華仙，席旭剛

1.金華市人民醫(yī)院，浙江金華市321000；2.杭州電子科技大學(xué)智能控制與機(jī)器人研究所，浙江杭州市310018

隨著人口老齡化不斷加劇，動(dòng)態(tài)監(jiān)測(cè)老年人活動(dòng)狀態(tài)已成為多學(xué)科研究的一個(gè)突出領(lǐng)域[1-3]。根據(jù)美國(guó)疾病控制和預(yù)防中心調(diào)查，65歲及以上老年人中，近30%經(jīng)常發(fā)生意外跌倒。跌倒會(huì)對(duì)老年人心理和身體產(chǎn)生負(fù)面影響[4]，導(dǎo)致嚴(yán)重傷害，甚至增加老年人死亡率。有過(guò)跌倒經(jīng)歷的老年人因害怕發(fā)生跌倒，而不愿意外出走動(dòng)，變得不活潑，與社會(huì)隔離?；顒?dòng)量的減少導(dǎo)致跌倒風(fēng)險(xiǎn)增加。此外，老年人因跌倒造成的傷害消耗家庭收入和社會(huì)醫(yī)療資源，加劇社會(huì)負(fù)擔(dān)[5]。開(kāi)發(fā)一種關(guān)于老年人和其他病患者的自動(dòng)跌倒檢測(cè)系統(tǒng)已被廣泛研究[6-7]。

近年來(lái)許多學(xué)者提出可穿戴式傳感器的跌倒檢測(cè)方法[8]，它的優(yōu)點(diǎn)是價(jià)格低廉，不受環(huán)境限制。多數(shù)研究者用加速度計(jì)，將X、Y、Z軸的加速度值、信號(hào)幅度向量、信號(hào)幅度域、角加速度等參數(shù)作為特征進(jìn)行跌倒檢測(cè)研究[9]。

本研究提出一種基于人體加速度多特征融合和K近鄰(K-nearest neighbor,KNN)機(jī)器學(xué)習(xí)的跌倒檢測(cè)算法，旨在探索一種有較高敏感性、特異性以及檢測(cè)速度的跌倒檢測(cè)算法。

1 對(duì)象與方法

1.1 研究對(duì)象

2017年9月至11月，身體健康的3例男性在讀研究生，年齡(24±3)歲，體質(zhì)量(65±5)kg，身高(170±5)cm，以及3例女性在讀研究生，年齡(22±2)歲，體質(zhì)量(48±3)kg，身高(162±3)cm，共6例志愿者參與檢測(cè)，地點(diǎn)為杭州電子科技大學(xué)智能仿生假肢實(shí)驗(yàn)室。

參照文獻(xiàn)[10]中的指導(dǎo)原則設(shè)計(jì)跌倒實(shí)驗(yàn)。通過(guò)繃帶將兩個(gè)無(wú)線加速度傳感器固定在實(shí)驗(yàn)者前胸部和后腰部正中。加速度傳感器對(duì)應(yīng)量程為±6 g，大小49×38×19 mm。根據(jù)人體實(shí)際運(yùn)動(dòng)的頻率設(shè)置采樣頻率為50 Hz。每例志愿者檢測(cè)前先校準(zhǔn)傳感器，捕獲并記錄X、Y、Z軸的原始運(yùn)動(dòng)數(shù)據(jù)，通過(guò)藍(lán)牙將數(shù)據(jù)傳輸?shù)缴衔粰C(jī)軟件，上位機(jī)軟件記錄并保存原始運(yùn)動(dòng)數(shù)據(jù)。

跌倒檢測(cè)包括13個(gè)跌倒動(dòng)作和11個(gè)日?；顒?dòng)動(dòng)作。見(jiàn)表1。6例志愿者每個(gè)動(dòng)作重復(fù)10次為1次實(shí)驗(yàn)記錄。因此1次實(shí)驗(yàn)數(shù)據(jù)集由780個(gè)跌倒動(dòng)作和660個(gè)日常動(dòng)作構(gòu)成。

