魏嘉雪，高冠東，滕桂法，3+

(1.河北農(nóng)業(yè)大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 保定 071000；2.中央司法警官學(xué)院 信息管理系，河北 保定 071000；3.河北農(nóng)業(yè)大學(xué) 河北省農(nóng)業(yè)大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室，河北 保定 071000)

0 引 言

為進(jìn)一步提高跌倒檢測(cè)識(shí)別準(zhǔn)確率、減少誤報(bào)率[1，2]，解決RNN訓(xùn)練耗時(shí)長(zhǎng)的問(wèn)題，本文提出一種基于改進(jìn)時(shí)間卷積網(wǎng)絡(luò)(temporal convolutional network，TCN)的跌倒檢測(cè)算法，為避免修正線性單元(rectified linear unit，ReLU)函數(shù)引起神經(jīng)元“壞死”的情況，將ReLU改進(jìn)為L(zhǎng)eaky ReLU函數(shù)；在保證參數(shù)量更少的情況下使用全局平均池化層代替全卷積層；為了更好擬合模型，在殘差結(jié)構(gòu)中添加一層卷積操作。為了驗(yàn)證算法魯棒性，本文利用智能手機(jī)中內(nèi)嵌的加速度傳感器和陀螺儀傳感器獲取數(shù)據(jù)集，與公用數(shù)據(jù)集MobiAct2.0進(jìn)行融合作為實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)共2359例樣本，包括5類(lèi)日常行為和4類(lèi)跌倒行為。

1 研究近況

目前，根據(jù)使用的跌倒檢測(cè)設(shè)備的不同，相關(guān)研究基本分為3大類(lèi)：基于場(chǎng)景傳感器[2]的跌倒檢測(cè)研究、基于機(jī)器視覺(jué)[3-5]的跌倒檢測(cè)研究和基于可穿戴設(shè)備[6，7]的跌倒檢測(cè)研究，以減輕老年人因跌倒沒(méi)有得到及時(shí)救治帶來(lái)的傷害。

基于場(chǎng)景傳感器的跌倒檢測(cè)將傳感器放置在室內(nèi)固定位置以發(fā)現(xiàn)區(qū)域內(nèi)跌倒情況。如，Diego等[8]提出基于支持向量機(jī)(support vector machine，SVM)與模板匹配結(jié)合的跌倒檢測(cè)算法。該方法通過(guò)地板的聲傳感器捕獲信號(hào)，不會(huì)侵犯用戶(hù)隱私，但易受環(huán)境嘈雜的影響引起錯(cuò)誤報(bào)警，檢測(cè)范圍有限，不適用于對(duì)老年人活動(dòng)范圍的全面檢測(cè)；基于機(jī)器視覺(jué)的跌倒檢測(cè)通過(guò)視頻或圖像形式獲取數(shù)據(jù)進(jìn)行行為判斷，金彥亮等[9]融合多幀運(yùn)動(dòng)歷史圖，使用雙流卷積網(wǎng)絡(luò)進(jìn)行識(shí)別，該算法可達(dá)到較高準(zhǔn)確率，其檢測(cè)范圍具有一定的局限性，同時(shí)存在視頻圖像易受遮擋、侵犯受試者隱私的問(wèn)題。

