謝 靜,楊盤隆,魏 星
(1.蚌埠醫(yī)學(xué)院公共基礎(chǔ)學(xué)院,安徽 蚌埠 233030;2.中國(guó)科學(xué)技術(shù)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,安徽 合肥 230027)
跌倒已成為老年人健康的主要威脅,超過65周歲老年人有近40%的每年至少跌倒1次[1].對(duì)于老年人,跌倒可引起一系列嚴(yán)重的后果[2-3],如肌肉損傷、關(guān)節(jié)扭傷、骨折甚至是死亡,這不僅影響老年人身心健康,而且增加了家庭和社會(huì)的經(jīng)濟(jì)負(fù)擔(dān)[4].因此,大量學(xué)者致力于跌倒檢測(cè)方面的研究.跌倒檢測(cè)的目的是區(qū)分日常行為和跌倒,按檢測(cè)時(shí)間的不同可分為跌倒后檢測(cè)和跌倒前檢測(cè).跌倒后檢測(cè)[5-10],是在跌倒撞擊已經(jīng)發(fā)生、跌倒傷害已經(jīng)產(chǎn)生的情況下,利用撞擊和穩(wěn)定階段的數(shù)據(jù)檢測(cè)跌倒,研究的目的是通過發(fā)出求救信號(hào)以縮短從跌倒到獲得有效醫(yī)療救助的時(shí)間.但這種檢測(cè)并不能減輕撞擊對(duì)身體造成的傷害.為了減輕跌倒撞擊傷害,有學(xué)者研發(fā)了跌倒自動(dòng)防護(hù)裝置[11-12](如安全氣囊等).但自動(dòng)防護(hù)裝置必須在跌倒撞擊發(fā)生前被觸發(fā),并且需要足夠的時(shí)間打開裝置(如給安全氣囊自動(dòng)充氣等),這就要求在跌倒前有充足的時(shí)間檢測(cè)出跌倒即將發(fā)生.在一些跌倒前檢測(cè)研究中,Nyan等[11]通過大量復(fù)雜的計(jì)算建立了不同的跌倒模型來預(yù)測(cè)跌倒,但計(jì)算耗時(shí)較長(zhǎng),不適于實(shí)時(shí)檢測(cè);Shan等[13]、Wu等[14]及Bourke等[15]的檢測(cè)需要多個(gè)傳感器采集行為數(shù)據(jù),且對(duì)檢測(cè)裝置的佩戴位置要求較高.因此,跌倒前檢測(cè)存在如下困難:(1)僅依靠單一的傳感器難以區(qū)分跌倒和非跌倒;(2)跌倒前(從正常階段到發(fā)生撞擊動(dòng)作階段)持續(xù)的時(shí)間較短.為了能利用單一傳感器在跌倒撞擊前實(shí)時(shí)檢測(cè)出跌倒即將發(fā)生,筆者擬結(jié)合支持向量機(jī)(Support Vector Machine,SVM)和閾值法設(shè)計(jì)一種自適應(yīng)跌倒前實(shí)時(shí)檢測(cè)方法(簡(jiǎn)稱“自適應(yīng)方法”).
建立三維人體運(yùn)動(dòng)坐標(biāo)系和自然坐標(biāo)系:三維人體運(yùn)動(dòng)坐標(biāo)系(圖1(a))以手環(huán)佩戴位置為原點(diǎn),以右手方向?yàn)閤軸的正向,以人體前進(jìn)方向?yàn)閥軸的正向,以平行人體軀干向上方向?yàn)閦軸的正向;自然坐標(biāo)系(圖1(b))以地面為坐標(biāo)原點(diǎn).自然坐標(biāo)系不會(huì)因人體的運(yùn)動(dòng)而改變.用ax(t),ay(t),az(t)分別表示x,y,z軸上的加速度.
圖1 坐標(biāo)系
跌倒雖持續(xù)時(shí)間較短,但其仍然是由一系列連續(xù)的動(dòng)作組成.跌倒的整個(gè)過程可分為4個(gè)連續(xù)階段,即正常階段、失重后的自由落體階段、撞擊階段和撞擊后的穩(wěn)定階段,如圖2所示.
圖2 跌倒過程中的合加速度變化
正常狀態(tài)下,人體受重力G和地面的支持力F影響,其合力約為0,合加速度約為g.此階段,人體處于平穩(wěn)狀態(tài),與地面的夾角約為90°,站立或走平路時(shí)信號(hào)整體表現(xiàn)平穩(wěn),上下樓或跑步時(shí)信號(hào)則表現(xiàn)為較大幅度的周期性擺動(dòng).
