李 慧，謝 靜

(1.安徽糧食工程職業(yè)學院 信息技術(shù)系，安徽 合肥 230001； 2.合肥工業(yè)大學 計算機與信息學院，安徽 合肥 230001；3.蚌埠醫(yī)學院 公共基礎學院，安徽 蚌埠 233030)

據(jù)統(tǒng)計，65周歲以上的人群中，有近40%的老人每年至少跌倒一次[1]。對于老年人而言，跌倒可造成肌肉損傷、骨折、關(guān)節(jié)扭傷等一系列損傷[2-3]，給社會和家庭都帶來了嚴重的負擔。若老人跌倒后長時間躺在地上不能得到有效的醫(yī)療幫助，則可能導致更加嚴重的后果。有數(shù)據(jù)顯示，跌倒后能否在短時間內(nèi)獲得有效的醫(yī)療救助直接影響到跌倒老人的健康及康復[4]。因此，老人跌倒后能及時被檢測到并給監(jiān)護人或醫(yī)療機構(gòu)發(fā)出求救信號，能有效減輕跌倒給老人帶來的傷害及社會和家庭的負擔。

跌倒檢測的本質(zhì)就是對人體行為進行分類，目的就是將人體行為分為正常行為和跌倒行為。目前，跌倒檢測研究主要基于3個方面：聲音、視覺和可穿戴設備。文獻[5]使用聲音傳感器來檢測跌倒，獲得了100%的靈敏性和97%的特異性，然而當?shù)惯^程較緩慢時，傳感器則不能檢測到有效的跌倒聲音。基于視覺的跌倒檢測通常利用RGB圖像，但RGB圖像受光線的影響較大。文獻[6]利用深度感知圖像來檢測跌倒，有效克服了光線的影響，但這種檢測方式易受遮擋的影響且可能對應用對象的個人隱私造成侵犯[7]，并受采集設備的限制而不易推廣到日常生活場景中。目前，基于可穿戴設備的跌倒檢測因具有使用方便、保護個人隱私的優(yōu)勢，被認為是最有效的跌倒檢測方法，其實時性和精確度都是最高的[8]。文獻[9]利用加速度傳感器在時域上的特征來檢測跌倒，文獻[10-11]提出利用腕部設備來檢測跌倒。在跌倒檢測算法方面，常用的有隱馬爾可夫鏈[12-13]、動態(tài)樸素貝葉斯網(wǎng)絡[14]、支持向量機[15]、隨機森林[16]和K 最近鄰[17]等方法。這些檢測方法多利用傳統(tǒng)的手工提取特征值來進行跌倒分類，其分類的科學性和準確性受人工影響較大。

本研究將機器學習應用到跌倒檢測中：首先給出了遞歸神經(jīng)網(wǎng)絡的訓練算法；然后對可穿戴設備采集的數(shù)據(jù)進行序列化處理，并在序列化的基礎上對數(shù)據(jù)進行分類標記，以方便輸入神經(jīng)網(wǎng)絡；接著，用已標記的序列化數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練并不斷調(diào)整網(wǎng)絡參數(shù)；最后用訓練好的遞歸神經(jīng)網(wǎng)絡對跌倒數(shù)據(jù)進行分類。仿真實驗結(jié)果表明，該方法的準確率、靈敏度及評測值都較以前的方法有較大提升。

1 遞歸神經(jīng)網(wǎng)絡

深度學習(deep learning，DL)可通過多重非線性變換，如旋轉(zhuǎn)、扭曲、翻轉(zhuǎn)等，實現(xiàn)對原始數(shù)據(jù)的多層變換，將原始數(shù)據(jù)轉(zhuǎn)變成更加抽象、更高層次的表現(xiàn)形式，是一種自動的特征學習方法。遞歸神經(jīng)網(wǎng)絡(recursive neural network， RNN)是深度學習的一種。

RNN的結(jié)構(gòu)如圖1所示，其每個時刻的預測結(jié)果都會被放到下一時刻的輸入里進行運算，與下一時刻的輸入一起生成下一時刻的結(jié)果。RNN信息正向傳播結(jié)構(gòu)如圖2所示，A代表網(wǎng)絡，Xt代表t時刻輸入的X，ht代表網(wǎng)絡生成的結(jié)果，網(wǎng)絡A上一條指向自己的線表明上一時刻的輸出接著輸入了A里面。一系列的X輸入圖2等號左側(cè)結(jié)構(gòu)中后，展開就變成了右側(cè)的樣子，即含有隱藏層的網(wǎng)絡，只不過隱藏層的輸出變成了兩份，一份傳到下一個節(jié)點，另一份傳給本身節(jié)點。

