服務(wù)器發(fā)布異常行為的消息，并上傳可疑數(shù)據(jù)，服務(wù)器通過異常行為檢測(cè)服務(wù)應(yīng)用進(jìn)行在線識(shí)別，并將識(shí)別結(jié)果向所有訂閱此主題消息的服務(wù)者推送，此信息包括了異常行為發(fā)出的人員姓名，家庭住址，電話，位置等信息。社區(qū)或醫(yī)療服務(wù)人員收到消息后，通過自動(dòng)開啟邊緣域Android設(shè)備的語音通話功能，來進(jìn)一步確定和核實(shí)是否有異常事件發(fā)生，一旦確定為異常事件，便可立即采取行動(dòng)，保障被監(jiān)控對(duì)象的生命和健康安全。

4 異常行為檢測(cè)流程

虛擬異常行為檢測(cè)服務(wù)的流程圖如圖5所示。虛擬服務(wù)在云端應(yīng)用平臺(tái)啟動(dòng)為后臺(tái)進(jìn)程，實(shí)時(shí)檢測(cè)是否有上傳的異常三軸運(yùn)動(dòng)數(shù)據(jù)，當(dāng)收到異常數(shù)據(jù)推送包時(shí)，提取出有效數(shù)據(jù)，運(yùn)用MP算法和構(gòu)建的Gabor原子庫(kù)，對(duì)運(yùn)動(dòng)數(shù)據(jù)進(jìn)行Gabor原子分解，并提取分解原子的WVD的時(shí)頻特征，并利用近鄰法對(duì)結(jié)果進(jìn)行分類識(shí)別。當(dāng)檢測(cè)出為數(shù)據(jù)庫(kù)中的異常行為時(shí)，發(fā)送消息給終端，進(jìn)行遠(yuǎn)程語音確認(rèn)，如果確定為異常行為如摔倒，突發(fā)病變等，便開始構(gòu)建異常行為的推送信息，包括異常行為類別，安全級(jí)別，地理位置，人員信息，電話等，并將消息通過MQTT通信的后臺(tái)服務(wù)程序發(fā)布出去，同時(shí)開啟求助程序，利用獲得的位置信息進(jìn)行救助。

圖5 異常行為檢測(cè)流程圖

5 實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證文中所提出的老齡人異常行為檢測(cè)算法的實(shí)用性，共選取10位實(shí)驗(yàn)者（5名男性，5名女性），設(shè)定了10種異常行為動(dòng)作，對(duì)每位實(shí)驗(yàn)者的各異常動(dòng)作采集10次，因此每種異常動(dòng)作共有100個(gè)樣本，所有異常動(dòng)作組合起來共有1 000個(gè)樣本，分成兩組，每組500個(gè)樣本，使用K近鄰法進(jìn)行訓(xùn)練和識(shí)別。圖6～圖8為模擬人體常見異常動(dòng)作的WVD時(shí)頻能量分布圖。

圖6 原地坐下

圖7 左側(cè)跌到

圖8 踉蹌跌倒

其檢測(cè)識(shí)別結(jié)果見表2，其中：正確率=跌倒識(shí)別的正確次數(shù)與總實(shí)驗(yàn)次數(shù)的比值。從表2中的結(jié)果來看，檢測(cè)出對(duì)象是否跌倒的正確率相對(duì)較高，理論數(shù)據(jù)與實(shí)際數(shù)據(jù)的誤差不大，與現(xiàn)有文獻(xiàn)中的跌倒檢測(cè)識(shí)別率誤差別不大。但是為了更好的對(duì)老年人的日常行為進(jìn)行監(jiān)測(cè)和分析，需要對(duì)每一活動(dòng)類別單獨(dú)進(jìn)行識(shí)別，即識(shí)別出具體的行為動(dòng)作，而不是檢測(cè)單一的是否跌倒。傳統(tǒng)的方法如文獻(xiàn)［7-14］使用一個(gè)或多個(gè)固定的閥值或依據(jù)峰值數(shù)量來進(jìn)行判斷，不能很好的區(qū)分活動(dòng)類別。

表2 跌倒的識(shí)別結(jié)果

本文通過模式識(shí)別的方法對(duì)樣本特征進(jìn)行訓(xùn)練，分類和識(shí)別，提高了對(duì)具體活動(dòng)類別的識(shí)別率。圖9為利用所求數(shù)據(jù)進(jìn)行4階多項(xiàng)式曲線擬合后得到的ROC曲線，對(duì)比了不同方法在異常行為檢測(cè)結(jié)果中的效果，檢測(cè)結(jié)果要求識(shí)別出具體的異常類別。

圖9 不同方法異常行為檢測(cè)結(jié)果對(duì)比

6 結(jié)束語

本文通過嵌入在智能移動(dòng)終端中的三軸加速度傳感器來采集和傳輸老齡人的異常動(dòng)作特征數(shù)據(jù)。通過云計(jì)算的方式對(duì)三維運(yùn)動(dòng)特征進(jìn)行時(shí)頻分析和特征提取，同時(shí)進(jìn)行分類識(shí)別，在線完成老齡人異常行為的檢測(cè)，并將檢測(cè)結(jié)果通過云推送方式，實(shí)時(shí)發(fā)布到遠(yuǎn)程監(jiān)控和接入服務(wù)域。實(shí)驗(yàn)結(jié)果表明，本文提出的方法切實(shí)有效，可將其應(yīng)用于老齡人監(jiān)護(hù)和救助領(lǐng)域。

［1］Adam A，Rivlin E，Shimshoni I，et al.Robust Real-Time Unusual Event Detection Using Multiple Fixed-Location Monitors［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2008，30（3）：555-560.

