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，南京211106）

基于噪聲嵌入的跌倒檢測(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，南京211106）

跌倒會(huì)對(duì)老人健康產(chǎn)生大的傷害，因此跌倒檢測(cè)系統(tǒng)的重要性日益凸顯。針對(duì)老人跌倒的復(fù)雜運(yùn)動(dòng)場(chǎng)景和噪聲數(shù)據(jù)含有的大量有用信息，提出了一種噪聲嵌入的跌倒檢測(cè)系統(tǒng)。系統(tǒng)使用3D加速度傳感器采集運(yùn)動(dòng)的加速度數(shù)據(jù)，分別對(duì)數(shù)據(jù)進(jìn)行跌倒標(biāo)注和噪聲強(qiáng)度標(biāo)注，然后對(duì)數(shù)據(jù)進(jìn)行特征提取。使用特征和標(biāo)注信息分別訓(xùn)練噪聲強(qiáng)度分類和跌倒檢測(cè)分類器，最終使用訓(xùn)練好的兩個(gè)分類器實(shí)現(xiàn)跌倒檢測(cè)。數(shù)據(jù)采集傳感器設(shè)計(jì)為可穿戴設(shè)備，使用Zigbee進(jìn)行組網(wǎng)，服務(wù)器端使用Java編寫(xiě)一個(gè)服務(wù)器程序，實(shí)現(xiàn)了對(duì)數(shù)據(jù)的分析與處理。實(shí)驗(yàn)結(jié)果表明系統(tǒng)能滿足老年人日常生活中的需求，對(duì)一些意外跌倒能夠給予及時(shí)的檢測(cè)與報(bào)警。

噪聲嵌入；跌倒檢測(cè)；模式識(shí)別；支持向量機(jī)；主成份分析；特征提取

1 引言

近年來(lái)，隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，可穿戴設(shè)備[1]能夠提供一些人的基本運(yùn)動(dòng)數(shù)據(jù)，一般包括運(yùn)動(dòng)量和心率等[2]，但這些基本的運(yùn)動(dòng)數(shù)據(jù)都無(wú)法很好滿足老年人的一些特殊需求，例如跌倒檢測(cè)，因此在基本數(shù)據(jù)的基礎(chǔ)上進(jìn)行深入處理成為跌倒檢測(cè)的一種發(fā)展方向。在基本數(shù)據(jù)的基礎(chǔ)上跌倒檢測(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)[3]。其中基于模式識(shí)別[4]的跌倒檢測(cè)更適應(yīng)復(fù)雜的跌倒場(chǎng)景，應(yīng)用更加廣泛。一般的基于模式識(shí)別的跌倒檢測(cè)都是將特征向量直接放入分類器進(jìn)行最終檢測(cè)，忽略了具有不同標(biāo)簽的相似數(shù)據(jù)所含有的噪聲信息，因此影響檢測(cè)的準(zhǔn)確率。

基于模式識(shí)別的跌倒檢測(cè)技術(shù)，提出了噪聲嵌入（NE）的跌倒檢測(cè)系統(tǒng)，該系統(tǒng)利用特征預(yù)先實(shí)現(xiàn)噪聲分類，然后將噪聲分類信息加入到另一個(gè)分類器實(shí)現(xiàn)噪聲嵌入，最后進(jìn)行跌倒檢測(cè)，有效利用了噪聲信息，提高了跌倒檢測(cè)準(zhǔn)確率。

2 基于N E的跌倒檢測(cè)算法

2.1 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)的基本數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行后續(xù)處理，例如進(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器進(jìn)行學(xué)習(xí)，學(xué)習(xí)出能夠進(jìn)行跌倒檢測(cè)的分類器，然后用分類器進(jìn)行跌倒檢測(cè)。

2.2 基于N E的跌倒檢測(cè)原理

目前基于模式識(shí)別的跌倒檢測(cè)其分類器一般采用的算法有K近鄰（KNN）[5]，支持向量機(jī)（SVM）[6]，樸素貝葉斯[7]等。由于人體運(yùn)動(dòng)的情況復(fù)雜，很多運(yùn)動(dòng)數(shù)據(jù)與跌倒類似，然而這些非跌倒的數(shù)據(jù)一般被看作噪聲數(shù)據(jù)，目前的方法往往忽略噪聲數(shù)據(jù)直接進(jìn)行跌倒檢測(cè)，噪聲數(shù)據(jù)中含有大量近似跌倒的信息，這種情況下很容易將非跌倒判定為跌倒，從而影響跌倒判斷的準(zhǔn)確率。

