徐狄濤， 姜 斌， 包建榮， 劉 超， 朱 芳， 何劍海

（1.杭州電子科技大學(xué)通信工程學(xué)院，杭州310018；2.寧波職業(yè)技術(shù)學(xué)院電子信息工程學(xué)院，浙江寧波315800）

0 引 言

隨著可穿戴物聯(lián)設(shè)備推廣，其存儲(chǔ)的大量私人信息面臨丟失和泄露等問(wèn)題，故需采取措施來(lái)保護(hù)實(shí)驗(yàn)等場(chǎng)所敏感信息的安全［1］。傳統(tǒng)識(shí)別技術(shù)（指紋識(shí)別、密碼驗(yàn)證等）存在需要用戶合作、密碼遺忘、輸入錯(cuò)誤的問(wèn)題［2］，而步態(tài)識(shí)別技術(shù)具有更安全的數(shù)據(jù)收集程序，不需要顯式用戶的交互，以及高抗欺詐性的優(yōu)點(diǎn)［3］，通過(guò)將傳感器集成到各種可穿戴物聯(lián)網(wǎng)設(shè)備中，可以輕易地提取步態(tài)信號(hào)［4］。由于Arduino 源碼開(kāi)放且靈活性強(qiáng)［5-6］，MEMS慣性傳感器體積小且廣泛運(yùn)用于電子設(shè)備［7-8］，本文以Arduino 為硬件平臺(tái)，Mpu6050 為采集模塊，藍(lán)牙為發(fā)送模塊，研發(fā)了成本低，體積小且通用性強(qiáng)的步態(tài)數(shù)據(jù)采集裝置，該裝置非常適用于高校實(shí)驗(yàn)室步態(tài)數(shù)據(jù)的采集與分析，使基于傳感器的步態(tài)識(shí)別更具成本效益。

國(guó)外，Muaaz等［9］用動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping，DTW）對(duì)48 名志愿者的步態(tài)特征作匹配，得到相等錯(cuò)誤率（Equal Error Rate，EER）為16.26%的性能；Derawi 等［10］采用新的交叉DTW 方法進(jìn)行特征匹配，得到的準(zhǔn)確率為89.3%。國(guó)內(nèi)，何書芹等［11］采用多尺度熵和DTW結(jié)合的方法，得到EER為13.7%的效果；童偉男［12］運(yùn)用多特征k 最近鄰（k-Nearest Neighbor，k-NN）分類算法，引入權(quán)值分配，使準(zhǔn)確率達(dá)到87.6%。上述算法在一定條件下實(shí)現(xiàn)了步態(tài)識(shí)別，但其準(zhǔn)確率仍不理想。為此，本文提出一種新的步態(tài)識(shí)別方法，該方法將DTW 與人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）相結(jié)合，通過(guò)DTW對(duì)不同長(zhǎng)度的步態(tài)特征參數(shù)進(jìn)行規(guī)整，同時(shí)引入步長(zhǎng)、步頻、步速特征參數(shù)，利用列文伯格-馬夸爾特（Levenberg-Marquardt，LM）優(yōu)化算法改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)［13-14］實(shí)現(xiàn)步態(tài)的識(shí)別，該方法在降低采樣率和網(wǎng)絡(luò)訓(xùn)練時(shí)間的同時(shí)，有效提高了步態(tài)識(shí)別的準(zhǔn)確率，為步態(tài)識(shí)別的研究提供了新的思路。