基于可穿戴設(shè)備的跌倒檢測(cè)是將傳感器佩戴在人體某個(gè)部位，通過(guò)獲取當(dāng)前位置的傳感器數(shù)值變化判斷人體是否發(fā)生跌倒行為。任磊等[10]提出一種移動(dòng)設(shè)備佩戴位置自適應(yīng)的方法，通過(guò)對(duì)旋轉(zhuǎn)模式分量和姿態(tài)角融合提取特征，建立了基于時(shí)序分析的跌倒檢測(cè)的方法，其實(shí)驗(yàn)準(zhǔn)確率達(dá)到92%以上。任曉奎等[11]通過(guò)將支持向量機(jī)與粒子群算法相融合以解決可穿戴跌倒檢測(cè)問(wèn)題，其準(zhǔn)確率達(dá)到89%。劉曉光等[12]提出閾值和極端隨機(jī)樹(shù)結(jié)合的算法，融合姿態(tài)角傳感器和壓力傳感器數(shù)據(jù)，設(shè)計(jì)了實(shí)時(shí)跌倒檢測(cè)算法。以上研究者利用機(jī)器學(xué)習(xí)算法進(jìn)行跌倒檢測(cè)分析，通過(guò)分析人工提取的特征值判斷行為類(lèi)別，為了減少因提取特征不當(dāng)造成的檢測(cè)誤差，研究者需要花費(fèi)一定的時(shí)間學(xué)習(xí)先驗(yàn)知識(shí)。隨著深度學(xué)習(xí)的發(fā)展，遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)在處理時(shí)間序列領(lǐng)域捕獲時(shí)間特征的方面表現(xiàn)出天然優(yōu)勢(shì)，一些研究者使用卷積神經(jīng)網(wǎng)絡(luò)和RNN對(duì)原始數(shù)據(jù)進(jìn)行分析，王晶晶等[13]針對(duì)基于提取特征的跌倒檢測(cè)算法誤報(bào)率較高的問(wèn)題提出了獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)構(gòu)，可以有效提高準(zhǔn)確率。L.Y. Liu等[14]通過(guò)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)與長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行分析，利用全連接層對(duì)輸入數(shù)據(jù)進(jìn)行分類(lèi)。由于RNN在處理長(zhǎng)時(shí)序列數(shù)據(jù)時(shí)，一次輸入只能輸入單個(gè)信號(hào)的問(wèn)題，導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)，且易出現(xiàn)梯度消失的情況，遞歸神經(jīng)網(wǎng)絡(luò)在跌倒檢測(cè)中表現(xiàn)效果不盡人意。

2 跌倒檢測(cè)網(wǎng)絡(luò)模型設(shè)計(jì)

建立跌倒檢測(cè)模型的關(guān)鍵點(diǎn)在于特征提取是否恰當(dāng)、構(gòu)建的網(wǎng)絡(luò)模型是否合適。傳統(tǒng)的卷積網(wǎng)絡(luò)模型在處理圖像問(wèn)題上得到廣泛認(rèn)可，但由于其卷積核大小的限制，在處理長(zhǎng)時(shí)序列數(shù)據(jù)上通常需要更深層次的網(wǎng)絡(luò)才能表現(xiàn)出差強(qiáng)人意的效果。本文采用智能手機(jī)內(nèi)置三軸角速度傳感器和三軸加速度傳感器作為數(shù)據(jù)源，融合公用測(cè)試數(shù)據(jù)集MobiAct2.0，通過(guò)數(shù)據(jù)格式變換輸入TCN網(wǎng)絡(luò)模型中，利用模型的空洞卷積操作，通過(guò)設(shè)置不同空洞率來(lái)增大卷積核的感受野，使其可以“看到”更遠(yuǎn)的歷史數(shù)據(jù)；通過(guò)殘差結(jié)構(gòu)構(gòu)建深層次的網(wǎng)絡(luò)，同時(shí)利用特征復(fù)用這一特點(diǎn)，對(duì)跌倒檢測(cè)做出更準(zhǔn)確的判斷，改進(jìn)的TCN跌倒檢測(cè)算法總體流程如圖1所示。

圖1 改進(jìn)的TCN跌倒檢測(cè)算法總體流程

將跌倒問(wèn)題簡(jiǎn)化為二分類(lèi)問(wèn)題，從日常活動(dòng)中識(shí)別出跌倒和非跌倒行為。在每個(gè)樣本中包含x軸加速度Ax、y軸加速度Ay、z軸加速度Az、x軸角速度Gx、y軸角速度Gy和z軸角速度Gz，那么假設(shè)長(zhǎng)度為t的樣本輸入數(shù)據(jù)格式如式(1)所示

(1)

式中：Ax、Ay、Az、Gx、Gy、Gz為含有時(shí)間特性的時(shí)間序列向量。模擬實(shí)驗(yàn)結(jié)果表明，跌倒的發(fā)生由失衡到碰撞時(shí)間不超過(guò)3 s，因此將截取3 s內(nèi)傳感器獲取的數(shù)據(jù)長(zhǎng)度作為實(shí)驗(yàn)數(shù)據(jù)長(zhǎng)度t。

