李仲年， 臧春華, 楊 剛， 項(xiàng) 嶸

(南京航空航天大學(xué) 電子與信息工程學(xué)院，江蘇 南京 211106 )

?

基于半監(jiān)督學(xué)習(xí)的跌倒檢測(cè)系統(tǒng)設(shè)計(jì)*

李仲年， 臧春華, 楊 剛， 項(xiàng) 嶸

(南京航空航天大學(xué) 電子與信息工程學(xué)院，江蘇 南京 211106 )

針對(duì)老人跌倒時(shí)的復(fù)雜運(yùn)動(dòng)情況，進(jìn)行跌倒標(biāo)注的較難實(shí)現(xiàn)，提出了基于Tri-training半監(jiān)督算法的跌倒檢測(cè)系統(tǒng)。本系統(tǒng)使用3D加速度傳感器采集運(yùn)動(dòng)加速度數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行特征提取與部分樣本標(biāo)注，使用Tri-training算法訓(xùn)練分類(lèi)器，最后使用訓(xùn)練好的分類(lèi)器進(jìn)行跌倒識(shí)別。具體的數(shù)據(jù)采集傳感器設(shè)計(jì)為可穿戴式設(shè)備，服務(wù)器端使用Java編寫(xiě)了一個(gè)服務(wù)器的程序?qū)崿F(xiàn)對(duì)數(shù)據(jù)的分析與處理。實(shí)驗(yàn)結(jié)果表明：該方法使用了大量無(wú)標(biāo)簽數(shù)據(jù)的信息，有效提高了跌倒識(shí)別的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明：本系統(tǒng)能夠滿(mǎn)足老年人在日常生活中的需求,對(duì)于一些意外跌倒能夠給予及時(shí)的檢測(cè)與報(bào)警。

跌倒檢測(cè); 半監(jiān)督學(xué)習(xí); 模式識(shí)別; 支持向量機(jī); 特征提取

0 引 言

近年來(lái)，一些可穿戴設(shè)備能夠提供記錄一些人的基本運(yùn)動(dòng)數(shù)據(jù)的服務(wù)，一般包括運(yùn)動(dòng)量、心率等。這些基礎(chǔ)的服務(wù)都無(wú)法很好地滿(mǎn)足了一些老年人的一些特殊需求。基于物聯(lián)網(wǎng)的醫(yī)療防護(hù)技術(shù)在技術(shù)快速發(fā)展的今天受到了廣泛的關(guān)注[1]，其中基于物聯(lián)網(wǎng)的跌倒檢測(cè)技術(shù)其識(shí)別的準(zhǔn)確度與速度較好，并且能夠快速發(fā)出報(bào)警信號(hào)，使其在應(yīng)用領(lǐng)域有著極大的價(jià)值。根據(jù)不同的檢測(cè)技術(shù)，跌倒檢測(cè)又可以分為基于設(shè)立閾值的跌倒檢測(cè)和基于模式識(shí)別的跌倒檢測(cè)。其中基于模式識(shí)別的跌倒檢測(cè)更適應(yīng)與復(fù)雜的跌倒場(chǎng)景，應(yīng)用更加廣泛。一般基于模式識(shí)別的檢測(cè)方法選用監(jiān)督學(xué)習(xí)作為其識(shí)別方法，其缺點(diǎn)在于從日常行為中標(biāo)注出跌倒較困難，所以含有標(biāo)簽的跌倒數(shù)據(jù)較稀少，與之相反無(wú)標(biāo)簽數(shù)據(jù)容易獲得，監(jiān)督學(xué)習(xí)忽略了大量無(wú)標(biāo)簽樣本的信息。

本文基于模式識(shí)別的跌倒檢測(cè)技術(shù)，提出了一種新的基于Tri-training半監(jiān)督學(xué)習(xí)[2]的跌倒識(shí)別方法，可以在無(wú)法獲得大量標(biāo)簽的數(shù)據(jù)的情況下利用無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)，有效提高檢測(cè)準(zhǔn)確率，獲得較好的檢測(cè)效果。