為此，提出了基于NE的跌倒檢測(cè)算法，將噪聲數(shù)據(jù)使用一個(gè)多分類的分類器進(jìn)行分類之后嵌入到特征向量中實(shí)現(xiàn)跌倒檢測(cè)，這充分利用了數(shù)據(jù)中的噪聲信息。該方法的實(shí)現(xiàn)不僅需要進(jìn)行正確的樣本標(biāo)注，而且需要進(jìn)行噪聲標(biāo)注。噪聲標(biāo)注就是在獲取傳感器數(shù)據(jù)時(shí)標(biāo)注這種噪聲的強(qiáng)度，本算法規(guī)定運(yùn)動(dòng)越近似跌倒，噪聲越大即其標(biāo)簽值越大。

NE算法使用兩個(gè)分類器先后進(jìn)行噪聲的識(shí)別與跌倒檢測(cè)。先利用KNN識(shí)別出噪聲類別，再將噪聲類別嵌入特征向量中使用SVM算法檢測(cè)是否跌倒。算法的數(shù)據(jù)流向框圖如圖1所示。

圖1 NE算法數(shù)據(jù)流向圖

在特征提取方面，選擇主成份分析（PCA）[8]作為特征提取的方法，PCA是目前模式識(shí)別的特征提取中效果比較出色的一種特征提取方法，該方法在提取特征的同時(shí)進(jìn)行數(shù)據(jù)壓縮與降噪。

具體來(lái)說(shuō)，x為輸入傳感器采集的數(shù)據(jù)向量，即??R ，求取x的自相關(guān)矩陣?R ? E???,將R做特征值分解，得到特征值 ?,i ?1,2,...,m，m，對(duì) ?i進(jìn)行歸一化，即 ，將 ?i從大到小依次排序，選擇?中最大的 個(gè)值對(duì)應(yīng)的特征向量為基向量構(gòu)造投影子空間V???v ,v ,..,v?，將任一目標(biāo)數(shù)據(jù)x對(duì)投影子空間投影?xx Vx，可得到表征該目標(biāo)的數(shù)據(jù)i 維特征向量 xx?。

經(jīng)過(guò)實(shí)驗(yàn)論證，KNN在噪聲強(qiáng)度標(biāo)記方面效果較好，噪聲識(shí)別使用KNN來(lái)實(shí)現(xiàn)，KNN算法直觀且容易實(shí)現(xiàn)多類別分類。KNN算法的原理為給定一個(gè)訓(xùn)練樣本集，對(duì)于輸入的數(shù)據(jù)實(shí)例，在訓(xùn)練集中找到與該實(shí)例最近的k個(gè)實(shí)例，這k個(gè)實(shí)例多數(shù)屬于某個(gè)類，就把這個(gè)實(shí)例輸入分為這個(gè)類。

SVM在解決分類問(wèn)題方面較有優(yōu)勢(shì)，跌倒檢測(cè)的識(shí)別算法選?用 SVM，假設(shè)有一組訓(xùn)練?數(shù)據(jù)集??xi, yi?，其中 ??Rn是第i個(gè)訓(xùn)練樣本，y i 為第i個(gè)樣本的標(biāo)簽，SVM通過(guò)解決最優(yōu)化問(wèn)題見(jiàn)下。

獲得最優(yōu)超平面。通過(guò)實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，使用線性核函數(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，故SVM的核函數(shù)我們選擇為高斯核，具體公式為：

高斯核有效提高了SVM的泛化能力，并且有效避免了維數(shù)災(zāi)難，使用高斯核SVM的結(jié)構(gòu)如圖2所示。

圖2 使用核函數(shù)的SVM結(jié)構(gòu)圖

2.3 基于噪聲嵌入的跌倒檢測(cè)步驟

完整的噪聲嵌入跌倒檢測(cè)算法由學(xué)習(xí)與檢測(cè)兩部分組成。

2.3.1 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)窗口將數(shù)據(jù)進(jìn)行分割;