圖1 RNN的結(jié)構(gòu)Fig.1 The structure of RNN

圖2 RNN正向傳播結(jié)構(gòu)Fig.2 The structure of RNN forward

從RNN的傳播結(jié)構(gòu)可知，RNN具有時間自反饋性，可利用輸入序列中的時間信息來解決時間序列的分類和預測問題。RNN每一時刻的預測輸出由兩部分組成，一部分來自當前時刻的輸入，還有一部分來自上一時刻的隱藏狀態(tài)。目前，RNN在語音識別、機器翻譯、文本語言處理等領域表現(xiàn)出了巨大的優(yōu)勢[18-19]。

2 跌倒檢測系統(tǒng)設計

2.1 算法設計

RNN模型的運行流程如圖3所示。因序列本身的先后順序隱藏了一部分潛在規(guī)律，RNN將這些潛在規(guī)律保存在隱藏層中，不斷向下傳遞，通過隱藏層的輸入不斷影響每一個新數(shù)據(jù)的處理。隱藏層的狀態(tài)由式(1)計算得出：

圖3 RNN模型運行流程Fig.3 The flow chart of RNN model

(1)

式中：f是輸入層到隱藏層的激活函數(shù)。這里選用Sigmoid函數(shù)，公式如下：

(2)

輸出層的輸出與隱藏層的關(guān)系如下：

yt=g(ht)，

(3)

式中：g是隱藏層到輸出層的激活函數(shù)。

因本研究的目的是實現(xiàn)二分類，故這里選用Softmax函數(shù)，計算方式如下：

(4)

訓練時，假設輸出值為y-而實際值為y，y和y-存在一定的誤差，用Ek表示輸出值與實際值間的均方差：

(5)

因隱藏層到輸出層的連接權(quán)為U，沿反傳播方向?qū)?shù)進行調(diào)整，設給定學習率為η，有

(6)

(7)

輸出層的輸入為β，β的定義見式(8)：

β=∑Uh，

(8)

式中：h是隱藏層的輸出。由此可得

(9)

由式(2)和式(5)可得輸出層的梯度

(10)

將式(10)和式(9)代入(6)，可得隱藏層到輸出層的權(quán)重

ΔU=-ηDh。

(11)

類似地，輸入層到隱藏層的權(quán)重

ΔV=-ηEx，

(12)

式中：E表示隱藏層的梯度，其計算公式為

(13)

式中：b表示隱藏層的輸出；a表示隱藏層的輸入。

對模型進行訓練時，先將數(shù)據(jù)序列提供給輸入層，逐層往前傳遞直到輸出，然后計算輸出層的誤差，再將誤差逆向傳播至隱藏層，最后根據(jù)隱藏層的誤差來對連接矩陣和閾值等參數(shù)進行調(diào)整。這個過程循環(huán)進行，反復調(diào)整參數(shù)，直到模型預測結(jié)果和誤差滿足要求。

2.2 數(shù)據(jù)采集與處理

本研究采用智能手機的內(nèi)置加速度傳感器采集日常行為與跌倒數(shù)據(jù)，由測試者將手機佩戴在腰部位置進行采集。將采集的數(shù)據(jù)用數(shù)據(jù)序列的形式表示和處理。數(shù)據(jù)序列S={[xs0，ys0，zs0]，[xs1，ys1，zs1]，[xs2，ys2，zs2]，…，[xst，yst，zst]，[xst+1，yst+1，zst+1]，…，[xsn，ysn，zsn]},xst表示t時刻在x軸的加速度，yst表示t時刻在y軸的加速度，zst表示t時刻在z軸的加速度，Sn=[xsn，ysn，zsn]，故S又可以表示為S=[S0,S1,S2…St,St+1,…Sn]，采集頻率為25 Hz，采樣周期為5 s。對序列化后的數(shù)據(jù)進行分類，分為訓練數(shù)據(jù)集、測試數(shù)據(jù)集和驗證數(shù)據(jù)集。先對訓練數(shù)據(jù)集進行標記，將數(shù)據(jù)序列表示為S={[xs0，ys0，zs0],[xs1，ys1，zs1],…，[xsn，ysn，zsn],action}，其中action表示當前行為的類型，0表示正常行為，1表示跌倒。