在失重階段,人體重心下移,與地面的夾角逐漸減小,呈自由落體運(yùn)動(dòng),直到身體與地面接觸.這個(gè)階段持續(xù)的時(shí)間較短,一般在400~600 ms[16],因此處理這個(gè)階段的信號(hào),對(duì)算法的實(shí)時(shí)性要求較高.在此階段,人體的重力G大于地面的支持力F[17],其合加速度小于重力加速度,由牛頓第二定律可知,人體會(huì)產(chǎn)生一個(gè)方向向下且短時(shí)間內(nèi)快速減小的加速度.
當(dāng)身體碰撞地面時(shí),支持力F驟增,產(chǎn)生極大的向上加速度即加速度劇增,在圖中表現(xiàn)為出現(xiàn)一個(gè)波峰.由沖量Ft=mΔv可知,當(dāng)人體的m和Δv一定的情況下,t越小,F(xiàn)越大,即跌倒的直接危害是由支持力帶來的.接著,會(huì)有一個(gè)非常短的波動(dòng)過程,在圖中表現(xiàn)為波峰后出現(xiàn)多個(gè)小波峰和波谷.這部分?jǐn)?shù)據(jù)量豐富,信號(hào)變化更明顯,可采集的特征也較多,大部分的跌倒檢測(cè)都是基于對(duì)這部分信號(hào)的處理和分析.隨后,進(jìn)入跌倒后的平穩(wěn)階段.
對(duì)跌倒行為進(jìn)行分析,可發(fā)現(xiàn)失重階段的合加速度和傾角的變化規(guī)律:合加速度會(huì)驟減,小于重力加速度;傾角會(huì)因跌倒方向的不同而發(fā)生較大的變化(圖3).因此,設(shè)定閾值Ta和Tθ,Ta表示合加速度的閾值,Tθ表示傾角的閾值.將合加速度與Ta進(jìn)行比較,若合加速度不大于Ta,則將傾角與Tθ進(jìn)行比較,若傾角不小于Tθ,則可判斷人體處于跌倒前的失重階段.合加速度判斷公式為
圖3 不同方向跌倒時(shí)傾角的變化
其中m為所采集的樣本點(diǎn)的個(gè)數(shù),t為狀態(tài)標(biāo)志.t=1時(shí),表示可能處于失重狀態(tài),需進(jìn)行傾角判斷.傾角判斷公式為
教師設(shè)計(jì)教學(xué)情境,營(yíng)造全真工作環(huán)境與模擬現(xiàn)場(chǎng),學(xué)生通過角色扮演,設(shè)身處地,情景表演,完成角色扮演教學(xué)的全過程。例如,在“西餐禮儀” 教學(xué)過程中,設(shè)置場(chǎng)景讓學(xué)生分別扮演接待人員和客人,讓“服務(wù)員”為“客人”進(jìn)行引領(lǐng)、點(diǎn)餐、更換餐具等一系列的服務(wù),結(jié)束后雙方談感受、指不足,其他同學(xué)在觀摩時(shí)進(jìn)行學(xué)習(xí)借鑒。該方法直觀、形象、深刻,將枯燥的講述轉(zhuǎn)變?yōu)樯鷦?dòng)的課堂游戲,能激發(fā)學(xué)生濃厚的興趣,增強(qiáng)教學(xué)效果。
η=1時(shí),表示處于跌倒前的失重階段;η=0時(shí),表示不處于跌倒前的失重階段.
3.2.1 SVM分類器 跌倒和日常行為的分類是一個(gè)非線性的二分類問題,SVM在處理小樣本、非線性和高維分類時(shí)表現(xiàn)突出,故本研究選用SVM分類器.給定訓(xùn)練樣本D={(x1,y1),(x2,y2),…,(xm,ym)},xi∈Rn,yi∈{-1,+1},其中xi是樣本向量,yi是對(duì)應(yīng)樣本的類別編號(hào).設(shè)分類超平面為wTxi+b=0,b為位移項(xiàng),是需要通過訓(xùn)練得到的參數(shù).該超平面必須滿足如下約束條件才能實(shí)現(xiàn)正確分類:
(1)
異類支持向量到超平面的距離r=2/‖w‖,為了使該距離間隔最大化,僅需最大化‖w‖-1,即等價(jià)于最小化‖w‖2.將(1)式寫成
(2)
對(duì)(2)式引入拉格朗日乘子ai,再對(duì)wT和b求偏導(dǎo)數(shù)并置零.得到最優(yōu)解后,求出w和b,即可得到SVM模型
(3)
3.2.2 基于SVM的閾值自動(dòng)選取 特征閾值的選取直接關(guān)系到跌倒前檢測(cè)的準(zhǔn)確率.若算法設(shè)置的閾值過大,則會(huì)延長(zhǎng)檢測(cè)時(shí)間,不能為跌倒預(yù)防裝置預(yù)留足夠的觸發(fā)時(shí)間;若算法設(shè)置的閾值過小,則可能將正?;顒?dòng)如下樓、蹲下等誤判成跌倒.因此,筆者采用有監(jiān)督的SVM訓(xùn)練來自動(dòng)提取跌倒前的閾值,閾值可因訓(xùn)練樣本群體的不同而有差異,具有廣泛的適用性.
