錢 興，張曉明，2，郝子浩

(1.中北大學儀器與電子學院，太原 030051；2.中北大學儀器科學與動態(tài)測試教育部重點實驗室，太原 030051)

0 引言

步態(tài)識別是一種新興的生物特征識別技術，旨在通過人們走路的姿態(tài)進行運動狀態(tài)的識別。隨著智能硬件的發(fā)展，基于慣性傳感器采集到的步態(tài)序列數(shù)據(jù)可以用來識別穿戴人員的位置和運動信息，主要應用在單兵作戰(zhàn)導航和樓宇內導航定位等領域。顯然步態(tài)的識別和分類具有重要意義，而目前關于慣性傳感器采集到的序列數(shù)據(jù)中步態(tài)識別研究很少，因此設計一種針對序列數(shù)據(jù)的步態(tài)識別方法很有必要。

微機電系統(tǒng)(Micro-Electro-Mechanical System， MEMS)慣性傳感器具有潛在的成本、尺寸、質量等優(yōu)勢，其采集到的序列數(shù)據(jù)信息量大、輸出信息實時性強，使其更適合應用在步態(tài)識別中。A. H.Johnston等運用智能手表內置的加速度傳感器與陀螺儀對人員進行實時識別，結果證明加速度傳感器優(yōu)于陀螺儀。但三軸加速度傳感器對運動太過敏感導致步態(tài)周期劃分不準確，從而導致步態(tài)識別率不高。近年來，卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，CNN)自提出以來，就憑借其在分類識別中展現(xiàn)出的優(yōu)勢而受到了廣泛關注。已有研究人員利用CNN提取智能手機信號來識別人體步態(tài)，但由于僅使用手機加速度傳感器，其識別準確率和實時性都有待進一步提高。也有研究人員將CNN成功應用于腦電信號的特征提取并進行運動分類，但由于腦電信號微弱且穩(wěn)定性較差，目前無法實際應用。陳法權等采用多種慣性傳感器組合進行步態(tài)識別，雖然增多傳感器能提高特征數(shù)量，但不同步態(tài)之間的相互干擾也相應增多；另外其采用的激勵使用ReLU函數(shù)，該函數(shù)對輸入閾值小于0 的神經(jīng)元有抑制作用，因此識別率僅為91.5%。

針對上述問題，1)本文采用了加速度傳感器與彎曲度傳感器組合獲取人體運動信息。彎曲度傳感器是一種測量彎曲角度的裝置。彎曲度傳感器是由一種可變電阻組成的，覆蓋在彎曲度傳感器的表面，不同的彎曲角度會改變彎曲度傳感器的電阻值，根據(jù)彎曲度傳感器的電阻值變化即可判斷彎曲角度。彎曲度傳感器放置在膝蓋位置能夠很好地采集到人體膝蓋彎曲程度的信息，并對步態(tài)周期進行精準分割，解決了三軸加速度傳感器步態(tài)周期劃分不準確的問題；彎曲度信息與三軸加速度信息的組合能夠很好地對不同步態(tài)的特征值進行區(qū)分，從而提高識別率。2)設計了一種激勵層改進的CNN步態(tài)分類模型以進行步態(tài)特征值的自動提取，改進后的激勵層采用了帶泄露線性整流函數(shù)，該函數(shù)負數(shù)端斜率為一個常數(shù)，能夠解決遇到卷積輸出數(shù)據(jù)小于0時神經(jīng)元被抑制的問題。最后，通過實測數(shù)據(jù)集進行了學習和驗證。

1 步態(tài)數(shù)據(jù)的獲取與算法優(yōu)化

1.1 步態(tài)數(shù)據(jù)的獲取

在步態(tài)數(shù)據(jù)采集單元中采用了加速度傳感器與彎曲度傳感器組合檢測系統(tǒng)，此系統(tǒng)包括三軸加速度傳感器和彎曲度傳感器。傳感器安放位置如圖1所示，三軸加速度傳感器放在大腿靠近膝關節(jié)處(軸朝人體前方，軸沿腿向下)，彎曲度傳感器放在膝關節(jié)處。圖2～圖6分別表示傳感器采集的五種步態(tài)模式，即走路、上下樓和上下坡的部分數(shù)據(jù)。從圖中可以看出，彎曲度傳感器采集到的數(shù)據(jù)每經(jīng)歷一次波峰即完成一次步態(tài)周期，同時對應著不同運動狀態(tài)的三軸加速度傳感器中的軸、軸、軸數(shù)據(jù)也各不相同。彎曲度數(shù)據(jù)在步態(tài)周期劃分中具有獨特優(yōu)勢，但特征少，無法單獨用來步態(tài)識別；而三軸加速度傳感器步態(tài)周期劃分不準確，單獨進行步態(tài)識別時識別率較低。因此可以通過兩者結合進行步態(tài)分類。