表1 實驗環(huán)境Tab.1 The experimental environment

2.3 模型訓練與參數(shù)優(yōu)化

訓練集和驗證集數(shù)據(jù)用于模型優(yōu)化和參數(shù)調(diào)整，測試集數(shù)據(jù)用于模型性能檢驗。利用基于Python的深度學習庫Keras進行實驗。具體實驗環(huán)境見表1。

訓練集中的數(shù)據(jù)訓練完成后，用驗證集的數(shù)據(jù)對模型進行檢驗，若模型不能達到要求則繼續(xù)訓練，直到模型達到要求，再用測試集進行測試。具體訓練和測試流程見圖4。

圖4 RNN的訓練和測試流程Fig.4 The flow chart of RNN training and testing

本研究采用Python的Keras框架實現(xiàn)RNN模型，CPU為Intel core i7，GPU采用NVIDIA geforce，輸入x分為5個時間段，每段內(nèi)容為25個值。神經(jīng)元的數(shù)量設置為25，激活函數(shù)設置為relu，solver設置為sgd，正則化參數(shù)alpha設置為1×10-4，學習率learning_rate_init初始值設置為0.1，設置50個隱藏層。先對采集的傳感器數(shù)據(jù)進行序列化處理，然后進行訓練。取5 000個樣本進行模型訓練，其中跌倒行為序列有2 874個，訓練完訓練組的序列后，用驗證組的713個行為序列進行測試。

3 結(jié)果與分析

3.1 評價指標

將需要檢測的數(shù)據(jù)輸入訓練后的跌倒檢測模型，計算其準確率Ar、靈敏度Sn及評測值F1，計算方法見式(14)至式(16)：

(14)

(15)

(16)

式中：TP表示將跌倒檢測為跌倒的次數(shù)；FP表示誤將正?；顒訖z測為跌倒的次數(shù)；FN表示跌倒發(fā)生了但未被檢測出的次數(shù)；TN表示沒有發(fā)生跌倒但檢測出跌倒的次數(shù)。

3.2 結(jié)果分析

將3位測試者的數(shù)據(jù)輸入RNN模型進行測試，結(jié)果如表2所示。

表2 測試結(jié)果Tab.2 The results of test

從表2可以看出，訓練后的RNN準確率在93%以上，評測值在93%以上，這表明RNN模型可有效檢測出跌倒事件。同時，還可以通過擴大訓練樣本、反復訓練和增加隱藏層的方法來提高檢測準確率。

為驗證RNN模型的有效性，本研究使用相同的數(shù)據(jù)集與數(shù)據(jù)量在相同的實驗環(huán)境下，分別對RNN模型、支持向量機(SVM)模型[20]、決策樹(DT)模型[21]的檢測算法進行對比實驗，結(jié)果如表3所示。

表3 模型對比結(jié)果Tab.3 The comparison results of the models %

從表3可以看出，針對同一數(shù)據(jù)集，SVM方法的靈敏度和評測值均高于DT算法，而RNN模型又在各指標上優(yōu)于SVM方法。本研究的模型訓練樣本較少，若采用大樣本訓練，準確率和靈敏度還將進一步提升。由此可見，RNN模型在跌倒和非跌倒的區(qū)分上具有較好的性能。

4 結(jié)語

為了準確檢測跌倒的發(fā)生，本研究利用加速度傳感器采集正?；顒雍偷箶?shù)據(jù)，引入RNN構(gòu)建跌倒檢測模型，對采集的數(shù)據(jù)進行序列化預處理，并將數(shù)據(jù)序列分為訓練集、驗證集和測試集，用訓練集和驗證集對RNN模型進行訓練，達到檢測要求后用測試集的數(shù)據(jù)進行跌倒檢測測試。實驗結(jié)果表明，本研究設計的跌倒檢測模型的準確率、靈敏度和評測值較其他模型都有較大幅度提升，并且表現(xiàn)出了較好的穩(wěn)定性。