1 基于Tri-training的跌倒檢測(cè)算法

1.1 基于模式識(shí)別的跌倒檢測(cè)原理

基于模式識(shí)別的跌倒檢測(cè)原理就是依靠可穿戴設(shè)備獲取來(lái)的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行特征提取和特征選擇，選擇合適的特征然后將特征放入分類(lèi)器進(jìn)行學(xué)習(xí)，學(xué)習(xí)出一個(gè)比較適用的分類(lèi)器，然后用這個(gè)分類(lèi)器進(jìn)行跌倒的檢測(cè)。

1.2 基于Tri-training的跌倒檢測(cè)算法原理

目前基于模式識(shí)別的跌倒檢測(cè)算法其分類(lèi)器一般采用的算法有K近鄰(KNN)[3]、支持向量機(jī)(SVM)[3]、樸素貝葉斯[4]等。由于跌倒的樣本不是很好的獲取，其帶有標(biāo)簽的樣本并不是很多，這就讓傳統(tǒng)的監(jiān)督學(xué)習(xí)容易欠學(xué)習(xí)，從而影響檢測(cè)準(zhǔn)確率。

為此，提出了基于Tri-training算法的跌倒檢測(cè)從而利用無(wú)標(biāo)簽的數(shù)據(jù)進(jìn)行識(shí)別。由于傳感器傳出來(lái)的數(shù)據(jù)一般較多且不容易進(jìn)行數(shù)據(jù)可視化，很難進(jìn)行人為的一一標(biāo)定，或者標(biāo)定的成本很高，從而如何對(duì)盡量少的樣本進(jìn)行人工標(biāo)記，并獲得比較好的分類(lèi)性能是解決跌倒問(wèn)題的關(guān)鍵。

Tri-training算法是半監(jiān)督學(xué)習(xí)中的協(xié)同訓(xùn)練方法，該算法采用三個(gè)分類(lèi)器，通過(guò)隨機(jī)采樣算法 Bootstrap Sampling獲取有差異的訓(xùn)練數(shù)據(jù)子集，來(lái)保證分類(lèi)器之間的差異性。Tri-training訓(xùn)練結(jié)束后，采用多數(shù)投票法對(duì)三個(gè)分類(lèi)器集成，獲得最終分類(lèi)器模型[5]。該算法被廣泛應(yīng)用與圖像檢索與文本分類(lèi)等實(shí)際的應(yīng)用中[6]。由于 Tri-training對(duì)樣本屬性集和三個(gè)分類(lèi)器所用監(jiān)督學(xué)習(xí)算法都沒(méi)有約束，而且不使用交叉驗(yàn)證來(lái)實(shí)現(xiàn)，其適用范圍更廣、 效率更高并且容易實(shí)現(xiàn)。

Tri-training算法的基分類(lèi)器選擇使用SVM來(lái)進(jìn)行訓(xùn)練，SVM在解決分類(lèi)問(wèn)題表現(xiàn)較有優(yōu)勢(shì)，假設(shè)有一組訓(xùn)練數(shù)據(jù)集{xi,yi}，其中xi∈Rn是第i個(gè)訓(xùn)練樣本，yi為第i個(gè)樣本的標(biāo)簽，SVM通過(guò)解決最優(yōu)化問(wèn)題

(1)

獲得最優(yōu)超平面[7]，通過(guò)實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，使用線(xiàn)性核函數(shù)的識(shí)別率很差，從而嘗試使用其他核函數(shù)，經(jīng)過(guò)實(shí)驗(yàn)，結(jié)果表明高斯核效果最好，固以SVM的核函數(shù)選擇為高斯核，具體的公式為

(2)

高斯核有效地提高了SVM的泛化能力，并有效避免了維數(shù)災(zāi)難。

1.3 基于Tri-training的跌倒檢測(cè)算法步驟

完整的基于Tri-training的跌倒檢測(cè)算法步驟主要分為學(xué)習(xí)部分和檢測(cè)部分兩部分組成。

1.3.1 學(xué)習(xí)部分步驟

1)從傳感器讀入三軸加速度傳感器的數(shù)據(jù)，數(shù)據(jù)為三個(gè)軸的加速度的值，因?yàn)閭鞲衅鞯闹翟跁r(shí)間上是連續(xù)抽樣所得，所以必須對(duì)數(shù)據(jù)進(jìn)行切分，用滑動(dòng)窗口[8]將數(shù)據(jù)進(jìn)行分割[9]。