［2］Xiang Tao，Gong Shaogang.Incremental and Adaptive Abnormal Behaviour Detection［J］.Computer Vision and Image Understanding，2008，111（1）：59-73.

［3］李海濤，孔令富.基于位置-動(dòng)作特征的助老機(jī)器人服務(wù)對(duì)象異常行為檢測(cè)［J］.計(jì)算機(jī)工程與科學(xué)，2010，32（6）：122-128.

［4］崔永艷，高陽.基于多示例學(xué)習(xí)的異常行為檢測(cè)方法［J］.模式識(shí)別與人工智能，2011，24（6）：862-868.

［5］Zhang Dongping，Peng Huailiang，Yu Haibin，et al.Crowd Abnormal Behavior Detection Based on Machine Learning［J］.Information Technology Journal，2013，12（6）：1199-1205.

［6］肖茜，楊平，徐立波.一種基于MEMS慣性傳感器的手勢(shì)識(shí)別方法［J］.傳感技術(shù)學(xué)報(bào).2013，26（5）：611-615.

［7］Bing Sun，Yang Wang，Jacob Banda.Gait Characteristic Analysis and Identification Based on the iPhone's Accelerometer and Gyrometer［J］.Sensors.2014，14：17037-17054.

［8］陳煒，佟麗娜，宋全軍，等.基于慣性傳感器件的跌倒檢測(cè)系統(tǒng)設(shè)計(jì)［J］.傳感器與微系統(tǒng)，2010，29（8）：117-119.

［9］劉搖鵬，盧潭城，呂愿愿，等.基于MEMS三軸加速度傳感器的摔倒檢測(cè)［J］.傳感技術(shù)學(xué)報(bào)，2014，27（4）：570-574.

［10］李娜，侯義斌，黃樟欽.基于人體加速度特征的實(shí)時(shí)跌倒識(shí)別算法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2012，33（11）：2410-2413.

［11］盧先領(lǐng)，王洪斌，王瑩瑩，等.一種基于加速度傳感器的人體跌倒識(shí)別方法［J］.計(jì)算機(jī)應(yīng)用研究，2013，30（4）：1109-1111.

［12］李正周，陳聯(lián)濤，劉勇，等.人體跌倒的魯棒檢測(cè)方法［J］.數(shù)據(jù)采集與處理，2013，28（5）：580-585.

［13］許繼平，李景濤，彭森，等.基于三軸加速度傳感器的老年人摔倒檢測(cè)系統(tǒng)［J］.計(jì)算機(jī)仿真，2014，31（12）：434-437.

［14］董帥飛，于鳳芹.基于Chirp原子MP分解的漢語聲母時(shí)頻結(jié)構(gòu)分析［J］.計(jì)算機(jī)工程與應(yīng)用，2014，50（1）：200-202.

［15］Trzaskowski B，Jedrzejczak W W，Pilka E，et al.Automatic Removal of Sonomotor Waves from Auditory Brainstem Responses［J］.Computers in Biology and Medicine，2013，43：524-532.

［16］Tang K L，Wang Y，Liu H，et al.Design and Implementation of Push Notification System Based on the MQTT Protocol［C］//International Conf on Information Science and Computer Applications，2013：116-119.

［17］任亨，馬躍，楊海波，等.基于MQTT協(xié)議的消息推送服務(wù)器［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，23（3）：78-82.

羅 堅(jiān)（1984-），男，漢族，湖南省株洲人，網(wǎng)絡(luò)工程師，中南大學(xué)博士，主要研究方向?yàn)槿梭w行為檢測(cè)、模式識(shí)別與智能系統(tǒng)，delphifx@csu.edu.cn；

唐 琎（1966-），男，漢族，湖南武岡人，中南大學(xué)，信息科學(xué)與工程學(xué)院，教授，博士生導(dǎo)師，研究方向?yàn)橛?jì)算機(jī)視覺、模式識(shí)別和人工智能，tjin@csu.edu.cn。

Research of Wearable Abnormal Behavior Detection System for Elderly Based on Cloud Computing*

LUO Jian，TANG Jin*，MAO Fang，ZHAO Peng，WANG Peng
（School of Information Science and Engineering，Central South University，Changsha 410000，China）

Aiming at the problems of the abnormal behavior real-time detection，recognition and online push service for the elderly.Intelligent mobile terminals with tri-axial acceleration sensor embedded are used to capture the motion information of human.The data are decomposed into a linear combination of Gabor atoms by the method of matching pursuit.The Wigner-Ville time-frequency analysis method is introduced and the problem is studied by joint timefrequency analysis in a real time space and by the motion characteristics in 3D space.In order to solve problems of complicated computing in the process of time frequency analysis，and conducting data training，classification，recognition and message push online of abnormal behavior，a wearable abnormal behavior detection system is explored based on the mobile terminal APP，wireless network，and the cloud computing platform.Experimental results demonstrate that the proposed method is feasible and it can be applied to the aged care，emergency aid and related fields.

cloud computing；abnormal behavior；acceleration sensor；wearable；push

TP391.4

A

1004-1699（2015）08-1108-07

??6140；7230；7510D

10.3969/j.issn.1004-1699.2015.08.002

項(xiàng)目來源：國(guó)家自然科學(xué)基金項(xiàng)目（61403426，91220301）；湖南省教育廳科學(xué)研究項(xiàng)目（15C0981）

2015-04-26 修改日期：2015-05-18