圖1 傳感器安放位置Fig.1 Sensor placement position

圖2 傳感器采集的步態(tài)模式：走路Fig.2 Gait pattern collected by sensor:walking

圖3 傳感器采集的步態(tài)模式：上樓Fig.3 Gait pattern collected by sensor:upstairs

圖4 傳感器采集的步態(tài)模式：下樓Fig.4 Gait pattern collected by sensor:downstairs

圖5 傳感器采集的步態(tài)模式：上坡Fig.5 Gait pattern collected by sensor:upslope

圖6 傳感器采集的步態(tài)模式：下坡Fig.6 Gait pattern collected by sensor:downslope

1.2 步態(tài)信號的表示

在傳感器采集到的信號中，定義加速度步態(tài)數(shù)據(jù)向量=[,,,,,]，彎曲度步態(tài)數(shù)據(jù)向量=[]，=1,2,3,…,,是分割后步態(tài)信號的序列長度。由此構成了步態(tài)信號的×4輸入矩陣

=[,]

(1)

采集到的矩陣數(shù)據(jù)在同一時刻具有相互關聯(lián)性，在不同時刻的同一傳感器數(shù)據(jù)在時間上也有關聯(lián)性，提取出的特征更能表示原始步態(tài)的信息。

1.3 CNN基本原理

CNN是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡，是深度學習的代表算法之一。其隱含層內的卷積核參數(shù)共享和層間連接的稀疏性使得CNN能夠以較小的計算量處理類似網(wǎng)格結構的數(shù)據(jù)，三軸加速度傳感器和彎曲度傳感器采集到的序列數(shù)據(jù)為二維矩陣，適合用CNN提取數(shù)據(jù)特征和進行步態(tài)識別。典型的CNN模型主要由輸入層、卷積層、激勵層、池化層、全連接層和輸出層組成。

輸入層主要是將1.2節(jié)得到的×4輸入矩陣作為CNN的初始輸入，將數(shù)據(jù)傳輸?shù)骄矸e層進行計算。

卷積層主要是對輸入層傳輸過來的步態(tài)數(shù)據(jù)進行步態(tài)特征值提取，卷積層中包括多個卷積核。通過對每一層的數(shù)據(jù)與卷積核做矩陣元素乘法求和并疊加偏差量，生成包含原始數(shù)據(jù)部分特征的步態(tài)矩陣。每一層的計算如下

(2)

(3)

其中：為第層輸出；-1為第層輸入；(,)為對應特征值的大小；為當前層卷積核；-1為當前層的偏差量；(,)為卷積核的大?。?、代表卷積核行列數(shù)；代表卷積的步長；代表填充層數(shù)；(,)代表的大小。

激勵層是將卷積層輸出結果做非線性映射，因為卷積層的計算是一種線性計算，對非線性情況無法很好擬合。有時也會把卷積層和激勵層合并在一起稱為卷積層。激勵層一般采用線性整流函數(shù)(Rectified Linear Unit, ReLU)作為其激勵函數(shù)。

池化層主要進行特征選擇和信息過濾，主要目標是降低卷積層提取出的特征值信息。大多數(shù)情況下，最大池化性能更優(yōu)。特征矩陣從激勵層傳入到池化層，池化層將保留局部區(qū)域的最大值，其操作定義如下

=Max(-1)

(4)

其中，Max表示池化層進行最大池化操作。

全連接層(Fully Connected Layers，F(xiàn)C)在整個CNN中起到分類器的作用。如果該層的輸入是一個序列，則全連接層在每個時間步上獨立地起作用。全連接層通常設置為固定的神經(jīng)元數(shù)。

輸出層的上游是全連接層，通常使用邏輯函數(shù)或歸一化指數(shù)函數(shù)(softmax function)輸出分類標簽。

1.4 CNN激勵層的改進算法

CNN的激勵層通常使用線性整流函數(shù)，如圖7所示，定義如下

圖7 線性整流函數(shù)Fig.7 Rectified linear unit

=max(0,)

(5)

但ReLU負數(shù)端斜率為0，使得卷積輸出的數(shù)據(jù)在負數(shù)部分無法表達出來，導致神經(jīng)元不能更新參數(shù)。步態(tài)的卷積層輸出的數(shù)據(jù)中含有負數(shù)部分，因此ReLU就不適用了。負數(shù)部分能否在激勵層中表達出來，是提高步態(tài)識別率的重要一步。為了解決這一問題，本文采用帶泄露線性整流函數(shù)(Leaky ReLU)對激勵層進行改進，如圖8所示，定義如下

