張帆

摘要：跌倒一直是影響人體健康的重要因素之一，針對(duì)現(xiàn)有跌倒檢測(cè)算法由于缺乏真實(shí)老人跌倒樣本導(dǎo)致的適應(yīng)性不足等問題，提出了一種基于大數(shù)據(jù)平臺(tái)的人體跌倒檢測(cè)方法。該方法通過分析傳感器的信息構(gòu)建特征向量，運(yùn)用機(jī)器學(xué)習(xí)的算法建立分類模型，將采集到的信息實(shí)時(shí)傳送并保存到搭建好的hadoop大數(shù)據(jù)平臺(tái)，平臺(tái)通過相似度度量判斷模型是否需要更新。隨著數(shù)據(jù)樣本不斷增加，系統(tǒng)的準(zhǔn)確率會(huì)不斷提高。實(shí)驗(yàn)數(shù)據(jù)表明該方法準(zhǔn)確率能在一定范圍內(nèi)實(shí)現(xiàn)穩(wěn)步提高。

關(guān)鍵詞：跌倒檢測(cè)；大數(shù)據(jù)平臺(tái)；機(jī)器學(xué)習(xí)；特征向量；準(zhǔn)確率

DOIDOI：10.11907/rjdk.162817

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）006-0148-04

0 引言

隨著生活方式的變革、年輕人生活觀念的變化、社會(huì)老齡化的加速演進(jìn)，“空巢家庭”問題也越來越嚴(yán)重。有關(guān)數(shù)據(jù)顯示，預(yù)計(jì)到2030年空巢老年人家庭的比例將達(dá)到90%，我國老年人家庭將空巢化[1]。跌倒是老年人群中常見的傷害事件，會(huì)使老人遭受諸如骨折、出血、中樞神經(jīng)系統(tǒng)損傷等身體上的傷害，如果不及時(shí)治療，可能導(dǎo)致老人失能、癱瘓甚至死亡。此外，跌倒也會(huì)致使老人產(chǎn)生諸多心理問題，如害怕運(yùn)動(dòng)、擔(dān)心獨(dú)立生活等。跌倒已成為老年人發(fā)病和死亡的重要原因之一。據(jù)統(tǒng)計(jì)，我國人群中跌倒意外傷害死因排名第4，而在65歲以上的老年人中則位居首位，并隨年齡的增加跌倒的死亡率急劇上升，在85歲以上的老年人中達(dá)到了高峰。因此，如何對(duì)老年人的跌倒進(jìn)行實(shí)時(shí)檢測(cè)和報(bào)警，最大限度提高老年人醫(yī)療監(jiān)護(hù)水平，是一個(gè)非常重要的公共健康問題。在日常生活中，當(dāng)老年人發(fā)生跌倒時(shí)，能夠及時(shí)發(fā)現(xiàn)，就可以避免更為嚴(yán)重的后果。因此，設(shè)計(jì)一種針對(duì)老年人的摔倒檢測(cè)裝置一方面可以提高老年人的生活品質(zhì)，另一方面可以減輕社會(huì)和子女的壓力。

1 相關(guān)工作

由于人體運(yùn)動(dòng)的復(fù)雜性和環(huán)境等因素的影響，很難對(duì)跌倒進(jìn)行準(zhǔn)確檢測(cè)。目前已有跌倒檢測(cè)技術(shù)分為以下3類[2]：

（1） 基于視頻的跌倒檢測(cè)方法[3]。此類方法通過視頻攝像頭捕捉人體運(yùn)動(dòng)畫面，經(jīng)過圖像處理算法，通過圖像特征來判斷是否發(fā)生跌倒。但是由于攝像頭安裝地點(diǎn)固定等缺陷，此類系統(tǒng)只能檢測(cè)到一定區(qū)域，另外，還可能會(huì)泄露個(gè)人隱私。

（2） 基于聲學(xué)的跌倒檢測(cè)方法。此類方法通過分析跌倒時(shí)的振動(dòng)導(dǎo)致的頻率波動(dòng)來檢測(cè)跌倒事件，但系統(tǒng)安裝較為復(fù)雜，資金投入比較大，而且無法得到很好的精度，故只能作為其它檢測(cè)方法的輔助手段。

（3） 基于可穿戴設(shè)備的跌倒檢測(cè)方法[4-6]。此類方法利用多種傳感設(shè)備采集人體運(yùn)動(dòng)信息或姿態(tài)信息，利用算法對(duì)其分析處理，判斷是否發(fā)生跌倒事件?；诳纱┐髟O(shè)備的跌倒檢測(cè)系統(tǒng)由于不受環(huán)境的限制而更加適合于跌倒檢測(cè)，因此具有更為廣闊的應(yīng)用前景。