2)對(duì)數(shù)據(jù)進(jìn)行整理，剔除明顯是錯(cuò)誤的數(shù)據(jù)，在此基礎(chǔ)上標(biāo)記一定量的數(shù)據(jù)。

3)對(duì)數(shù)據(jù)進(jìn)行特征提取，特征分為時(shí)域特征與頻域特征，本系統(tǒng)提取的特征主要有均值、方差、均值穿越次數(shù)、能量等。重要特征具體描述如下：

a.方差用于描述加速度數(shù)據(jù)的離散程度,其計(jì)算公式如下所示

(3)

b.能量的計(jì)算方法是對(duì)信號(hào)做離散傅立葉變換后，各分量的幅度平方和，運(yùn)動(dòng)不發(fā)生時(shí)的能量小于運(yùn)動(dòng)的能量，能量的計(jì)算公式為

(4)

式中 Fi為數(shù)據(jù)做傅立葉變換之后的幅度。

c.均值穿越次數(shù)用于描述加速度數(shù)據(jù)時(shí)間的波動(dòng)程度，其計(jì)算方法為統(tǒng)計(jì)加速度穿越均值的次數(shù)[10]。

d.已經(jīng)提取的特征進(jìn)行特征選擇，用假設(shè)檢驗(yàn)的方法拒絕了譜質(zhì)心作為特征，其余特征通過(guò)假設(shè)檢驗(yàn)。

e.過(guò)假設(shè)檢驗(yàn)的特征進(jìn)行特征歸一化,歸一化的公式為

(5)

(6)

(7)

所有歸一化之后的特征具有零均值和單位方差，使不同特征值位于相似范圍[11]。

f.用已經(jīng)處理好的特征進(jìn)行Tri-training分類(lèi)器的學(xué)習(xí)，學(xué)習(xí)出分類(lèi)器。

1.3.2 檢測(cè)部分步驟

1)將已經(jīng)學(xué)習(xí)到的分類(lèi)器移植到目標(biāo)平臺(tái);2)使用滑動(dòng)窗口實(shí)現(xiàn)數(shù)據(jù)的分割，清洗數(shù)據(jù);3)將據(jù)進(jìn)行特征提取對(duì)提取完的數(shù)據(jù)進(jìn)行歸一化;4)將已經(jīng)歸一化的數(shù)據(jù)進(jìn)行跌倒檢測(cè)，即將特征向量放入分類(lèi)器中進(jìn)行分類(lèi)，得到跌倒或者非跌倒兩種狀態(tài);5)對(duì)測(cè)出跌倒行為進(jìn)行報(bào)警。

2 系統(tǒng)設(shè)計(jì)

基于Tri-training的算法以提高跌倒檢測(cè)的準(zhǔn)確性，自主研發(fā)了基于可穿戴設(shè)備的跌倒檢測(cè)系統(tǒng)，該跌倒檢測(cè)系統(tǒng)有服務(wù)器端，智能可穿戴設(shè)備和路由器組成[12]，可穿戴設(shè)備和路由器系統(tǒng)采用無(wú)線(xiàn)局域網(wǎng)進(jìn)行連接路由器與服務(wù)器采用有線(xiàn)連接。

2.1 服務(wù)器系統(tǒng)設(shè)計(jì)

服務(wù)器系統(tǒng)運(yùn)行在Windows7系統(tǒng)的X86計(jì)算機(jī)，用面向?qū)ο蟮腏ava實(shí)現(xiàn)，主要的功能是將可穿戴設(shè)備傳上來(lái)的數(shù)據(jù)進(jìn)行數(shù)據(jù)分割與特征提取并運(yùn)用已經(jīng)學(xué)好的分類(lèi)器進(jìn)行檢測(cè)，若為跌倒,則報(bào)警。服務(wù)器主要有檢測(cè)算法模塊、數(shù)據(jù)通信模塊、報(bào)警模塊。

2.2 可穿戴設(shè)備設(shè)計(jì)