2.1 TCN模型分析

在跌倒檢測(cè)問(wèn)題中，獲取到3 s內(nèi)傳感器的值形成一段時(shí)間的連續(xù)信號(hào)，具有較長(zhǎng)的時(shí)間性，傳統(tǒng)CNN為了處理這種長(zhǎng)時(shí)序列只能不斷加深網(wǎng)絡(luò)層數(shù)，以增加感受野，盡可能比較全面的提取特征，但極易出現(xiàn)梯度爆炸和梯度彌散的問(wèn)題，針對(duì)這種情況，B.S等[15]提出的TCN是一種在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上通過(guò)改進(jìn)卷積操作和卷積核大小可以處理長(zhǎng)時(shí)序列數(shù)據(jù)的網(wǎng)絡(luò)結(jié)構(gòu)。該網(wǎng)絡(luò)利用一維全卷積結(jié)構(gòu)和padding操作實(shí)現(xiàn)了網(wǎng)絡(luò)輸入長(zhǎng)度與輸出長(zhǎng)度相同的特點(diǎn)；采用因果卷積操作，實(shí)現(xiàn)了序列當(dāng)前輸出只與過(guò)去有關(guān)而與未來(lái)無(wú)關(guān)的目的，使卷積網(wǎng)絡(luò)也具有“記憶”的特性。

模型結(jié)構(gòu)主要由3部分組成：

輸入層：在跌倒問(wèn)題中，截取t長(zhǎng)度的時(shí)間數(shù)據(jù)作為輸入序列，假設(shè)輸入形式為X=(x1，x2，…，xt)， 其中在某一時(shí)刻輸入數(shù)據(jù)的為矩陣X中的每一行，即Xt=(AxtAytAztGxtGytGzt)。 由于數(shù)據(jù)集采樣頻率使用SENSOR_DELAY_FASTEST參數(shù)以500 HZ的頻率采集數(shù)據(jù)，為了保證獲取完整行為數(shù)據(jù)并盡可能減少數(shù)據(jù)量，實(shí)驗(yàn)選取傳感器3 s內(nèi)的數(shù)據(jù)進(jìn)行了降采樣操作，選取長(zhǎng)度為200的樣本作為網(wǎng)絡(luò)輸入數(shù)據(jù)。

隱含層：為了不通過(guò)堆疊網(wǎng)絡(luò)層數(shù)來(lái)擴(kuò)大感受野，TCN網(wǎng)絡(luò)引入了為含有擴(kuò)張因子的擴(kuò)張卷積，允許卷積操作存在間隔采樣，采樣率取決于擴(kuò)張因子d。采用大小為m的卷積核F=(f0，f1，…fm-1)， 對(duì)于序列元素x在t時(shí)刻的操作如式(2)所示

(2)

式中：t-d·i表示過(guò)去的方向。隨著網(wǎng)絡(luò)層數(shù)的加深，擴(kuò)張因子呈指數(shù)倍增加，因此TCN可以通過(guò)較少層的卷積獲得較大感受野，計(jì)算感受野大小F如式(3)所示

F=(m-1)*d+1

(3)

其次在隱含層建立了殘差連接結(jié)構(gòu)，將淺層特征與深層特征結(jié)合實(shí)現(xiàn)特征復(fù)用的效果，將跌倒數(shù)據(jù)在經(jīng)過(guò)網(wǎng)絡(luò)變換前的數(shù)據(jù)和網(wǎng)絡(luò)變換后的數(shù)據(jù)進(jìn)行結(jié)合，以降低模型退化情況出現(xiàn)的可能。模型以?xún)蓪訑U(kuò)張卷積、ReLU函數(shù)、權(quán)重歸一化操作和dropout層組成殘差結(jié)構(gòu)，殘差結(jié)構(gòu)如圖2所示。數(shù)學(xué)表示如式(4)所示

圖2 殘差結(jié)構(gòu)

oi=f(h(xi)+F(xi))

(4)

式中：xi和oi分別是第i個(gè)單位的輸入和輸出，h(xi) 是xi的恒等映射，屬于淺層特征，F(xiàn)(xi) 是經(jīng)過(guò)網(wǎng)絡(luò)變換的深層特征，f是激活函數(shù)。