首先,對(duì)樣本進(jìn)行標(biāo)記,設(shè)采集的n維樣本為{x1,x2,…,xn},為每個(gè)樣本序列添加屬性值,將其標(biāo)記為{xi,yi},其中yi=1表示跌倒行為,yi=-1表示正常行為;然后,將原始序列分為互不相交的2類,即訓(xùn)練樣本集Ω1和測(cè)試樣本集Ω2,Ω1和Ω2都包含跌倒樣本ΩF和日常樣本ΩO;最后,用SVM方法對(duì)訓(xùn)練樣本集中的2類樣本進(jìn)行訓(xùn)練,獲得失重階段的合加速度和傾角的分類閾值,分別記為Ta和Tθ.具體閾值提取方法如下:
(1)設(shè)合加速度閾值Ta取Ω1中的ΩF,計(jì)算ΩF中各樣本的合加速度,得到樣本xi合加速度序列中的最小值A(chǔ)(xi),即A(xi)=min{a(t0,xi),a(t1,xi),…,a(tj,xi)},其中j為采樣時(shí)刻.將ΩF中各樣本的最小合加速度的集合記為A.設(shè)合加速度閾值Ta取Ω1中的ΩO,用同樣的方法得到各樣本的最小合加速度集合,記為B.因集合A和集合B是互不相交的ΩF和ΩO中提取的,故A和B相互間應(yīng)是獨(dú)立的.假設(shè)A和B是線性可分的,利用SVM方法可確定最優(yōu)分類超平面.因A和B中的元素為合加速度值,是一維數(shù)據(jù),故A和B特征空間的維數(shù)為1.由(3)式可知,最優(yōu)分類超平面的形式實(shí)際上是一個(gè)點(diǎn),即f(x)=b,于是通過計(jì)算可得閾值Ta=5.86 m/s2.
(2)設(shè)傾角閾值Tθ取Ω1中的ΩF,設(shè)樣本xi的合加速度在tj時(shí)刻達(dá)到最小,計(jì)算t0時(shí)刻和tj時(shí)刻的傾角,這2個(gè)時(shí)刻的傾角差記為θxi.將ΩF中各樣本t0時(shí)刻和tj時(shí)刻的傾角差的集合記為C.設(shè)傾角閾值Tθ取Ω1中的ΩO,用同樣的方法得到ΩO中各樣本t0時(shí)刻和tj時(shí)刻的傾角差的集合,記為D.集合C和集合D是相互獨(dú)立的.假設(shè)C和D是線性可分的,利用SVM方法可確定其最優(yōu)分類超平面應(yīng)為一個(gè)點(diǎn),即f(x)=b,于是通過計(jì)算可得閾值Tθ=8.36°.
因老年人很少跑步,故未采集跑步數(shù)據(jù).在采集跌倒數(shù)據(jù)時(shí),部分測(cè)試者因在失重階段引入過多與跌倒無關(guān)的動(dòng)作,或是該階段持續(xù)時(shí)間過長(zhǎng),與正常跌倒存在較大差異,故剔除這些數(shù)據(jù),最后得到跌倒行為271組,日常行為573組.
將采集的數(shù)據(jù)分為訓(xùn)練樣本(共625組,包括日常行為420組和跌倒行為205組)和測(cè)試樣本(共219組,包括日常行為153組和跌倒行為66組)2類,用訓(xùn)練樣本對(duì)SVM進(jìn)行訓(xùn)練,訓(xùn)練完成后用測(cè)試樣本進(jìn)行測(cè)試.
用自適應(yīng)方法對(duì)跌倒行為進(jìn)行檢測(cè),其中向后跌倒的加速度和傾角的變化如圖4所示.