圖8 帶泄露線性整流函數(shù)函數(shù)Fig.8 Leaky rectified linear unit

=max(,)

(6)

該函數(shù)負數(shù)端斜率為一個常數(shù)，是根據(jù)實際經(jīng)驗來取值，文獻[17]進行了大量的實驗，驗證了取值范圍在0～0.5內時，Leaky ReLU能夠讓神經(jīng)元在負數(shù)部分進行參數(shù)更新，達到對CNN的激勵層進行優(yōu)化的目的，同時提高了步態(tài)的識別率。

2 基于CNN的步態(tài)識別模型

2.1 CNN步態(tài)識別模型的構建

采集到的三軸加速度傳感器數(shù)據(jù)與彎曲度傳感器數(shù)據(jù)在同一時刻具有相互關聯(lián)性，人體步態(tài)的特點是在不同時刻的同一傳感器數(shù)據(jù)在時間上也有關聯(lián)性。根據(jù)這些特點本文針對性地設計了一個基于CNN的步態(tài)識別優(yōu)化模型。此模型由9層構成，如圖9所示，各層介紹如下。

圖9 CNN步態(tài)識別模型Fig.9 CNN gait recognition model

(1)輸入層

將×4的步態(tài)數(shù)據(jù)矩陣作為CNN的輸入層，其中是分割后步態(tài)信號的序列長度，4分別為三軸加速度傳感器中的軸、軸、軸數(shù)據(jù)與彎曲度傳感器中的彎曲度數(shù)據(jù)。

(2)卷積層1

將滑動卷積濾波器應用于輸入。卷積層1的卷積核大小設置為：高度3，寬度1，步長設置為1，卷積核層數(shù)設置為6，處理后得到6個98×4的特征矩陣。

(3)激勵層

采用Leaky ReLU對卷積后的數(shù)據(jù)進行處理。

(4)池化層 1

將激勵層數(shù)據(jù)作為池化層的輸入。最大池化層的樹池是一個2×1矩陣，步幅為1。經(jīng)過處理后得到6個97×4的特征矩陣。

(5)卷積層2

卷積層2的卷積核大小設置為：高度 5，寬度 1，步長設置為1，卷積核層數(shù)設置為12，處理后得到12個93×4的特征矩陣。

(6)激勵層

采用Leaky ReLU對卷積后的數(shù)據(jù)進行處理。

(7)池化層 2

最大池化層的樹池是一個3×1矩陣，步幅為1。經(jīng)過處理后得到12個91×4的特征矩陣。

(8)全連接層

全連接層設置為4368個神經(jīng)元。

(9)輸出層

采用Softmax函數(shù)作為步態(tài)類型的輸出，主要作用是輸出數(shù)據(jù)對應五種步態(tài)的概率值，概率最大的就是當前人體運動的步態(tài)。

2.2 CNN步態(tài)識別模型的訓練

CNN訓練包含了2個過程：正向傳播和反向傳播。使用現(xiàn)有的數(shù)據(jù)進行正向傳播，計算出損失函數(shù)值，然后再進行反向傳播。卷積層的反向傳播是一個與前向傳播類似的交叉相關計算

(7)

(8)

其中：為代價函數(shù)計算的誤差；′為激勵函數(shù)的導數(shù)；為學習速率；根據(jù)反向傳播可以更新卷積核數(shù)值。本文CNN的誤差函數(shù)選擇的是Softmax。池化層在反向傳播中沒有參數(shù)更新，因此只需要根據(jù)池化方法將誤差分配到特征值的合適位置即可。CNN通常使用BP框架內的隨機梯度下降和其變體，本文采用的是Adam算法，相較于其他算法更適合解決含大規(guī)模數(shù)據(jù)和參數(shù)的優(yōu)化問題。

3 實驗和結果分析

3.1 實驗數(shù)據(jù)

實驗測試人員14名，其中男女各7人，均無任何影響走路狀態(tài)的疾病。中國成年男性平均身高為169.7cm，成年女性平均身高為158.6cm。故選擇，男性7名，身高在 165～185cm 之間；女性7名，身高在 155 ～170cm 之間。分別測試走路、上下臺階、上下坡(45 °)。傳感器采集的數(shù)據(jù)量如下：走路4000s、上下臺階各4000s、上下坡各3800s。

實驗使用的傳感器的采樣頻率為100Hz，正常人走路1min大約在100～120步，故一個步態(tài)周期大約在1s左右，所以選定每100個數(shù)據(jù)為一個周期進行數(shù)據(jù)處理，即步態(tài)長度=100。