輸出層：經(jīng)過(guò)網(wǎng)絡(luò)變換提取到跌倒檢測(cè)數(shù)據(jù)的隱藏特征后，通過(guò)將特征輸入分類(lèi)器進(jìn)行分類(lèi)。在跌倒檢測(cè)問(wèn)題中，將非跌倒行為和跌倒行為分別以0、1標(biāo)簽標(biāo)注，通過(guò)全連接層輸出網(wǎng)絡(luò)判別結(jié)果。

經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)經(jīng)典TCN應(yīng)用在跌倒問(wèn)題中時(shí)，存在以下3個(gè)問(wèn)題：①異常值使網(wǎng)絡(luò)神經(jīng)元“壞死”，導(dǎo)致網(wǎng)絡(luò)參數(shù)不正常更新。(“壞死”是指ReLU在負(fù)數(shù)區(qū)域被kill)；②全連接層高度提純特征的操作并沒(méi)有提高模型性能，并且給網(wǎng)絡(luò)增加了大量參數(shù)；③特征提取不當(dāng)導(dǎo)致模型處于欠擬合與過(guò)擬合之間。

2.2 跌倒檢測(cè)TCN模型改進(jìn)方法

針對(duì)老人的跌倒檢測(cè)問(wèn)題，有以下兩個(gè)側(cè)重點(diǎn)：準(zhǔn)確率和誤報(bào)率。提高準(zhǔn)確率，當(dāng)老人跌倒后可以及時(shí)報(bào)警，提醒醫(yī)護(hù)人員和家人及時(shí)救助，增加老人及其家人對(duì)跌倒設(shè)備的信任，而誤報(bào)率偏高會(huì)存在老人反應(yīng)過(guò)慢，未來(lái)得及將報(bào)警信息取消，導(dǎo)致家人和醫(yī)護(hù)人員的過(guò)度緊張的不良體驗(yàn)，從而減少對(duì)跌倒設(shè)備的信任，因此擬合出成熟的跌倒檢測(cè)模型，提高準(zhǔn)確率，降低誤報(bào)率是模型訓(xùn)練的重點(diǎn)。

時(shí)間卷積網(wǎng)絡(luò)與其它卷積神經(jīng)網(wǎng)絡(luò)一樣，有很強(qiáng)建模能力，但也存在擬合程度不當(dāng)、參數(shù)量大的問(wèn)題。本文從模型訓(xùn)練階段對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。首先針對(duì)跌倒檢測(cè)并非稀疏矩陣的特點(diǎn)，使用強(qiáng)制稀疏的激活函數(shù)會(huì)造成損失，對(duì)比了非飽和激活函數(shù)的優(yōu)缺點(diǎn)，選擇收斂快，損失低的函數(shù)作為殘差結(jié)構(gòu)內(nèi)部的非線性變換，其次跌倒數(shù)據(jù)在前期網(wǎng)絡(luò)提取特征時(shí)，已獲取到足夠特征，全連接層大量的參數(shù)會(huì)造成模型“臃腫”，且易產(chǎn)生過(guò)擬合情況，因此將全局平均池化層代替全連接層做分類(lèi)，減少了大量參數(shù)，降低了模型復(fù)雜度，降低了過(guò)擬合現(xiàn)象出現(xiàn)的概率。最后為了在不增加網(wǎng)絡(luò)參數(shù)的情況下更好擬合網(wǎng)絡(luò)模型，調(diào)整殘差結(jié)構(gòu)內(nèi)部卷積層和激活函數(shù)的順序，并且適當(dāng)增加卷積層數(shù)以更好擬合模型。

2.2.1 基于激活函數(shù)的改進(jìn)

經(jīng)典TCN模型中使用ReLU激活函數(shù)作為數(shù)據(jù)變換的依據(jù)，數(shù)據(jù)不免存在某些異常值，可使網(wǎng)絡(luò)神經(jīng)元“壞死”，導(dǎo)致網(wǎng)絡(luò)參數(shù)不正常更新，同時(shí)使跌倒數(shù)據(jù)中大量負(fù)數(shù)被強(qiáng)制為0，極大影響了有效跌倒特征的提取。ReLU函數(shù)圖像如圖3(a)所示，數(shù)學(xué)表達(dá)式如式(5)