目前，國內(nèi)外有很多此類裝置及方法研究，例如李文鋒等[7]通過單三軸加速度傳感器采集人體腰部的加速度數(shù)據(jù)，運(yùn)用滑動(dòng)時(shí)間窗方法進(jìn)行時(shí)域特征提取，采用基于閾值的分類方法對(duì)特征進(jìn)行處理；羅丹等[8]采用滑動(dòng)窗口機(jī)制，對(duì)窗口內(nèi)的加速度數(shù)據(jù)進(jìn)行時(shí)間域和變換域處理，在所有樣本集中進(jìn)行有放回的Bootstrap隨機(jī)抽樣和屬性隨機(jī)選擇，構(gòu)建多個(gè)基于最佳屬性分割的支持向量機(jī)基本分類器；石棟等[9]設(shè)計(jì)開發(fā)了一種云智能實(shí)時(shí)檢測(cè)系統(tǒng)，系統(tǒng)通過支持向量機(jī)算法（SVM）對(duì)數(shù)據(jù)進(jìn)行處理，輸出特征數(shù)據(jù)并通過GPRS將數(shù)據(jù)上傳至物聯(lián)網(wǎng)云平臺(tái)，同時(shí)將跌倒信息發(fā)送給監(jiān)護(hù)人手機(jī)；北京工業(yè)大學(xué)研究人員提出一種基于三軸加速度傳感器的人體跌倒檢測(cè)算法[10]，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，在Android智能手機(jī)上使用決策樹進(jìn)行實(shí)時(shí)處理。目前跌倒檢測(cè)研究普遍存在以下問題：①難以獲取真實(shí)的老年人跌倒數(shù)據(jù)作為跌倒檢測(cè)方法的基礎(chǔ)訓(xùn)練數(shù)據(jù)；②現(xiàn)有的跌倒檢測(cè)算法分類模型都是固定的、面向大眾的，不能根據(jù)人體的特征差異進(jìn)行調(diào)整；③傳統(tǒng)關(guān)于跌倒檢測(cè)的研究，跌倒數(shù)據(jù)往往只作為判斷跌倒?fàn)顟B(tài)的依據(jù)，判斷之后數(shù)據(jù)就被釋放。這就造成數(shù)據(jù)資源的浪費(fèi)以及跌倒檢測(cè)連續(xù)性的缺失。

為了獲得較準(zhǔn)確的跌倒檢測(cè)結(jié)果，本文提出一種基于大數(shù)據(jù)平臺(tái)的人體跌倒檢測(cè)算法。該算法使用樸素貝葉斯和期望最大化的思想對(duì)跌倒等動(dòng)作進(jìn)行分類識(shí)別，能較好地適應(yīng)特征值的個(gè)體差異，適合于跌倒樣本規(guī)模相對(duì)不足的特點(diǎn)，實(shí)驗(yàn)結(jié)果能夠驗(yàn)證該算法的準(zhǔn)確性和有效性。

2 跌倒檢測(cè)方法

2.1 跌倒特征分析

跌倒檢測(cè)通常是為了發(fā)現(xiàn)造成傷害的跌倒事件，對(duì)于未造成傷害的跌倒，沒有必要觸發(fā)警報(bào)，例如人在跌倒之后能迅速起身。造成傷害的跌倒事件一般會(huì)經(jīng)歷3個(gè)階段：正常的活動(dòng)、突然跌倒、持續(xù)時(shí)間的靜臥狀態(tài)或有微弱運(yùn)動(dòng)。通過三軸加速度傳感器采集到的信息會(huì)隨著人體運(yùn)動(dòng)過程發(fā)生變化：正常活動(dòng)時(shí)加速度變化比較平穩(wěn)；而跌倒會(huì)產(chǎn)生一個(gè)強(qiáng)烈的沖擊力，引起加速度在1～2s內(nèi)猛烈變化；跌倒后的靜臥或者微弱運(yùn)動(dòng)會(huì)持續(xù)較長的一段時(shí)間，此時(shí)合加速度接近于重力，且各軸的加速度分量與人體正常狀態(tài)時(shí)明顯不同。

跌倒檢測(cè)是一個(gè)二元決策問題，可以將表示跌倒的數(shù)據(jù)樣本歸為一類，將非跌倒的數(shù)據(jù)樣本歸為一類。利用機(jī)器學(xué)習(xí)的算法訓(xùn)練分類器，并且利用Hadoop平臺(tái)的存儲(chǔ)和更新性能自適應(yīng)調(diào)整分類器，使得分類器的準(zhǔn)確度不斷提高。

2.2 特征向量構(gòu)建

由于跌倒可能發(fā)生在任意方向和角度，因而，采用合加速度、豎直方向的加速度和三軸姿態(tài)角度構(gòu)建特征向量可以使得判斷更為合理和精確。

其中X，Y分別表示兩個(gè)數(shù)據(jù)樣本，Xi表示X的第i個(gè)樣本，Yi表示Y的第i個(gè)樣本，cov表示協(xié)方差，E表示期望值，μ表示均值，σ表示標(biāo)準(zhǔn)差。

