段小虎， 蔣 剛， 留滄海

(西南科技大學(xué) 制造科學(xué)與工程學(xué)院，四川 綿陽621000)

0 引 言

運動狀態(tài)識別為解決運動監(jiān)測提供了技術(shù)基礎(chǔ)，建立一種有效的人體步態(tài)識別方法，推斷人的運動狀態(tài)，進(jìn)而評估人的運動狀態(tài)，給人們提供運動建議，引導(dǎo)人們制定健康計劃[1]。目前人體步態(tài)識別的研究主要有以下兩種途徑：1)基于圖片或視頻的運動狀態(tài)識別[2,3]，通過攝像頭采集人行走時的不同步態(tài)圖像進(jìn)行分類，這類技術(shù)可以應(yīng)用于戶外公共場所和室內(nèi)監(jiān)護(hù)，對攝像頭的布置比較敏感，不能實現(xiàn)對個體長時間的運動步態(tài)的跟蹤識別。楊文璐等使用Kinect傳感器建立下肢康復(fù)動作評估系統(tǒng)，識別和引導(dǎo)受試者的康復(fù)動作[4]。2)基于傳感器的行走步態(tài)識別[5]，通過帶有心率、加速度等傳感器的可穿戴設(shè)備，對個體行走步態(tài)的24 h跟蹤識別。張乾勇等設(shè)計了一種基于加速度信息與腳底壓力的下肢運動信息采集系統(tǒng)，對4種常見行為(走路、跑步、上樓和下樓)進(jìn)行識別[6]?；趥鞲衅鞯男凶卟綉B(tài)識別可以看作是一個時間序列分類問題，常用的算法有決策樹[5]、K最近鄰(K nearest neighbour,KNN)[7]、支持向量機(jī)(support vector machine,SVM)[8]、神經(jīng)網(wǎng)絡(luò)[9,10]等。

隨著深度學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)算法已被應(yīng)用于模式識別的研究中，Zhan L等人使用深度神經(jīng)網(wǎng)絡(luò)替代人工提取步態(tài)特征進(jìn)行步態(tài)識別[11]。Sainath T N等人使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)和長短期記憶(long short term memory,LSTM)組合模型，用CNN提取語音抽象特征，LSTM進(jìn)行特征分類，取得了較好的效果[12]。張加加等人使用CNN與SVM融合的方法識別步態(tài)圖片[13]。深度學(xué)習(xí)雖然有較好的識別率，但其計算量較大，目前的便攜設(shè)備如手機(jī)等難以滿足深度學(xué)習(xí)算法的計算量。隨著智能手機(jī)的大規(guī)模普及，利用手機(jī)中內(nèi)置的傳感器識別人的日常行為具有可行性和應(yīng)用前景[14]。

本文采用手機(jī)加速度傳感器采集的數(shù)據(jù)，首先對數(shù)據(jù)集進(jìn)行預(yù)處理和特征提取，再采用SVM、KNN和隨機(jī)森林算法對樣本的6種類別進(jìn)行訓(xùn)練、測試和驗證。

1 加速度數(shù)據(jù)的獲取與數(shù)據(jù)預(yù)處理

1.1 加速度數(shù)據(jù)的獲取

本文的數(shù)據(jù)集是福坦莫大學(xué)無線數(shù)據(jù)挖掘?qū)嶒炇业墓_數(shù)據(jù)集[15]，該數(shù)據(jù)集使用手機(jī)加速度傳感器采集，共收集了步行、慢跑、上樓梯、下樓梯、靜坐、站立6種步態(tài)，數(shù)據(jù)采樣頻率是20 Hz，采集過程中手機(jī)放在大腿的便攜包里。手機(jī)的坐標(biāo)軸方向和放置位置如圖1左圖所示，手機(jī)的放置方向固定,手機(jī)X軸、Y軸的放置方向如圖1右側(cè)所示，Z軸指向前進(jìn)方向。

圖1 手機(jī)的坐標(biāo)軸方向和放置位置

該數(shù)據(jù)集收集的樣本數(shù)量為1 098 212條，使用Python選取其中224 920條數(shù)據(jù)。6種步態(tài)的加速度傳感器波形如圖2所示。

圖2 6種步態(tài)的加速度傳感器波形

6種步態(tài)具有較為明顯的特征。

1.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)平滑和數(shù)據(jù)分窗。

數(shù)據(jù)平滑使數(shù)據(jù)特征更加明顯并過濾噪點。使用2次三點均值平滑，公式如下

(1)