1.2 方法

腰部加速度傳感器輸出的總加速度信號(hào)：

其中，Ax、Ay、Az分別是X、Y、Z軸的加速度信號(hào)。

找到每個(gè)傳感器Aw峰值對(duì)應(yīng)時(shí)刻，記錄該時(shí)刻前后各2 s區(qū)間內(nèi)的信號(hào)共201個(gè)采樣點(diǎn)。每次檢測(cè)數(shù)據(jù)由201×6矩陣構(gòu)成，每列數(shù)據(jù)由N×1向量s=[s1,s2,…,sN]T(N=201)構(gòu)成。提取的特征參數(shù)包括最小值、最大值、均值、方差、偏度系數(shù)、峰度系數(shù)、自相關(guān)序列的前11個(gè)值和離散傅里葉變換(Discrete Fourier Transformation,DFT)的前5個(gè)峰值和相應(yīng)的頻率值。

表1 檢測(cè)的跌倒和日?；顒?dòng)動(dòng)作

其中

從24×6×10=1440次實(shí)驗(yàn)數(shù)據(jù)中提取特征。前6個(gè)特征是每個(gè)傳感器每軸的最小值、最大值、均值、方差、偏度系數(shù)和峰度系數(shù)，3軸共18個(gè)特征參數(shù)；自相關(guān)函數(shù)產(chǎn)生33個(gè)(3軸×11個(gè)參數(shù))特征參數(shù)，DFT產(chǎn)生5個(gè)頻率值和5個(gè)幅度值，共30個(gè)特征參數(shù)。因此每個(gè)傳感器單元共81個(gè)特征參數(shù)，每次實(shí)驗(yàn)共產(chǎn)生162維特征參數(shù)向量。

由于原始特征參數(shù)集較大，其中的一些特征參數(shù)對(duì)區(qū)分跌倒與日?；顒?dòng)作用較弱，為了減少分類訓(xùn)練集和測(cè)試集的計(jì)算復(fù)雜度和運(yùn)行時(shí)間，采用主成分分析法(Principle Component Analysis,PCA)將特征向量降到12維。原始特征向量減少的維數(shù)由原始特征向量的協(xié)方差矩陣對(duì)應(yīng)的特征值決定。經(jīng)PCA投影后的特征值對(duì)應(yīng)的主成分累計(jì)方差占總方差98.34%，對(duì)應(yīng)的特征向量構(gòu)成轉(zhuǎn)移矩陣。

將12維特征向量輸入改進(jìn)的KNN分類器進(jìn)行跌倒和日常動(dòng)作識(shí)別。改進(jìn)的KNN分類器設(shè)計(jì)如下。

①通過(guò)聚類在跌倒和非跌倒兩類中各搜索到N個(gè)樣本點(diǎn)，構(gòu)成訓(xùn)練樣本簇。

xi為第i個(gè)樣本點(diǎn)的12維特征向量，l=1為跌倒，l=2為非跌倒，di為該類的中心向量，Nl為該類的樣本點(diǎn)總數(shù)。

③計(jì)算每個(gè)樣本點(diǎn)模糊熵Hi，

1.3 評(píng)價(jià)指標(biāo)

計(jì)算敏感性、特異性和準(zhǔn)確性，并與支持向量機(jī)(Support Vector Machine,SVM)分類器結(jié)果進(jìn)行比較。

2 結(jié)果

KNN比SVM有更好的分類精確度和計(jì)算時(shí)間。見(jiàn)表2。

表2 分類結(jié)果

KNN識(shí)別敏感性100%，特異性99.76%，6次實(shí)驗(yàn)記錄的分類識(shí)別結(jié)果類似，算法有較好的重復(fù)性、魯棒性。見(jiàn)表3。

