文/丁紅 饒萬(wàn)賢
人體行為是人類生活的重要組成部分。摔倒已成為我國(guó)人員傷亡的第四大因素,意外摔倒則對(duì)人類的健康產(chǎn)生重要威脅。據(jù)不完全統(tǒng)計(jì),約有一部分人從意外摔倒中受到的傷害導(dǎo)致其殘疾,甚至死亡,其中老年人占60%。因此,研究人類行為檢測(cè)算法,對(duì)縮短摔倒救助時(shí)間、提高安全保障,促進(jìn)社會(huì)穩(wěn)定具有重要意義。目前,研究開(kāi)發(fā)人體摔倒檢測(cè)系統(tǒng)方面的技術(shù)有多種,最常見(jiàn)的是圖像分析和加速度分析。前者是基于視頻圖像分析的摔倒自動(dòng)檢測(cè)系統(tǒng),這種技術(shù)準(zhǔn)確性高,人體動(dòng)作清晰可見(jiàn),但需要多部攝像機(jī)同時(shí)工作,容易暴露用戶隱私。后者主要基于微機(jī)電系統(tǒng)(Micro-Εlectromechanical System,MΕMS)傳 感 器。目前國(guó)內(nèi)一些基于MΕMS技術(shù)的行為檢測(cè),大多計(jì)算量較大、價(jià)格昂貴,難以推廣。本工作提出的基于深度學(xué)習(xí)的人體行為檢測(cè)系統(tǒng),基于樹(shù)莓派開(kāi)發(fā)版,搭載加速度傳感器ADXL345,用小波降噪技術(shù)對(duì)加速度信號(hào)進(jìn)行自適應(yīng)的小波閾值降噪,再使用PCA主成份分析技術(shù)對(duì)降噪后的數(shù)據(jù)進(jìn)行降維,使用DBN深度神經(jīng)網(wǎng)絡(luò)對(duì)降維后的數(shù)據(jù)進(jìn)行訓(xùn)練,最后將訓(xùn)練模型用于檢測(cè)即時(shí)的人體行為狀態(tài)。本系統(tǒng)具有對(duì)人體行為檢測(cè)精確度高,對(duì)摔倒等行為及時(shí)發(fā)出報(bào)警信號(hào),使特殊群體及時(shí)獲得救助等特點(diǎn)。
圖1:摔倒、跑步、走路加速度變化圖
本工作采用基于樹(shù)莓派的三軸加速度傳感器采集人體行為的加速度信號(hào)。每個(gè)采集器里包含兩個(gè)平行放置的三軸加速度傳感器,目的是防止其中一個(gè)傳感器數(shù)據(jù)丟失。在采集過(guò)程中,加速度傳感器分別放置在采集者的腰帶、褲子口袋、上衣口袋位置。加速度傳感器產(chǎn)生的數(shù)據(jù)是以時(shí)間為自變量的數(shù)據(jù),包括X軸的數(shù)據(jù)(實(shí)線波形),Y軸的數(shù)據(jù)(虛線波形),和Z軸的數(shù)據(jù)(點(diǎn)狀波形)。不同行為狀態(tài)的原始數(shù)據(jù)樣本如圖1所示。
圖1中,橫軸0~70代表摔倒時(shí)的加速度變化,橫軸80~120代表跑步時(shí)的加速度變化,橫軸130~170代表走路時(shí)的加速度變化。
數(shù)據(jù)分析顯示,不同行為狀態(tài)的加速度數(shù)據(jù)具有不同的波形圖??梢砸源藢?duì)人體行為狀態(tài)進(jìn)行識(shí)別。
本工作采用自適應(yīng)閾值的小波全頻域降噪算法對(duì)三軸加速度傳感器數(shù)據(jù)進(jìn)行降噪。首先基于小波去相關(guān)識(shí)別采集信號(hào)的噪聲類型,然后根據(jù)識(shí)別的噪聲進(jìn)行自適應(yīng)閾值的小波全頻域降噪。具體過(guò)程如下:使用MATLAB小波工具箱,采用對(duì)上述采集信號(hào)做小波變換,設(shè)定閾值,清除所有大于閾值的小波系數(shù),保留所有小于閾值的小波系數(shù);最后采用小波逆變換重構(gòu)生成經(jīng)小波去除相關(guān)后的生成的估計(jì)的噪聲信號(hào)。通過(guò)求出估計(jì)噪聲的自相關(guān)系數(shù),識(shí)別出采集數(shù)據(jù)所包含的噪聲類型主要為白噪聲。自相關(guān)系數(shù)計(jì)算公式如下:
圖2:本工作采用的DBN深度信念網(wǎng)絡(luò)結(jié)構(gòu)圖
其中,{ρk,k=1,2,…,m}是序列自相關(guān)系數(shù),當(dāng)N充分大后,和都近似服從 x2(m)分布。給定顯著水平α,查自由度為F(m,m)分布表,得到臨界值Fα,當(dāng)實(shí)際計(jì)算結(jié)果>Fα?xí)r,則否定原假設(shè)。具體過(guò)程詳見(jiàn)文獻(xiàn)[9]。