3.2 實驗結果及分析

實驗使用90%的數(shù)據(jù)作為訓練組，用于進行CNN模型的訓練;剩下的10%作為驗證組，用于驗證CNN模型的準確程度。

3.2.1 模型參數(shù)對識別效果的影響

卷積核層數(shù)和卷積核大小對CNN步態(tài)識別率的影響,如表1和表2所示。

表1 卷積核層數(shù)的影響

表2 卷積核大小的影響

表1中，C1L代表卷積層1的卷積核層數(shù),C2L代表卷積層2的卷積核層數(shù)，recognition rate代表此時的步態(tài)識別率。將卷積層1的卷積核層數(shù)分別調整為2、3、4、5、6、7、8、9、10層，其他相關參數(shù)如池化層參數(shù)等不進行改變。從識別率中可以看出，當卷積層1的卷積核層數(shù)為6時識別率最高。將卷積層2的層數(shù)分別調整為4、6、8、10、12、14、16、18、20層，其他相關參數(shù)同樣不進行改變。從識別率中可以看出，當卷積層2的卷積核層數(shù)為12時識別率最高。

表2中，C1S代表卷積層1的卷積核大小,C2S代表卷積層2的卷積核大小，recognition rate代表此時的步態(tài)識別率。將卷積層1的卷積核分別調整為1×1、2×1、3×1、5×1、7×1、9×1，其他相關參數(shù)不進行改變。從識別率中可以看出，當卷積層1的卷積核為3×1時識別率最高。將卷積層2的卷積核分別調整為1×1、3×1、5×1、7×1、9×1、11×1，其他相關參數(shù)不進行改變。從識別率中可以看出，當卷積層2的卷積核為5×1時識別率最高。由于矩陣之間的關聯(lián)性，3×1和5×1的卷積核適合處理步態(tài)數(shù)據(jù)的大小，從而達到最優(yōu)地提取數(shù)據(jù)特征的目的。

在激勵層改進過的CNN模型中改變Leaky ReLU的值，由于取值范圍在0～0.5時效果達到最佳，故選擇0、0.01、0.05、0.1、0.5，觀察值對步態(tài)識別率的影響，如表3所示。

表3 k值的影響

表3中，取值分別為0、0.01、0.05、0.1、0.5。從數(shù)據(jù)中可以看出，改進后的CNN識別模型隨著取值增大呈正態(tài)分布，在=001時識別效果達到最好。

3.2.2 改進前后CNN模型的比較

將激勵層改進過的CNN模型與未采用彎曲度傳感器改進過的CNN模型和未改進的CNN模型進行比較。未改進的CNN模型只將激勵層Leaky ReLU替換為ReLU，其他參數(shù)不改變，觀察對步態(tài)識別率的影響，如表4所示。

表4 改進前后CNN模型的比較

表4中，將未采用彎曲度傳感器的CNN識別模型、未進行激勵層改進的CNN識別模型，與激勵層改進過的CNN識別模型進行對比，發(fā)現(xiàn)激勵層改進過的CNN識別模型效果明顯提升。

從上述實驗可以得知，卷積層1的卷積核大小為3×1，層數(shù)為6；卷積層2的卷積核大小為5×1，層數(shù)為12；Leaky ReLU的值為0.01時CNN識別模型的識別率達到最優(yōu)，最優(yōu)識別率為95.79%。

4 結論

本文提出了一個利用改進后的CNN方法實現(xiàn)對序列數(shù)據(jù)的步態(tài)分類方案。

1)搭建了一個三軸加速度傳感器和彎曲度傳感器的檢測平臺，能夠很好地對不同步態(tài)的特征值進行區(qū)分。實驗結果表明：相較于未采用彎曲度傳感器的CNN模型，步態(tài)識別率提高了4.78%。

2)設計了一種改進后的CNN模型實現(xiàn)對步態(tài)的分類。實驗結果表明：改進后的CNN識別率達到了95.79%，相較于未改進的CNN模型識別率提高了3.37%。同時為實現(xiàn)單兵作戰(zhàn)導航和樓宇內導航定位中慣性器件的步態(tài)識別提供了解決方案。

本文選定每100個數(shù)據(jù)為一個周期進行數(shù)據(jù)處理，而對不同人群的步態(tài)頻率是不相同的，為了分析序列數(shù)據(jù)的步態(tài)識別特性，提高步態(tài)分類的準確程度，今后的工作重點是數(shù)據(jù)分割；與此同時，擴大不同人群的數(shù)據(jù)樣本，提高方案的通用性、準確性和魯棒性。