式中xi為傳感器某一軸的加速度值，xi+1，xi+2，xi+3，xi+4分別為之后加速度傳感器的4次采集值。采用2次三點均值平滑后，采樣點會減少4個，不影響總體數(shù)據(jù)分布。平滑后的步行波形如圖3所示。

圖3 原始數(shù)據(jù)平滑和加窗

采集到的數(shù)據(jù)為時間序列數(shù)據(jù)，通過分窗把數(shù)據(jù)分組，以便對窗口內(nèi)的數(shù)據(jù)進(jìn)行特征提取。文獻(xiàn)[12]使用10 s的窗口，識別會有延遲，考慮到手機(jī)步態(tài)識別的實時性和健康人行走一步所需要的時間為0.4～0.6 s[16]，本文選取的窗口大小為2 s。窗口含有的數(shù)據(jù)量為40條，原始數(shù)據(jù)分窗后共產(chǎn)生5 623個窗口，如圖3為在平滑后的數(shù)據(jù)上加窗。

2 統(tǒng)計特征的提取

為了使用機(jī)器學(xué)習(xí)算法進(jìn)行分類，需要人工提取特征。本文使用時域上的加速度作為樣本，提取均值、標(biāo)準(zhǔn)差、軸間的相關(guān)系數(shù)共9個特征。方差：X軸、Y軸、Z軸的方差，共3個；均值：X軸、Y軸、Z軸的平均值，共3個；相關(guān)系數(shù)：XY軸、YZ軸、XZ軸的相關(guān)系數(shù)，共3個；以一個窗口的40條數(shù)據(jù)作為一個樣本，統(tǒng)計9個特征。

X軸加速度的均值E(X)、方差σ(X)以及和Y軸的相關(guān)系數(shù)Corr(X,Y)計算如下

(2)

(3)

(4)

特征提取之后，步行所對應(yīng)的樣本數(shù)量為2 322條，慢跑為2 013條，上樓梯為586，下樓梯為310，靜坐為52，站立為 40條，樣本分布并不均衡，對于非均衡問題使用混淆矩陣和AUC評估。

3 分類算法的選擇

本文采用SVM、KNN和隨機(jī)森林算法進(jìn)行分類和對比，使用Scikit-learn作為算法構(gòu)建工具。

3.1 分類性能度量指標(biāo)

常用分類性能度量指標(biāo)有正確率，混淆矩陣、受試者工作特征曲線(receiver operating characteristic curve,ROC)曲線。

正確率是指在所有測試樣例中錯分的樣例的比例。計算如下

(5)

正確率掩蓋了樣本如何被分錯的事實,混淆矩陣能更好地幫助人們了解分類中的錯誤。本文使用多分類混淆矩陣。

ROC曲線是另外一個度量分類中非均衡問題的工具。對于不同的ROC曲線進(jìn)行比較的一個指標(biāo)是曲線下的面積，簡稱AUC。AUC能夠給出分類器的平均性能，一個完美分類器的AUC為1，而隨機(jī)預(yù)測的AUC為0.5。

3.2 SVM算法實驗結(jié)果分析

使用70 %的樣本對SVM算法進(jìn)行訓(xùn)練，使用的核函數(shù)為線性核與高斯核。線性核函數(shù)的懲罰參數(shù)為C，C值大則對分類誤差的懲罰增大，C值小則對誤分類的懲罰減小。所以最小化目標(biāo)函數(shù)包含兩層含義：使‖w‖2/2盡可能的小，也就是間隔盡可能大，同時使分類點的個數(shù)盡可能的少。

3.2.1 線性核函數(shù)的分類實驗

使用線性核函數(shù)，選用不同C，使用十折交叉驗證得出C和準(zhǔn)確率的關(guān)系如圖4所示。

圖4 C和準(zhǔn)確率的關(guān)系

當(dāng)C值選取到1.0時，平均準(zhǔn)確率較高。使用C=1.0作為參數(shù)，取30 %的樣本作為測試集，生成的混淆矩陣如表1所示，平均準(zhǔn)確率為82.5 %。