（4）為減少跌倒檢測(cè)中的誤報(bào)，本文引入基于反饋的訓(xùn)練機(jī)制，即當(dāng)檢測(cè)到正常行為被誤判為跌倒行為時(shí)，系統(tǒng)會(huì)把本次數(shù)據(jù)加入到日常行為數(shù)據(jù)集中，形成新的數(shù)據(jù)集。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)條件

為了驗(yàn)證本研究的有效性，本文進(jìn)行了相關(guān)實(shí)驗(yàn)。首先利用3臺(tái)服務(wù)器搭建了3個(gè)節(jié)點(diǎn)的Hadoop大數(shù)據(jù)平臺(tái)，然后實(shí)現(xiàn)平臺(tái)和手機(jī)的交互，手機(jī)為三星Note6，最后將手機(jī)置于人體腰間。實(shí)驗(yàn)對(duì)象2人，實(shí)驗(yàn)者1：女，23歲，身高162cm，體重53kg；實(shí)驗(yàn)者2：男，26歲，身高176cm，體重65kg。兩人分別進(jìn)行了向前摔倒100次、向后摔倒100次、左側(cè)摔倒100次、右側(cè)摔倒100次，日常行為活動(dòng)600次（時(shí)間跨度為5天，每天的數(shù)據(jù)樣本都在前一天的基礎(chǔ)上增加）。

根據(jù)上述表2～表6以及圖2～圖4，可以發(fā)現(xiàn)，同一實(shí)驗(yàn)者跌倒檢測(cè)的準(zhǔn)確度、靈敏度、特異度會(huì)隨著天數(shù)（訓(xùn)練數(shù)據(jù)樣本）的增加不斷提高，從而驗(yàn)證了本研究的有效性和正確性。

4 結(jié)語

本文提出了一種基于大數(shù)據(jù)平臺(tái)的人體跌倒檢測(cè)方法。利用大數(shù)據(jù)平臺(tái)存儲(chǔ)和機(jī)器學(xué)習(xí)方法，對(duì)日?；顒?dòng)樣本以及跌倒樣本進(jìn)行學(xué)習(xí)，確定合理的分類器。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)本文具有以下優(yōu)點(diǎn)：采用樸素貝葉斯算法和期望最大化算法，避免了因初始特征向量數(shù)據(jù)樣本較少而無法建立分類器的情況，提高了初始跌到檢測(cè)準(zhǔn)確率；采用計(jì)算相似度度量的方法，對(duì)特征向量數(shù)據(jù)樣本進(jìn)行相似性判斷，只有樣本不相似時(shí)，分類器才會(huì)作出調(diào)整。后續(xù)將增加跌倒數(shù)據(jù)集進(jìn)行更深層的性能評(píng)測(cè)，同時(shí)與現(xiàn)有跌倒方法作對(duì)比以進(jìn)一步優(yōu)化該方法。

參考文獻(xiàn)：

[1]RASHIDI P，MIHAILIDIS A.A survey on ambient-assisted living tools for older adults[J].IEEE journal of biomedical and health informatics，2013，17（3）：579-590.

[2]NOURY N，F(xiàn)LEURY A，RUMEAU P，et al.Fall detection-principles and methods[C].International Conference of the IEEE Engineering in Medicine & Biology Society IEEE Engineering in Medicine & Biology Society Conference.2007：1663-6.

[3]NGO Y T，NGUYEN H V，PHAM T V.Study on fall detection based on intelligent video analysis[C].The 2012 International Conference on Advanced Technologies for Communications.2012：114-117.

[4]王榮，章韻，陳建新.基于三軸加速度傳感器的人體跌倒檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2012，32（5）：1450-1452.

[5]席旭剛，武昊，左靜，等.基于 sEMG 與足底壓力信號(hào)融合的跌倒檢測(cè)研究[J].儀器儀表學(xué)報(bào)，2015，36（9）：2044-2049.

[6]石欣，張濤.一種可穿戴式跌倒檢測(cè)裝置設(shè)計(jì)[J].儀器儀表學(xué)報(bào)，2012（3）：575-580.

[7]李文鋒，姚丙盟.基于單三軸加速度傳感器的人體活動(dòng)狀態(tài)識(shí)別[J].華中科技大學(xué)學(xué)報(bào) ：自然科學(xué)版，2016（4）：12.

[8]羅丹，羅海勇.基于隨機(jī)森林的跌倒檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2015，35（11）：3157-3160.

[9]石棟，張克華，徐彪.獨(dú)居老人云智能跌倒實(shí)時(shí)檢測(cè)系統(tǒng)的開發(fā)[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（19）.

[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.

（責(zé)任編輯：陳福時(shí)）