圖3 激活函數(shù)

(5)

為此，本文提出了使用參數(shù)化修正線性單元PReLU(parametric rectified linear unit)和Leaky ReLU函數(shù)代替ReLU函數(shù)。PReLU函數(shù)和Leaky ReLU函數(shù)都是在負(fù)數(shù)區(qū)域帶有參數(shù)的激活函數(shù)，不會(huì)將所有負(fù)數(shù)強(qiáng)制為0，可以有效避免神經(jīng)元“壞死”現(xiàn)象。PReLU和Leaky ReLU的函數(shù)圖像如圖3(b)和圖3(c)所示，表達(dá)式如式(6)、式(7)所示

(6)

(7)

二者的區(qū)別在于所帶參數(shù)是否可學(xué)習(xí)。其中λ是可學(xué)習(xí)的參數(shù)，a是固定值。雖然每個(gè)PReLU只需要學(xué)習(xí)少量參數(shù)，但是改進(jìn)后的每個(gè)殘差結(jié)構(gòu)中包含3個(gè)激活函數(shù)，若將激活函數(shù)改進(jìn)為PReLU，經(jīng)過(guò)多層的網(wǎng)絡(luò)變換，則需要學(xué)習(xí)大量參數(shù)。因此本文選擇Leaky ReLU作為殘差結(jié)構(gòu)中激活函數(shù)。

2.2.2 基于全連接層的改進(jìn)

經(jīng)典TCN模型中使用全連接層進(jìn)行高度提純特征，傳入softmax分類(lèi)器進(jìn)行分類(lèi)。然而取消全連接層后并沒(méi)有影響模型性能，甚至在加上該層后導(dǎo)致模型參數(shù)量大大增加，產(chǎn)生模型過(guò)擬合現(xiàn)象，在測(cè)試集效果不佳。為此，本文使用全局平均池化層獲取全局信息并進(jìn)行壓縮，同時(shí)減少了全連接層的參數(shù)，大大降低過(guò)擬合現(xiàn)象的可能。全局平均池化層(global average pooling，GAP)在2013年被提出和應(yīng)用。GAP根據(jù)分類(lèi)任務(wù)的類(lèi)別數(shù)量控制輸出多少特征圖，通過(guò)對(duì)每個(gè)特征圖的數(shù)值求平均作為某個(gè)類(lèi)別的置信度，再使用softmax回歸分類(lèi)。

本文將在卷積層中進(jìn)行改進(jìn)以獲取足夠信息，結(jié)合GAP，對(duì)數(shù)據(jù)信息進(jìn)行提取、轉(zhuǎn)化和壓縮，通過(guò)調(diào)整數(shù)據(jù)格式達(dá)到期望輸出的維度，通過(guò)全局平均池化層完成對(duì)跌倒行為的分類(lèi)。改進(jìn)后TCN整體網(wǎng)絡(luò)框架如圖4所示。

圖4 網(wǎng)絡(luò)整體框架

2.2.3 基于殘差結(jié)構(gòu)的改進(jìn)

針對(duì)模型處于欠擬合和過(guò)擬合之間搖擺不定的狀況，本文提出對(duì)殘差結(jié)構(gòu)的改進(jìn)，其中考慮到測(cè)試設(shè)備為可穿戴式智能手機(jī)，因此應(yīng)適當(dāng)減少模型規(guī)模。具體改進(jìn)為：①在不增加參數(shù)的前提下，在殘差塊中設(shè)計(jì)兩次“第二”卷積層。②將殘差塊中“后激活”狀態(tài)改為“預(yù)激活”狀態(tài)。

一般地，TCN網(wǎng)絡(luò)有結(jié)構(gòu)簡(jiǎn)單的特點(diǎn)，需要深層網(wǎng)絡(luò)才能更好擬合模型。TCN使用殘差結(jié)構(gòu)將淺層特征和深層特征結(jié)合使用，在解決網(wǎng)絡(luò)退化問(wèn)題的同時(shí)更好的擬合模型。由于獲取跌倒檢測(cè)數(shù)據(jù)時(shí)具有一定的傷害性，作為模型訓(xùn)練的數(shù)據(jù)量有一定的局限性，使用復(fù)雜的網(wǎng)絡(luò)模型和層數(shù)過(guò)深的網(wǎng)絡(luò)結(jié)構(gòu)極易產(chǎn)生過(guò)擬合情況，即模型泛化能力弱的現(xiàn)象。