表3 6次實(shí)驗(yàn)分類結(jié)果

3 討論

跌倒檢測(cè)方法主要有視頻分析、環(huán)境感知和穿戴式傳感器。

視頻分析系統(tǒng)在固定區(qū)域安裝攝像頭，通過(guò)計(jì)算機(jī)視覺(jué)分析系統(tǒng)判定人體姿態(tài)。Soran等[11]結(jié)合單個(gè)多視角相機(jī)和多個(gè)靜態(tài)相機(jī)，進(jìn)行行為感知與跌倒判別研究。Sevrin等[12]提出一種優(yōu)化深度相機(jī)校準(zhǔn)的方法，創(chuàng)建基于低成本深度攝像機(jī)(Kinect)的室內(nèi)定位系統(tǒng)。該系統(tǒng)有助于監(jiān)測(cè)人們?cè)诩抑械男袨?，防止殘疾人或老人、小孩發(fā)生跌倒等事件。Staranowicz等[13]提出一種基于Kinect機(jī)器人系統(tǒng)，準(zhǔn)確監(jiān)測(cè)日常生活中的人類步態(tài)。基于視覺(jué)的跌倒檢測(cè)方法受光照條件、安裝位置和角度、遮擋等諸多因素限制，且對(duì)用戶的隱私侵入性較強(qiáng)。

環(huán)境感知跌倒檢測(cè)系統(tǒng)將紅外傳感器和聲傳感器等放在環(huán)境中用于跌倒檢測(cè)。Vuegen等[14]使用低功耗無(wú)線聲學(xué)傳感器網(wǎng)絡(luò)，觀察老年人日常生活(如飲食、保持個(gè)人衛(wèi)生、如廁等)的相關(guān)活動(dòng)。Siantikos等[15]提出利用音頻信息識(shí)別日常生活活動(dòng)的框架?；诃h(huán)境傳感器的方法可以有效獲取人體運(yùn)動(dòng)信息，缺點(diǎn)是場(chǎng)所固定且安裝較為繁瑣。

閾值法和機(jī)器學(xué)習(xí)是兩種常用的可穿戴式加速度傳感器跌倒檢測(cè)方法[16]。閾值法通過(guò)傳感器輸出的特定參數(shù)值辨識(shí)跌倒[17]?；陂撝档牡箼z測(cè)方法有較高的敏感性，但特異性較低[18]?；陂撝档牡箼z測(cè)方法容易實(shí)現(xiàn)，計(jì)算效率高，但對(duì)不同個(gè)體的容錯(cuò)能力差，跌倒檢測(cè)精度低。

基于機(jī)器學(xué)習(xí)的跌倒檢測(cè)算法，用多種類型跌倒和日?；顒?dòng)對(duì)機(jī)器進(jìn)行算法訓(xùn)練，然后通過(guò)對(duì)一系列活動(dòng)的分類結(jié)果評(píng)估機(jī)器學(xué)習(xí)算法的分類效率。常用的機(jī)器學(xué)習(xí)算法包括KNN[19]、SVM[20]、高斯聚類分布[2]、決策樹[21]和隱馬爾科夫模型[22]等。已有研究運(yùn)用加速度信號(hào)，借助SVM、模糊神經(jīng)網(wǎng)絡(luò)等分類器，使日常行為的識(shí)別率達(dá)90%以上[23-25]。

本研究采用可穿戴的加速度傳感器檢測(cè)跌倒，具有穿戴方便、價(jià)格低廉、不受環(huán)境限制的優(yōu)點(diǎn)；提出一種基于人體加速度多特征融合和KNN機(jī)器學(xué)習(xí)的跌倒檢測(cè)算法，敏感性100%，特異性99%以上，比閾值法有更高的識(shí)別準(zhǔn)確度。算法的應(yīng)用可以實(shí)現(xiàn)跌倒后的及時(shí)就醫(yī)，提高安全性、獨(dú)立性，提高經(jīng)常發(fā)生跌倒的高危人群的生活質(zhì)量，有助于降低醫(yī)療保健成本。該算法很容易嵌入到便攜可穿戴設(shè)備，試制的可穿戴跌倒檢測(cè)儀已在金華市人民醫(yī)院試用。

下肢日常運(yùn)動(dòng)非常復(fù)雜，本研究選擇日常生活中頻度最高的動(dòng)作進(jìn)行測(cè)試，其他下肢動(dòng)作有待進(jìn)一步驗(yàn)證。出于安全考慮，實(shí)驗(yàn)通過(guò)健康人完成，在運(yùn)動(dòng)功能損傷患者中是否同樣有效，也需要進(jìn)一步驗(yàn)證。