可穿戴設(shè)備為嵌入式設(shè)備，其硬件由MCU模塊，通信模塊和傳感器模塊組成[13]。MCU模塊負(fù)責(zé)將傳感器的數(shù)據(jù)進(jìn)行簡(jiǎn)單的處理然后經(jīng)過(guò)通信模塊與路由器進(jìn)行通信。MCU模塊從傳感器讀出數(shù)據(jù)，通過(guò)通信模塊發(fā)送出去。通信模塊使用ZigBee協(xié)議，通過(guò)樹(shù)狀組網(wǎng)將終端節(jié)點(diǎn)數(shù)據(jù)(可穿戴設(shè)備)采集到的數(shù)據(jù)傳輸給路由器節(jié)點(diǎn)，再由路由節(jié)點(diǎn)將數(shù)據(jù)傳輸給服務(wù)器。

2.3 路由器設(shè)備

路由器設(shè)備為可穿戴設(shè)備與服務(wù)器連接的橋梁，它的作用是將可穿戴設(shè)備組成傳感器網(wǎng)絡(luò)，并將數(shù)據(jù)傳輸給服務(wù)器。路由器的使用使得傳感器的網(wǎng)絡(luò)很容易添加和刪除可穿戴的設(shè)備的節(jié)點(diǎn)，使得系統(tǒng)容易擴(kuò)展。

3 實(shí)驗(yàn)結(jié)果與分析

通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證本系統(tǒng)的檢測(cè)性能，并將本系統(tǒng)與KNN，樸素貝葉斯，SVM三種常用的跌倒檢測(cè)算法進(jìn)行對(duì)比，實(shí)驗(yàn)一采用200個(gè)標(biāo)簽數(shù)據(jù)，300個(gè)無(wú)標(biāo)簽數(shù)據(jù)和40個(gè)測(cè)試數(shù)據(jù)來(lái)完成，KNN和SVM在有標(biāo)簽的數(shù)據(jù)上進(jìn)行學(xué)習(xí)，本文測(cè)得的數(shù)據(jù)是KNN的準(zhǔn)確率為88.5 %,SVM的準(zhǔn)確率為93.3 %,使用Tri-training的準(zhǔn)確率為94.2 %。

實(shí)驗(yàn)一驗(yàn)證Tri-training算法使用了無(wú)標(biāo)簽數(shù)據(jù)的信息提高了精度,實(shí)驗(yàn)二在不同無(wú)標(biāo)簽樣本的個(gè)數(shù)的情況下完成。無(wú)標(biāo)簽樣本分別為200個(gè)時(shí)，準(zhǔn)確率為93.9 %，無(wú)標(biāo)簽樣本為300個(gè)時(shí)，準(zhǔn)確率為94.2 %，無(wú)標(biāo)簽樣本為400個(gè)時(shí)，準(zhǔn)確率為94.6 %。

實(shí)驗(yàn)結(jié)果表明，利用沒(méi)有標(biāo)簽的數(shù)據(jù)可以提高識(shí)別準(zhǔn)確率，使得數(shù)據(jù)在不容易獲得標(biāo)簽的時(shí)候能更好地發(fā)揮作用。

4 結(jié) 論

提出Tri-Traning半監(jiān)督的跌倒檢測(cè)系統(tǒng)，僅僅用監(jiān)督學(xué)習(xí)進(jìn)行跌倒檢測(cè)會(huì)使沒(méi)有標(biāo)簽的數(shù)據(jù)被浪費(fèi)，針對(duì)這個(gè)缺點(diǎn)提出應(yīng)用Tri-Traning半監(jiān)督學(xué)習(xí)來(lái)訓(xùn)練分類(lèi)器有效地提高了檢測(cè)的精度。該算法有效地結(jié)合了SVM在分類(lèi)中的優(yōu)勢(shì)，使得整體檢測(cè)精度有了提高。

實(shí)現(xiàn)了基于Tri-Traning半監(jiān)督的跌倒檢測(cè)系統(tǒng)，經(jīng)過(guò)實(shí)驗(yàn)，結(jié)果表明：使用該算法提高了對(duì)跌倒的檢測(cè)，使得整個(gè)系統(tǒng)更加準(zhǔn)確。本系統(tǒng)能滿(mǎn)足日常生活中的跌倒檢測(cè)，能為老年人的健康提供有效保護(hù)。

[1] 萬(wàn)喬喬,張俊然,趙 斌.無(wú)線(xiàn)傳感器網(wǎng)絡(luò)通信協(xié)議及其在醫(yī)學(xué)領(lǐng)域的研究進(jìn)展[J].傳感器與微系統(tǒng),2015,34(7):11-13,20.