（2）對(duì)數(shù)據(jù)進(jìn)行整理，剔除明顯錯(cuò)誤的數(shù)據(jù)，標(biāo)記數(shù)據(jù);

（3）對(duì)數(shù)據(jù)進(jìn)行特征提取，這里采用的特征提取方法為主成份分析（PCA），得到特征向量；

（4）將所有特征向量進(jìn)行歸一化[9]，歸一化公式為：

（5）用得到的特征向量和噪聲標(biāo)注學(xué)習(xí)；

（6）將噪聲數(shù)據(jù)嵌入特征向量，本方案將分類出的噪聲放在特征的最后一位，學(xué)習(xí)跌倒檢測(cè)的分類器，分類器選擇為SVM。

2.3.2 檢測(cè)部分步驟：（1）將已經(jīng)學(xué)習(xí)到的分類器移植到目標(biāo)平臺(tái);（2）使用滑動(dòng)窗口實(shí)現(xiàn)數(shù)據(jù)分割，清洗數(shù)據(jù)；（3）將數(shù)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器中進(jìn)行分類；

（5）對(duì)測(cè)出的跌倒行為進(jìn)行報(bào)警。

3 系統(tǒng)設(shè)計(jì)

3.1 系統(tǒng)架構(gòu)

跌倒檢測(cè)系統(tǒng)主要包括三部分，一部分是可穿戴模塊，負(fù)責(zé)人體運(yùn)動(dòng)數(shù)據(jù)的采集，包括一個(gè)三維加速度傳感器和一個(gè)無(wú)線發(fā)送模塊，這部分佩戴在身上；另一部分是路由節(jié)點(diǎn)，負(fù)責(zé)接收傳感器的數(shù)據(jù)，路由部分由無(wú)線模塊和MCU模塊組成負(fù)責(zé)將傳感器的數(shù)據(jù)傳輸?shù)椒?wù)器；服務(wù)器部分對(duì)數(shù)據(jù)進(jìn)行分析與計(jì)算，檢測(cè)是否發(fā)生跌倒。

3.2 數(shù)據(jù)流向架構(gòu)

采集身體運(yùn)動(dòng)加速度數(shù)據(jù)之后將數(shù)據(jù)傳輸給路由器節(jié)點(diǎn)，這兩部分通過(guò)無(wú)線模塊進(jìn)行通信，這里使用Zigbee模塊[10]作為無(wú)線傳輸模塊。路由器的數(shù)據(jù)通過(guò)USB與服務(wù)器進(jìn)行數(shù)據(jù)通信。服務(wù)器由基于Windows7操作系統(tǒng)的PC構(gòu)成，使用Java編寫(xiě)一個(gè)服務(wù)器端程序，服務(wù)器對(duì)數(shù)據(jù)進(jìn)行分割及特征提取和跌倒檢測(cè)。

圖3 數(shù)據(jù)流向架構(gòu)圖

4 實(shí)驗(yàn)結(jié)果及分析

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)采用200組數(shù)據(jù)進(jìn)行學(xué)習(xí)，表1前兩行給出了NE算法和KNN與SVM作為跌倒檢測(cè)算法的實(shí)驗(yàn)結(jié)果。其中KNN和SVM分別是僅僅使用PCA做特征提取后的直接檢測(cè)，NE為做噪聲嵌入之后的跌倒檢測(cè)，實(shí)驗(yàn)結(jié)果表明噪聲嵌入的算法提高了識(shí)別精度。表1后兩行給出了將KNN的噪聲提取算法換成多項(xiàng)邏輯斯蒂回歸[11]（MLR）時(shí)的實(shí)驗(yàn)結(jié)果，KNN作為噪聲提取的算法精度比MLR要高。

表1 嗓聲嵌入算法與其他檢測(cè)準(zhǔn)確率比較表

5 結(jié)束語(yǔ)