圖3:人體行為檢測(cè)流程圖
DBN深度信念網(wǎng)絡(luò)由若干層受限玻爾茲曼機(jī)(RBM)構(gòu)成。即將若干個(gè)RBM“串聯(lián)”起來(lái)則構(gòu)成了一個(gè)DBN,上一個(gè)RBM的輸出即為下一個(gè)RBM的輸入。訓(xùn)練過(guò)程中,需要充分訓(xùn)練上一層的RBM后才能訓(xùn)練當(dāng)前層的RBM,直至最后一層。本工作采用的DBN網(wǎng)絡(luò),由1個(gè)輸入層,3個(gè)隱含層(即3個(gè)RBM)及1個(gè)輸出層組成,每個(gè)隱含層包含100個(gè)神經(jīng)元。
本工作采用的DBN深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。
在人體行為識(shí)別任務(wù)中,每組輸入3*100*1列(三軸加速度傳感器ADXL345以50Hz的頻率采集2秒的數(shù)據(jù)),采用主成份分析對(duì)數(shù)據(jù)進(jìn)行降維至100列,輸出為5個(gè)類別:行走、靜止、快跑、慢跑以及摔倒等。本工作采用9000組人體行為數(shù)據(jù)進(jìn)行訓(xùn)練,測(cè)試集為100組(2秒,即每一個(gè)人體行為的識(shí)別時(shí)長(zhǎng)約2秒)行為數(shù)據(jù)。DBN主要參數(shù)設(shè)置如下:學(xué)習(xí)速率為0.9,動(dòng)量因子為0.1,最大訓(xùn)練次數(shù)20,每批次的訓(xùn)練樣本數(shù)為100組。測(cè)試過(guò)程中,如果檢測(cè)出摔倒行為,系統(tǒng)進(jìn)行報(bào)警。具體行為識(shí)別過(guò)程如圖3所示。
圖4:人體行為檢測(cè)系統(tǒng)總體設(shè)計(jì)框架圖
本系統(tǒng)由樹(shù)莓派、ADXL345加速度傳感器、TDA2030功放模塊等硬件,以及Android Things物聯(lián)網(wǎng)操作系統(tǒng)、檢測(cè)算法、服務(wù)器云平臺(tái)等軟硬件共同構(gòu)成。在樹(shù)莓派硬件上,使用ADXL345三軸加速度傳感器采集用戶的運(yùn)動(dòng)狀態(tài)數(shù)據(jù)。將采集的數(shù)據(jù)經(jīng)過(guò)小波降噪、降維后輸入到DBN網(wǎng)絡(luò)進(jìn)行訓(xùn)練。再對(duì)檢測(cè)數(shù)據(jù)進(jìn)行識(shí)別,如出現(xiàn)摔倒行為即發(fā)出警報(bào),同時(shí)把信息同步到云服務(wù)器,由Web應(yīng)用短信通知用戶親屬。系統(tǒng)總體設(shè)計(jì)框架如圖4所示。
ADXL加速度傳感器與樹(shù)莓派的連接方式為:ADXL的5V連接樹(shù)莓派的5V,GND連接樹(shù)莓派的GND,SCL連接樹(shù)莓派的SCL.1,SDA連接樹(shù)莓派的另一個(gè)SDA.1引腳。由于樹(shù)莓派的音頻輸出口為3.5mm接口,需使用功放模塊來(lái)增大它的音頻輸出,通過(guò)揚(yáng)聲器來(lái)播放報(bào)警聲音。
為了測(cè)試系統(tǒng)的性能,我們重點(diǎn)對(duì)摔倒行為的檢測(cè)。將設(shè)備放在胸口、腰間、胯部進(jìn)行了仰摔、側(cè)摔、跑步、行走測(cè)試100組,檢測(cè)出摔倒行為的有效率為99%。同時(shí)我們將設(shè)備做自由落體運(yùn)動(dòng)和做平拋運(yùn)動(dòng),系統(tǒng)并未檢測(cè)出摔倒行為。即系統(tǒng)能有效識(shí)別假摔。
本工作研究設(shè)計(jì)了基于深度學(xué)習(xí)的人體行為檢測(cè)系統(tǒng),通過(guò)基于樹(shù)莓派的三軸加速度傳感器采集人體行為數(shù)據(jù),再利用深度神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)進(jìn)行訓(xùn)練,進(jìn)而有效識(shí)別即時(shí)的人體行為狀態(tài)。本系統(tǒng)設(shè)計(jì)成本低廉,且有助于社會(huì)的特殊群體如老年人、病人的看護(hù)等工作,對(duì)構(gòu)建合協(xié)社會(huì)具有積極意義。