[2]ZhouZH,LiM.Tri-training:Exploitingunlabeleddatausingthreeclassifiers[J].IEEETransactionsonKnowledge&DataEngineering, 2005, 17(11):1529-1541.

[3]BishopC.Patternrecognitionandmachinelearning[M].BerlinHeidelberg:Springer,2006.

[4] 蔣良孝.樸素貝葉斯分類(lèi)器及其改進(jìn)算法研究[D].武漢：中國(guó)地質(zhì)大學(xué)，2009:17-29.

[5] 張 雁，吳丹桔，吳保國(guó).基于Tri-training半監(jiān)督分類(lèi)算法的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23(7)：77-79，83.

[6] 張晨光，張 燕.半監(jiān)督學(xué)習(xí)[M].北京：中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社，2013:32-33.

[7] 李昆侖, 張 偉, 代運(yùn)娜. 基于Tri-training的半監(jiān)督SVM[J].計(jì)算機(jī)工程與應(yīng)用, 2009, 45(22):103-106.

[8]LaraOD,LabradorMA.Asurveyonhumanactivityrecognitionusingwearablesensors[J].IEEECommunicationsSurveys&Tutorials, 2013,15(3):1192-1209.

[9] 黃 帥.老年人跌倒檢測(cè)系統(tǒng)中相關(guān)算法的研究與應(yīng)用[D].北京：清華大學(xué)，2011:20-24.

[10] 汪 亮.基于可穿戴傳感器網(wǎng)絡(luò)的人體行為識(shí)別技術(shù)研究[D].南京：南京大學(xué)，2014:22-23.

[11]LeCunY,BottouL,OrrGB,etal.EfficientbackProp,neuralnetworks:Tricksofthetrade[M].BerlinHeidelberg:Springer,1998.

[12] 張 迅, 黎 偉, 周建國(guó),等. 基于傳感器的室內(nèi)測(cè)試軌跡系統(tǒng)[J]. 傳感器與微系統(tǒng), 2015,34(6):43-45.

[13] 劉向舉, 劉麗娜. 基于物聯(lián)網(wǎng)的室內(nèi)環(huán)境監(jiān)測(cè)系統(tǒng)的研究[J].傳感器與微系統(tǒng), 2013, 32(3):37-39.

李仲年(1990- )，男，碩士研究生，主要研究方向?yàn)槟Ｊ阶R(shí)別，計(jì)算機(jī)應(yīng)用。

Design of fall detection system based on semi-supervised learning*

LI Zhong-nian, ZANG Chun-hua, YANG Gang, XIANG Rong

(College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics,Nanjing 211106，China)

Aiming at problem that falling down movement of the elderly is very complex and falling down label is difficult to achieve,a stumbling and falling system based on Tri-training semi-supervised algorithm is proposed. The system uses the 3D acceleration sensor to collect movement accelerating data, and extraction of feature is done on the data and partial sample is labeled.Tri-training algorithm is used to train the classifier in the next step. Trained classifier is served to recognize stumbling and falling. The sensor of data acquisition is designed as a wearable device in particular and the server uses Java to write a program for data processing and analyzing. The test results show that the proposed method can effectively improve the accuracy of the recognition by applying a large number of unlabeled data. The experimental results demonstrate that the system can meet the needs of the elderly in their daily lives, and some unexpected falls are able to give timely detection and alarm.

fall detection; semi-supervised learning; pattern recognition; support vector machine(SVM); feature extraction

2016—08—11

南京航空航天大學(xué)研究生創(chuàng)新基地(實(shí)驗(yàn)室)開(kāi)放基金資助項(xiàng)目(KFJJ20150401)

10.13873/J.1000—9787(2016)10—0067—03

TP 391

A

1000—9787(2016)10—0067—03