表1 不同算法的混淆矩陣

3.2.2 高斯核函數(shù)的分類實驗

選用不同C和γ，使用十折交叉驗證得出高斯核函數(shù)SVM模型的C和γ與準(zhǔn)確率的關(guān)系如表2所示。

表2 C和γ與準(zhǔn)確率的關(guān)系

C對準(zhǔn)確率的影響較小，γ對準(zhǔn)確率的影響較大，所以重點關(guān)注γ值的選擇。取C=5，從0.005到10遍歷γ值之后，得出最優(yōu)γ值為0.01。使用30 %的數(shù)據(jù)作為測試集，得到的混淆矩陣如表1所示，平均準(zhǔn)確率為91.1 %。

3.3 KNN算法的分類實驗

KNN算法主要考慮2個要素：K值的選取和分類決策規(guī)則。K值表示距離待分類樣本距離最近的K個樣本。本文通過交叉驗證選擇一個合適的K值。對于分類決策規(guī)則，一般使用多數(shù)表決法[18]。取30 %的樣本作為測試集，選擇K值為4，得到混淆矩陣如表1所示，平均準(zhǔn)確率為78.3 %。

3.4 隨機(jī)森林算法的分類實驗

常見的決策樹算法有 ID3、C4.5、CART[19]。本文用隨機(jī)森林算法建立多棵CART算法決策樹，針對每棵決策樹，從5 623個樣本中隨機(jī)有放回的抽取n個樣本，并從9個特征中隨機(jī)選取k個特征，建立決策樹。重復(fù)100次，建立100棵決策樹，通過投票決定步態(tài)樣本的類別。取30 %的樣本作為測試集,得到的混淆矩陣如表1所示，隨機(jī)森林算法的平均準(zhǔn)確率為88.9 %。

各個分類算法的準(zhǔn)確率、AUC和測試集計算時間如表3所示。

表3 算法的準(zhǔn)確率、AUC和測試集計算時間

可以看出，以三軸加速度的平均值、方差和相關(guān)系數(shù)作為特征的模型，平均準(zhǔn)確率達(dá)到80 %以上，但上下樓梯的準(zhǔn)確率較低。僅以數(shù)據(jù)集作為訓(xùn)練和測試難以說明實際中運用手機(jī)加速度傳感器進(jìn)行步態(tài)識別的效果，本文接下來設(shè)計了驗證實驗。

4 實驗驗證

為了驗證特征提取的有效性，本實驗利用實際生活中的場景進(jìn)行驗證，用手機(jī)采集加速度，采集界面如圖5所示。

圖5 采集界面

每種步態(tài)各采集了4 000條數(shù)據(jù)組成了100個樣本。得到不同算法的準(zhǔn)確率百分比如表4所示。

表4 不同算法的準(zhǔn)確率百分比 %

驗證實驗的準(zhǔn)確率并沒有測試集高，尤其是上樓梯和下樓梯的準(zhǔn)確率較低，一方面是因為無法保證實驗設(shè)備和實驗場地與WISDM數(shù)據(jù)集完全相同；另一方面實際生活中上下樓梯時在樓梯的轉(zhuǎn)折處存在平地，導(dǎo)致上樓梯時會被誤識別為下樓梯，下樓梯時會被誤識別為走路或慢跑。以識別效果較好的SVM線性核為例，上樓梯的準(zhǔn)確率為57 %，識別錯誤的樣本中37 %被誤識別為下樓梯，6 %被誤識別為步行；下樓梯的準(zhǔn)確率為71 %，識別錯誤的樣本中9 %被誤識別為上樓梯，12 %被誤識別為慢跑，8 %被識別為步行。

站立和靜坐的狀態(tài)很好識別，因為這兩種活動的加速的幾乎不會變化。結(jié)果表明四種算法中相對表現(xiàn)較好的為兩個SVM算法。

5 結(jié) 論

本文提出了一種基于加速度傳感器的人體步態(tài)識別方法，使用常用的統(tǒng)計量作為模型特征，設(shè)計了4個算法模型來進(jìn)行實驗,能夠較好地識別步行、慢跑、靜坐、站立4種行走狀態(tài)，但對上下樓梯的識別效果一般。算法的平均正確率達(dá)到80 %以上，并進(jìn)行了實驗驗證，說明了本文提出的特征提取及識別算法方法的有效性。另一方面，測試集的計算時間較短，與文獻(xiàn)[18]等提取步態(tài)峰度，偏度，峰值強(qiáng)度等特征[20]和文獻(xiàn)[10]等深度學(xué)習(xí)方法相比，本文特征提取方法較簡單和模型計算量較小。