TCN網(wǎng)絡(luò)以?xún)蓪泳矸e作為殘差塊，那么每增加一層殘差結(jié)構(gòu)至少需要增加兩層網(wǎng)絡(luò)變換。當(dāng)需要使用奇數(shù)層卷積可以獲得更好模型效果時(shí)，選擇使用兩層殘差結(jié)構(gòu)的網(wǎng)絡(luò)只有欠擬合和過(guò)擬合兩種情況。因此，本文經(jīng)過(guò)實(shí)驗(yàn)分析，三層卷積在跌倒檢測(cè)模型中有更好的效果。

此外，本文在殘差結(jié)構(gòu)中采用“預(yù)激活”代替“后激活”。2016年提出了將“后激活”(先經(jīng)過(guò)卷積層提取特征，再經(jīng)過(guò)激活函數(shù)的操作被稱(chēng)為“后激活”)優(yōu)化為“預(yù)激活”(先設(shè)計(jì)激活函數(shù)，再經(jīng)過(guò)卷積層被稱(chēng)為“預(yù)激活”)，使用卷積層提取非線性變換后的行為數(shù)據(jù)，再通過(guò)恒等映射將淺層特征貫穿網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)的泛化能力。

殘差網(wǎng)絡(luò)改進(jìn)結(jié)構(gòu)如圖5所示。其中數(shù)據(jù)經(jīng)過(guò)兩條分支同時(shí)進(jìn)行，一條經(jīng)過(guò)①操作實(shí)現(xiàn)恒等映射，另一條經(jīng)過(guò)兩層卷積操作(操作②)后，重復(fù)進(jìn)行“第二卷積層”(操作③)，將兩條輸出(操作①與操作④的結(jié)果)激活作為殘差結(jié)構(gòu)的輸出。使用同樣的參數(shù)量，增加了一層網(wǎng)絡(luò)變換，提高了網(wǎng)絡(luò)擬合能力。

圖5 殘差結(jié)構(gòu)改進(jìn)

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法有效性，實(shí)驗(yàn)將從3個(gè)方面進(jìn)行論證。首先將改進(jìn)后的算法與已有算法進(jìn)行對(duì)比，驗(yàn)證改進(jìn)后算法在跌倒領(lǐng)域中識(shí)別的有效性，其次通過(guò)對(duì)比不同激活函數(shù)的效果，驗(yàn)證選擇Leaky ReLU函數(shù)的正確性，最后通過(guò)對(duì)比改進(jìn)前模型與改進(jìn)后模型的效果驗(yàn)證算法改進(jìn)的有效性，通過(guò)對(duì)比融合數(shù)據(jù)集與公開(kāi)數(shù)據(jù)集的效果驗(yàn)證數(shù)據(jù)的科學(xué)性。

3.1 數(shù)據(jù)集與數(shù)據(jù)處理

本文的數(shù)據(jù)集采用公共數(shù)據(jù)集MobiAct2.0和自制數(shù)據(jù)集結(jié)合使用。MobiAct2.0由66名志愿者佩戴智能手機(jī)采集了基于三軸加速度傳感器和陀螺儀的4種跌倒行為和11種日常行為數(shù)據(jù)，共包含3200條事件，本文選擇4種跌倒事件(向后跌倒BSC、向前跌倒膝蓋著地FKL、向前跌倒手扶地FOL、站立跌倒SDL)和5種日常事件(行走WAL、慢跑JOG、坐下SIT、上樓梯STU、下樓梯STN)，以4種跌倒行為為例，從平衡狀態(tài)到跌倒碰撞再到平躺狀態(tài)的信號(hào)波形圖如圖6所示。