1 數(shù)據(jù)采集

圖1 數(shù)據(jù)采集裝置

圖2 原始步態(tài)信號(hào)波形圖

本文所用的實(shí)驗(yàn)平臺(tái)采用Mpu6050、Arduino開(kāi)發(fā)板、藍(lán)牙模塊HC-05 構(gòu)成步態(tài)數(shù)據(jù)采集裝置。Mpu6050 具有小體積、高性能、低成本、低噪聲的優(yōu)點(diǎn)，實(shí)驗(yàn)采用±2 g 的加速度計(jì)量程，在靜止?fàn)顟B(tài)下，對(duì)Mpu6050 求平均消除系統(tǒng)誤差后，采集三軸加速度值；Arduino作為開(kāi)源硬件平臺(tái)，具有便捷靈活、接口豐富、方便上手的優(yōu)點(diǎn)，實(shí)驗(yàn)采用體積小巧且功能全面的Arduino Nano 開(kāi)發(fā)板，其核心處理器為ATmega328（Nano3.0），利用與硬件同名的Arduino 程序開(kāi)發(fā)軟件，將編譯完的程序通過(guò)USB線傳入Arduino控制板，實(shí)現(xiàn)程序設(shè)計(jì)與開(kāi)發(fā)；藍(lán)牙具有低功耗、低成本等優(yōu)點(diǎn)，實(shí)驗(yàn)采用HC-05 將數(shù)據(jù)采集裝置采集的數(shù)據(jù)實(shí)時(shí)傳輸?shù)絇C機(jī)，實(shí)現(xiàn)了數(shù)據(jù)的存儲(chǔ)與傳輸。實(shí)驗(yàn)采集裝置如圖1 所示。

實(shí)驗(yàn)采集x軸（左右方向）、y 軸（重力方向）、z 軸（前后方向）3 個(gè)軸上的加速度值，其中1 名志愿者的原始步態(tài)信號(hào)如圖2 所示。通過(guò)對(duì)比，發(fā)現(xiàn)重力方向的波形具有良好的周期性和穩(wěn)定性。因此，本實(shí)驗(yàn)選取人體重力方向的加速度信號(hào)做步態(tài)識(shí)別。

2 算法描述

2.1 特征提取

步行時(shí)支撐腿的動(dòng)作包括腳跟著地、腳掌支撐、腳跟離地、初始蹬腿等［15］。這些時(shí)刻分別對(duì)應(yīng)重力方向加速度信號(hào)的極值點(diǎn)，提取這些極值點(diǎn)作為特征點(diǎn)來(lái)進(jìn)行步態(tài)識(shí)別具有明確物理意義。采用小波變換過(guò)零點(diǎn)方法，即通過(guò)高斯函數(shù)平滑，將其一階導(dǎo)數(shù)作為小波基函數(shù)，找到小波變換后的過(guò)零點(diǎn)，提取加速度信號(hào)極值點(diǎn)。本實(shí)驗(yàn)提取步態(tài)周期的幅值及時(shí)間特征，并將其保存為幅值序列：M ＝［M1，M2，…，Mn］與時(shí)間序列：T ＝［T1，T2，…，Tn］。

由于步行存在偏差，即使是同一人每個(gè)周期的采樣點(diǎn)也不同，導(dǎo)致樣本的時(shí)長(zhǎng)也不同，所以要進(jìn)行時(shí)間歸一化。設(shè)每個(gè)樣本周期有n 個(gè)采樣點(diǎn)，將原始的加速度信號(hào)歸一化到區(qū)間［0，1］上，使樣本采樣點(diǎn)為整個(gè)樣本相對(duì)時(shí)間，且可歸一化為：

圖3 為志愿者A 和B 的步態(tài)樣本信號(hào)。從中可以清楚地發(fā)現(xiàn)，不同志愿者的步態(tài)曲線波動(dòng)差異較大，而同一志愿者的步態(tài)則有很大相似性。特征提取后，差異更加明顯，不同志愿者在一個(gè)樣本周期內(nèi)，不僅幅值大小不相同，而且相對(duì)時(shí)間也完全不同，這為步態(tài)識(shí)別提供了良好基礎(chǔ)。

圖3 步態(tài)樣本信號(hào)及特征對(duì)比曲線圖

2.2 動(dòng)態(tài)時(shí)間規(guī)整算法

因人行走時(shí)步態(tài)間存在差異，即使從同一志愿者樣本提取特征點(diǎn)，其個(gè)數(shù)也不同。而從不同志愿者樣本提取特征點(diǎn)，其個(gè)數(shù)基本都不同。因此，本實(shí)驗(yàn)采用動(dòng)態(tài)時(shí)間規(guī)整，通過(guò)擴(kuò)展或縮短序列來(lái)計(jì)算兩個(gè)序列的相似性。