NE算法是將噪聲信息加入到檢測(cè)之中，實(shí)現(xiàn)對(duì)噪聲的感知，提高檢測(cè)跌倒的魯棒性。僅僅使用單分類器進(jìn)行檢測(cè)往往忽略了噪聲，對(duì)非常接近跌倒的行為很容易被誤識(shí)別為跌倒，從而影響識(shí)別精度。NE算法可以理解為對(duì)數(shù)據(jù)做了一次有目的的特征提取，使用分類器，實(shí)現(xiàn)了非常有效的特征提取。NE算法先學(xué)習(xí)一個(gè)分類器，識(shí)別出里面的噪聲信息，并將識(shí)別出的信息作為輸入特征的一部分，有目的的使用數(shù)據(jù)中的噪聲，從而充分利用了數(shù)據(jù)信息，在不同環(huán)境下實(shí)現(xiàn)了檢測(cè)的魯棒性。

有效的特征提取是跌倒檢測(cè)準(zhǔn)確率的關(guān)鍵，實(shí)驗(yàn)結(jié)果表明有目的的使用噪聲信息提高了識(shí)別精度，充分利用了數(shù)據(jù)中不同部分的信息。

[1]Castillejo P,Martinez J F,Rodriguez-Molina J,et al.Integration of wearable devices in a wireless sensor network for an E-health application[J].IEEE Wireless Communications, 2013,20(4):38-49.

[2]Lara O D,Labrador M A.A Survey on Human Activity Recognition using Wearable Sensors[J].IEEE Communications Surveys&Tutorials,2013,15(3):1192-1209.

[3]Mubashir M,Shao L,Seed L.A survey on fall detection: Principles and approaches[J].Neurocomputing,2013,100 (2):144-152

[4]Burges C J C.A Tutorial on Support Vector Machines for Pattern Recognition[J].Data Mining&Knowledge Discovery, 1998,2(2):121-167.

[5]Aslam MW,Zhu Z,Nandi A K.Automatic modulation classification using combination of genetic programming and KNN[J].IEEE Transactions on Wireless Communications, 2012,11(11):2742-2750.

[6]Cortes C,Vapnik V.Support-Vector Networks[J].Machine Learning,1995,20(3):273-297.

[7]Bishop C M.Pattern Recognition and Machine Learning[M]. Springer,2006.

[8]Shlens J.A Tutorial on Principal Component Analysis[J]. Eprint Arxiv,2014,58(3):219-226.

[9]Y.LeCun,L.Bottou,G.Orr,and K.Muller,Efficient Backprop[J].Neural Networks:Tricks of the Trade,G.Orr and M. Klaus-Robert,eds.,Springer,1998.

[10]ZhengL.ZigBee Wireless Sensor Network in Industrial Applications[C].//SICE-ICASE,2006.International Joint Conference.2006:1067-1070.

[11]Milena Kuehnast,Valentin Wagner,Eugen Wassiliwizky, Thomas Jacobsen,Winfried Menninghaus.Being moved: linguistic representation and conceptual structure[J].Frontiers in Psychology,2014,5:1242-1242.

Design of Fall Detection System Based on Embedded Noise

Li Zhongnian,Zang Chunhua,Yang Gang,Xiang Rong
（College of Electronic and Information Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China）

Fall will be a great harm to the health of the elderly,so the importance of fall detection system has become increasingly prominent.A fall detection system based on noise embedded algorithm is proposed in this paper,since the old man fall movement is very complex and the noise data contains a large amount of useful information.The 3D acceleration sensor is used to collect the movement of accelerating data,the samples are labeled by intensity of fall and noise and extraction of feature is done on the data.The feature and label are used as train classifiers of fall detection and intensity of noise.At last the trained classifier is served to recognition of fall.The sensor of data acquisition is designed as a wearable device,using Zigbee for the network and Java for writing a program to process and analyze the 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 be detected and alarmed timely.

Noise Embedding;Fall Detection;Pattern Recognition;Support Vector Machine; Principal Component Analysis;Feature Extraction

10.3969/j.issn.1002-2279.2017.02.017

TP391

A

1002-2279-（2017）02-0074-03

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（kfjj20150401）

李仲年（1990-），男，江蘇省徐州市人，碩士研究生，主研方向：模式識(shí)別。臧春華（1964-），男，副教授，主研方向：數(shù)字系統(tǒng)設(shè)計(jì)與計(jì)算機(jī)應(yīng)用。

2016-09-06