圖6 4種跌倒行為波形圖

自制數(shù)據(jù)集由智能手機(jī)采集加速度傳感器和陀螺儀數(shù)據(jù)組成，為了與公共數(shù)據(jù)集相匹配，自制數(shù)據(jù)集的采樣頻率與公共數(shù)據(jù)一致。由于跌倒行為存在一定程度的傷害性，本文選擇5名年輕志愿者代替老人參與數(shù)據(jù)采集，在采集過(guò)程中智能手機(jī)放置于志愿者褲子口袋。為驗(yàn)證跌倒檢測(cè)算法的有效性，數(shù)據(jù)來(lái)源包含6部分，分別為行走、慢跑、坐下、上樓梯、下樓梯和跌倒。實(shí)驗(yàn)共采集600個(gè)樣本。融合數(shù)據(jù)集具體信息見(jiàn)表1。

表1 融合數(shù)據(jù)集信息

3.2 模型參數(shù)設(shè)計(jì)

實(shí)驗(yàn)中首先對(duì)單個(gè)樣本中大量采樣點(diǎn)進(jìn)行降采樣，得到200個(gè)采樣點(diǎn)，其次進(jìn)行標(biāo)準(zhǔn)化、歸一化操作。隨即輸入TCN網(wǎng)絡(luò)端，即一維數(shù)據(jù)的輸入格式為1×200×6。通過(guò)實(shí)驗(yàn)結(jié)果得出，當(dāng)卷積核大小為6，4層殘差時(shí)實(shí)驗(yàn)效果最好。

在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，使用Adam優(yōu)化器進(jìn)行優(yōu)化，使用交叉熵?fù)p失函數(shù)進(jìn)行評(píng)估。網(wǎng)絡(luò)設(shè)置了樣本批量大小設(shè)置為128，以學(xué)習(xí)率為0.005進(jìn)行訓(xùn)練。

3.3 與已有算法間的對(duì)比分析

目前在深度學(xué)習(xí)領(lǐng)域中解決時(shí)序問(wèn)題的模型基本以LSTM模型為基線模型，因此為了驗(yàn)證本文算法在跌倒檢測(cè)領(lǐng)域的有效性，本實(shí)驗(yàn)使用改進(jìn)的殘差結(jié)構(gòu)、Leaky ReLU激活函數(shù)和全局平均池化的優(yōu)化操作，在相同數(shù)據(jù)集的基礎(chǔ)上對(duì)比了其它使用LSTM基線模型的文獻(xiàn)的算法。模型對(duì)比實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表2。其中LSTM算法以MobiAct數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以自制數(shù)據(jù)集作為測(cè)試數(shù)據(jù)，選取腰部和腕部融合的組合時(shí)達(dá)到最高準(zhǔn)確率95.8%。CNN-LSTM算法以MobiAct數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，最終達(dá)到96.75%準(zhǔn)確率。本文算法通過(guò)融合數(shù)據(jù)集可達(dá)99.43%精度。

表2 模型對(duì)比

3.4 不同激活函數(shù)間的對(duì)比

為了驗(yàn)證不同激活函數(shù)對(duì)TCN模型的影響，實(shí)驗(yàn)使用最原始的模型參數(shù)，控制只有一個(gè)激活函數(shù)一個(gè)變量進(jìn)行實(shí)驗(yàn)。為了選擇合適的激活函數(shù)在網(wǎng)絡(luò)中做線性變換，本文選擇非飽和函數(shù)ReLU、PReLU和Leaky ReLU進(jìn)行對(duì)比。使用不同激活函數(shù)對(duì)損失的影響如圖7所示。

圖7 不同激活函數(shù)對(duì)損失的影響

由圖7可知，ReLU收斂最慢，Leaky ReLU其次，PReLU效果最好，收斂最快，但三者都相差不多。經(jīng)過(guò)實(shí)驗(yàn)證明，使用ReLU和Leaky ReLU函數(shù)時(shí)，網(wǎng)絡(luò)可學(xué)習(xí)參數(shù)為1296個(gè)，但使用PReLU，可學(xué)習(xí)參數(shù)高達(dá)15 696個(gè)。因此，本文選擇使用Leaky ReLU激活函數(shù)改進(jìn)網(wǎng)絡(luò)。