以志愿者A和B 的兩個(gè)步態(tài)周期的幅值特征序列Ma、Mb為例，設(shè)兩個(gè)特征序列分別為：MA＝［Ma1，Ma2，…，Man］，MB＝［Mb1，Mb2，…，Mbm］，為了將這兩個(gè)序列對(duì)齊，需構(gòu)建一個(gè)n ×m 矩陣，矩陣中的元素（i，j）表示Mai和Mbj兩個(gè)點(diǎn)間的距離，即通過(guò)對(duì)彎曲函數(shù)的約束，最小累積距離的路徑有（i-1，j）、（i -1，j -1）、（i，j -1）。此時(shí)，最小累積距離可表示為

一個(gè)步態(tài)周期包括左步態(tài)和右步態(tài)共兩步。由于步態(tài)樣本長(zhǎng)度的選取影響步態(tài)識(shí)別率，若選取樣本長(zhǎng)度過(guò)長(zhǎng)，則處理的數(shù)據(jù)量將大為增加；否則，提取的樣本的特征點(diǎn)不穩(wěn)定，導(dǎo)致識(shí)別率降低。因此，將6 個(gè)連續(xù)步態(tài)作為一個(gè)樣本，每個(gè)樣本包含3 個(gè)完整的步態(tài)周期。設(shè)志愿者A和B的兩個(gè)參考樣本分別為：SA＝其中MAi和MBj分別表示每個(gè)步態(tài)周期的特征序列，將兩個(gè)樣本匹配，則SA和SB的幅值失真距離表示為：參考樣本SA及樣本SB中的一個(gè)幅值序列匹配路徑如圖4 所示，相應(yīng)的匹配曲線如圖5 所示。經(jīng)動(dòng)態(tài)時(shí)間規(guī)整后，兩條幅值序列具有相同的特征點(diǎn)數(shù)，且對(duì)比更加直觀，不同人的特征點(diǎn)具有很大差異性，將不同幅值序列的特征點(diǎn)都規(guī)整到12 個(gè)點(diǎn)，為BP 神經(jīng)網(wǎng)絡(luò)的輸入提供了數(shù)據(jù)來(lái)源。

圖4 幅值序列的匹配路徑

圖5 幅值序列的匹配曲線

2.3 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)需確定隱含層的數(shù)量及輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)。在BP 神經(jīng)網(wǎng)絡(luò)中，雖然隱含層層數(shù)的增加能提高識(shí)別率，但神經(jīng)網(wǎng)絡(luò)的復(fù)雜度大大增加?？紤]到可穿戴設(shè)備中處理器的計(jì)算能力較低，為保證步態(tài)識(shí)別的實(shí)時(shí)性，本實(shí)驗(yàn)只選擇一個(gè)隱含層。

實(shí)驗(yàn)以一個(gè)步態(tài)周期為基礎(chǔ)，第1 層為輸入層，含有17 個(gè)輸入節(jié)點(diǎn)，構(gòu)成17 維輸入向量（X1，X2，…，X17）T，分別表示17 個(gè)特征參數(shù)，特征參數(shù)包括經(jīng)過(guò)動(dòng)態(tài)時(shí)間規(guī)整后的12 點(diǎn)幅值序列、正負(fù)（1／0）輸入、標(biāo)準(zhǔn)偏差STD、步長(zhǎng)L、步頻c、步速v。設(shè)f為采樣頻率，n為一個(gè)步態(tài)周期的采樣點(diǎn)數(shù)，則標(biāo)準(zhǔn)偏差STD、步長(zhǎng)L、步頻c、步速v的計(jì)算公式如下：

第2 層為隱含層，設(shè)l為輸入層的節(jié)點(diǎn)數(shù)，n 為輸出層的節(jié)點(diǎn)數(shù)，則一般情況下隱含層節(jié)點(diǎn)數(shù)m 可表示為：

確定隱含層節(jié)點(diǎn)數(shù)范圍后，通過(guò)實(shí)驗(yàn)訓(xùn)練，確定本實(shí)驗(yàn)隱含層節(jié)點(diǎn)數(shù)為7，激活函數(shù)采用連續(xù)可微且更接近生物神經(jīng)元信號(hào)的S型激活函數(shù)。