圖4 向后跌倒的加速度和傾角的變化
從圖4(a)可見,合加速度在2.2秒時(shí)開始變小,小于重力加速度.通過計(jì)算可得,合加速度在2.8秒時(shí)為5.81 m/s2.根據(jù)自適應(yīng)方法,此時(shí)的合加速度小于閾值Ta,需進(jìn)行傾角判斷.由如圖4(b)可計(jì)算獲得2.8秒時(shí)的傾角為99.34°,將該值代入失重狀態(tài)的傾角判斷公式,判斷為處于跌倒前的失重階段,即在2.8秒時(shí)檢測(cè)出跌倒即將發(fā)生.又從圖4(a)可見,加速度在3.1秒左右達(dá)到最大,即撞擊動(dòng)作發(fā)生在3.1秒.綜合以上分析可知,檢測(cè)出跌倒即將發(fā)生比撞擊發(fā)生提前了300 ms.而安全氣囊的充氣時(shí)間為60~240 ms[18-21],故利用自適應(yīng)方法進(jìn)行檢測(cè)可以為氣囊預(yù)留足夠的充氣時(shí)間.
日常行為和跌倒行為的具體檢測(cè)結(jié)果見表1.
表1 日常行為和跌倒行為的檢測(cè)結(jié)果
由表1可知,自適應(yīng)方法對(duì)日常行為中行走、上下樓和坐下的檢測(cè)的準(zhǔn)確率為100%,而對(duì)從站立到蹲下和從站立到躺倒的檢測(cè)存在一定的誤差.這主要是因?yàn)椋瑥恼玖⒌蕉紫潞吞傻惯@2種日常行為在加速度和傾角上的變化與跌倒有相似的特點(diǎn),且測(cè)試者都為年輕人,身體的協(xié)調(diào)性和控制能力較強(qiáng),完成動(dòng)作較快,加上訓(xùn)練的數(shù)據(jù)量又較小,從而存在一定程度的誤判.
作為對(duì)比,從正確檢出率A、召回率F、特異度S和間隔時(shí)間T等方面,對(duì)自適應(yīng)方法與文獻(xiàn)[14,22-25]中的跌倒前檢測(cè)方法的檢測(cè)結(jié)果進(jìn)行評(píng)價(jià).正確檢出率、召回率、特異度和間隔時(shí)間的計(jì)算公式分別為
其中:tp表示將跌倒行為檢測(cè)為跌倒;fp表示誤將非跌倒行為檢測(cè)為跌倒;fn表示發(fā)生了跌倒但未檢測(cè)出;tn表示沒有發(fā)生跌倒且未檢測(cè)出;Timpact表示實(shí)際的撞擊時(shí)間;Tdetect表示檢測(cè)出跌倒的時(shí)間.各檢測(cè)方法的正確檢出率、召回率、特異度和間隔時(shí)間見表2.
表2 各檢測(cè)方法的正確檢出率、召回率、特異度和間隔時(shí)間
由表2可知:采用人工閾值法進(jìn)行跌倒前檢測(cè)[14],雖然在正確檢出率、召回率、特異度方面的表現(xiàn)良好,但間隔時(shí)間只有70 ms,且檢測(cè)裝置必須佩戴在人體重心位置,有一定的局限性;采用SVM方法進(jìn)行跌倒前檢測(cè)[22],在召回率、特異度和間隔時(shí)間方面的表現(xiàn)均不如自適應(yīng)方法;采用多種分類器進(jìn)行跌倒前檢測(cè)[23-25],雖然間隔時(shí)間方面的表現(xiàn)優(yōu)良,但需要將多個(gè)傳感器固定在身體的特定位置,不如自適應(yīng)方法的簡(jiǎn)單方便.
針對(duì)現(xiàn)有的跌倒前檢測(cè)方法需要多個(gè)傳感器且計(jì)算耗時(shí)較長(zhǎng)的問題,筆者設(shè)計(jì)了一種自適應(yīng)方法,該方法先用SVM離線訓(xùn)練并提取閾值,再用閾值法進(jìn)行實(shí)時(shí)跌倒檢測(cè).實(shí)驗(yàn)結(jié)果顯示:正確檢出率、召回率、特異度分別為97.26%,97.0%,97.39%,說明可以在撞擊前檢測(cè)出跌倒即將發(fā)生;間隔時(shí)間為276 ms,可以滿足跌倒防護(hù)裝置如充氣氣囊的充氣時(shí)間要求.自適應(yīng)方法具有如下優(yōu)點(diǎn):可根據(jù)訓(xùn)練樣本的不同獲得不同的閾值,具有廣泛的適用性;檢測(cè)是在離線狀態(tài)下進(jìn)行的,不需考慮訓(xùn)練過程的計(jì)算耗時(shí),極大地提高了實(shí)時(shí)性.