3.5 原模型與改進(jìn)模型對(duì)比

為了驗(yàn)證改進(jìn)后算法的有效性，本文以TCN網(wǎng)絡(luò)模型為基礎(chǔ)，以改進(jìn)殘差結(jié)構(gòu)、激活函數(shù)和全局平均池化操作為優(yōu)化操作，以此組合做算法性能比較。以準(zhǔn)確率Acc、精準(zhǔn)率Pre、召回率Recall、F1值和ROC圖像作為算法好壞的評(píng)估標(biāo)準(zhǔn)。方案如下：

(1)原始TCN算法；

(2)改進(jìn)殘差結(jié)構(gòu)的TCN算法；

(3)改進(jìn)殘差結(jié)構(gòu)和激活函數(shù)的TCN算法；

(4)改進(jìn)殘差結(jié)構(gòu)、激活函數(shù)和全局平均池化的TCN算法。

經(jīng)過(guò)實(shí)驗(yàn)，4種方案對(duì)比數(shù)據(jù)見(jiàn)表3。通過(guò)對(duì)比表中數(shù)據(jù)可以得出結(jié)論：方案1直接使用TCN算法性能最低；方案2和方案3在TCN基礎(chǔ)上加入殘差結(jié)構(gòu)和激活函數(shù)的優(yōu)化，算法準(zhǔn)確率分別提高了9.65%和8.8%；方案4在此基礎(chǔ)上又加入了全局平均池化層，準(zhǔn)確率達(dá)到了99.43%，與方案1對(duì)比提升了10.51%。通過(guò)數(shù)據(jù)對(duì)比發(fā)現(xiàn)，精準(zhǔn)率和F1指標(biāo)也有所提升。通過(guò)改進(jìn)前模型與改進(jìn)后模型性能對(duì)比，可以發(fā)現(xiàn)經(jīng)過(guò)改進(jìn)，模型ROC下面積AUC提高了0.0962，ROC對(duì)比如圖8所示，改進(jìn)后模型損失遠(yuǎn)小于改進(jìn)前模型訓(xùn)練損失，損失對(duì)比如圖9所示。

表3 4種方案對(duì)比

圖8 改進(jìn)前后模型ROC對(duì)比

圖9 改進(jìn)前后損失對(duì)比

3.6 算法在不同數(shù)據(jù)集間的對(duì)比

為了驗(yàn)證融合數(shù)據(jù)集的正確性，將公開(kāi)數(shù)據(jù)集和融合數(shù)據(jù)集分別在改進(jìn)后模型上訓(xùn)練，實(shí)驗(yàn)結(jié)果見(jiàn)表4。由表4數(shù)據(jù)可知，公開(kāi)數(shù)據(jù)集和融合數(shù)據(jù)集在改進(jìn)模型上的效果相似，可以驗(yàn)證融合后數(shù)據(jù)集的正確性。訓(xùn)練損失圖像如圖10所示。

表4 數(shù)據(jù)集對(duì)比

圖10 不同數(shù)據(jù)集對(duì)損失函數(shù)的影響

4 結(jié)束語(yǔ)

為準(zhǔn)確檢測(cè)老人跌倒?fàn)顩r，本文提出了基于改進(jìn)TCN網(wǎng)絡(luò)的跌倒檢測(cè)算法。本研究對(duì)該網(wǎng)絡(luò)進(jìn)行了3處改進(jìn)：基于激活函數(shù)的改進(jìn)、基于全連接層的改進(jìn)和基于殘差結(jié)構(gòu)的改進(jìn)。該算法通過(guò)將淺層特征與深層特征融合，達(dá)到特征復(fù)用的效果。為了驗(yàn)證模型的泛化效果，本文將自制數(shù)據(jù)集與公開(kāi)數(shù)據(jù)集融合作為模型訓(xùn)練的數(shù)據(jù)。對(duì)比了改進(jìn)前后的模型效果，實(shí)驗(yàn)結(jié)果分析可知所提算法可以將人體日常行為中行走、慢跑、坐下、上下樓梯與跌倒行為準(zhǔn)確區(qū)分，基于改進(jìn)TCN模型檢測(cè)的準(zhǔn)確率可達(dá)99.43%，檢測(cè)精確率和召回率均達(dá)到0.99。