第3 層為輸出層，含2 個(gè)輸出節(jié)點(diǎn)，構(gòu)成2 維輸出向量（Y1，Y2）T，即（0，1）T表示真實(shí)用戶；（1，0）T表示仿冒用戶。

綜上所述，本文的算法流程圖6 所示。

圖6 DTW-ANN算法流程圖

根據(jù)圖6 所示的流程圖，DTW-ANN 算法的步驟可以簡(jiǎn)化為以下兩個(gè)步驟：

（1）注冊(cè)階段。采集已知用戶的樣本并提取特征序列，用DTW 成本函數(shù)計(jì)算幅值序列和時(shí)間序列的累積距離，分別作擬合函數(shù)生成閾值，并將擁有不同特征數(shù)的特征序列規(guī)整到12 點(diǎn)，解決了BP 神經(jīng)網(wǎng)絡(luò)輸入結(jié)構(gòu)固定的問(wèn)題。

（2）認(rèn)證階段。采集受試者的樣本并提取特征序列，用DTW成本函數(shù)計(jì)算與參考樣本幅值序列與時(shí)間序列的累積距離Dac，Dt，并將其通過(guò)二級(jí)認(rèn)證系統(tǒng)初步識(shí)別，運(yùn)用LM 算法，即調(diào)節(jié)變量因子u 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，將DTW規(guī)整的固定長(zhǎng)度特征，正負(fù)輸入及步長(zhǎng)、步頻、步速作為BP 神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)進(jìn)行訓(xùn)練及測(cè)試。該方法相比單一的DTW，能實(shí)現(xiàn)更高精度的步態(tài)識(shí)別，并且LM算法能快速收斂，確保系統(tǒng)的實(shí)時(shí)和準(zhǔn)確性。

3 結(jié)果與分析

本次實(shí)驗(yàn)采樣頻率設(shè)置為40 Hz，采集了10 名志愿者（6 名男性，4 名女性）的步態(tài)數(shù)據(jù)。數(shù)據(jù)采集時(shí)，將數(shù)據(jù)采集裝置固定在志愿者腰帶右側(cè)的位置。志愿者按照其步行習(xí)慣，在水平過(guò)道上直線行走1 min，3名志愿者采集5 d共采樣25 次，7 名志愿者采樣5 次。設(shè)A，B，C，D分別表示不同的志愿者；SA，SB，SC，SD分別代表不同志愿者的參考樣本；SA1，SA2，SA3，SA4，SA5，SA6分別表示志愿者A 的其他6 個(gè)步態(tài)樣本。通過(guò)DTW算法分別計(jì)算同一志愿者樣本間的失真距離和不同志愿者樣本間的失真距離，實(shí)驗(yàn)結(jié)果如表1、2 所示。步態(tài)識(shí)別時(shí)，每次選擇570 個(gè)樣本組成樣本集，其中300 個(gè)樣本來(lái)自同1 名志愿者組成正類，270 個(gè)樣本來(lái)自其余的9 名志愿者，每名志愿者提供30 個(gè)樣本組成負(fù)類。將80%的樣本用作訓(xùn)練，20%的樣本用來(lái)測(cè)試，實(shí)驗(yàn)結(jié)果如表3 所示。其中TP，TN表示正確分類，分別表示將原先是正類的預(yù)測(cè)為正類和將原先是負(fù)類的預(yù)測(cè)為負(fù)類；而FP，F(xiàn)N 表示錯(cuò)誤分類，分別表示將原先是負(fù)類的預(yù)測(cè)為正類和將原先是正類的預(yù)測(cè)為負(fù)類。圖10 為根據(jù)BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果繪制的受試者工作特征（Receiver Operating Characteristic，ROC）曲線圖。

表1 用DTW計(jì)算同一志愿者失真距離

表2 用DTW計(jì)算不同志愿者失真距離

表3 測(cè)試樣本的步態(tài)識(shí)別結(jié)果

由表1 及2 可知，同一志愿者兩個(gè)樣本幅值失真距離和時(shí)間失真距離均比不同志愿者樣本小，可通過(guò)抽取一定數(shù)量樣本，設(shè)置成本函數(shù)閾值，自動(dòng)初步驗(yàn)證樣本。將類內(nèi)最大距離作為下閾值，類間最小距離作為上閾值，當(dāng)測(cè)試樣本與參考樣本失真距離小于下閾值時(shí)，則認(rèn)為同一人；而大于上閾值時(shí)，則認(rèn)為是不同人。根據(jù)采集的數(shù)據(jù)樣本，計(jì)算得幅值的上閾值為0.561 9，下閾值為0.425 8，時(shí)間的上閾值為0.081 4，下閾值為0.054 5。

設(shè)置BP網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為10 000 次，目標(biāo)誤差為0.001，學(xué)習(xí)率為0.01，分別用標(biāo)準(zhǔn)BP算法、擬牛頓法、LM算法對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。訓(xùn)練結(jié)果如圖7～9 所示。由圖可知，標(biāo)準(zhǔn)BP算法即使訓(xùn)練到10 000步，均方誤差仍為26.28 ×10-3，不能達(dá)到理想目標(biāo)，存在收斂速度慢，容易陷入局部最優(yōu)解的問(wèn)題；擬牛頓算法在462 步時(shí)達(dá)到收斂，均方誤差為999.65 ×10-6；LM算法僅需23 步就能訓(xùn)練完成，此時(shí)均方誤差為935.04 ×10-6。因此，采用LM對(duì)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)改進(jìn)，在兼顧BP網(wǎng)絡(luò)識(shí)別準(zhǔn)確率的情況下，大大減少了訓(xùn)練時(shí)間，節(jié)省成本的同時(shí)提高了效益。

圖7 標(biāo)準(zhǔn)BP算法步態(tài)識(shí)別訓(xùn)練誤差曲線

圖8 擬牛頓算法步態(tài)識(shí)別訓(xùn)練誤差曲線

圖9 LM算法步態(tài)識(shí)別訓(xùn)練曲線

將BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果從小到大排序并把每個(gè)概率作為閾值，可以得到多個(gè)混淆矩陣。對(duì)于每個(gè)混淆矩陣可以計(jì)算得到特異度（False Positive Rate，F(xiàn)PR）和靈敏度（True Positive Rate，TPR）兩個(gè)指標(biāo)。以FPR為x軸，TPR 為y 軸作圖得ROC 曲線；以（0，1）為起點(diǎn)，（1，0）為終點(diǎn)做一條直線，兩條線的交點(diǎn)即為EER。由表4 及圖10 可知，對(duì)于不同的人，本文平均步態(tài)識(shí)別率可以達(dá)到91.5%，EER 為9.1%。相比現(xiàn)有的步態(tài)識(shí)別算法，識(shí)別的準(zhǔn)確率大大提高并且有效降低了EER，表明本文所提出的方法具有一定的實(shí)用性和有效性。

表4 不同算法結(jié)果對(duì)比

圖10 ROC曲線圖

4 結(jié) 語(yǔ)

本文設(shè)計(jì)了低成本且通用性強(qiáng)的步態(tài)數(shù)據(jù)采集裝置來(lái)獲取步態(tài)加速度信號(hào)，在低采樣率前提下，提出了一種動(dòng)態(tài)時(shí)間規(guī)整和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的步態(tài)識(shí)別方案。該方法通過(guò)DTW 算法，對(duì)步態(tài)特征序列進(jìn)行規(guī)整，求得失真距離，通過(guò)閾值判斷自動(dòng)實(shí)現(xiàn)對(duì)樣本的初步驗(yàn)證，將規(guī)整后的特征參數(shù)與步長(zhǎng)、步速、步頻特征相結(jié)合，利用LM 改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步態(tài)識(shí)別。與現(xiàn)有方法相比，該方法兼顧采樣率和識(shí)別率，有效降低了成本且具有較好魯棒性，符合未來(lái)安全認(rèn)證要求，具有信息安全保護(hù)方面的應(yīng)用價(jià)值。