呂非非 魯衛(wèi)華 崔震

基金項(xiàng)目：2017年度北京市重點(diǎn)研發(fā)項(xiàng)目（D17110600820000）

第一作者簡(jiǎn)介：呂非非（1987-），女，碩士。研究方向?yàn)橹腔垧B(yǎng)老。

DOI：10.19981/j.CN23-1581/G3.2024.13.015

摘? 要：為檢測(cè)失智老人的徘徊行為，實(shí)現(xiàn)智能看護(hù)，該文提出基于超寬帶（Ultra Wide Band，UWB）運(yùn)動(dòng)軌跡的兩階段多粒度室內(nèi)徘徊行為模式檢測(cè)算法框架。該算法框架第一階段對(duì)老人的運(yùn)動(dòng)軌跡進(jìn)行初篩，判定是否為徘徊行為，第二階段對(duì)徘徊的模式進(jìn)行細(xì)粒度分類，確定是哪種具體的徘徊模式（環(huán)形、往返、環(huán)形-往返、環(huán)形-往返-環(huán)形）。對(duì)2階段分別進(jìn)行對(duì)比實(shí)驗(yàn)，第一階段對(duì)比1D-CNN、LSTM、LR算法，1D-CNN算法效果最好，精確率96.1%，召回率94.3%；第二階段對(duì)比LR算法、XGBoost、LightGBM和2D-CNN算法，XGBoost算法效果最好，平均準(zhǔn)確率97.24%，平均召回率97.18%。實(shí)驗(yàn)結(jié)果表明，該文提出的徘徊檢測(cè)算法框架能夠?qū)κе抢先说呐腔残袨檫M(jìn)行有效的識(shí)別。

關(guān)鍵詞：徘徊行為；UWB軌跡；CNN；XGBoost；失智老人

中圖分類號(hào)：TP391.4? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號(hào)：2095-2945（2024）13-0060-04

Abstract： In order to detect the wandering behavior of the elderly people with dementia and realize intelligent nursing， a two-stage multi-granularity indoor wandering behavior pattern detection algorithm framework based on UWB （Ultra Wide Band） motion trajectory is proposed. In the first stage of the algorithm framework， the motion trajectory of the elderly is screened to determine whether it is wandering behavior， and in the second stage， fine-grained classification is carried out to determine which specific wandering mode （ring， round-trip， ring-round， and ring-round-round）. Comparing the two stages， in the first stage， comparing 1D-CNN， LSTM and LR algorithms， 1D-CNN is the best， with an accuracy of 96.1% and a recall rate of 94.3%. In the second stage， compared with LR， XGBoost， LightGBM， and 2D-CNN algorithms， XGBoost has the best effect， with a Macro-Precision of 97.24% and a Macro-Recall rate of 97.18%. The experimental results show that the proposed wandering detection algorithm framework can effectively identify the wandering behavior of the elderly people with dementia.

Keywords： wandering behavior; UWB trajectory; CNN; XGBoost; elderly people with dementia

徘徊行為是阿爾茨海默病患者最難以管理的精神行為癥狀之一，癡呆患者5年臨床記錄研究[1]發(fā)現(xiàn)徘徊是最早的癥狀，徘徊行為嚴(yán)重影響老年人的身心健康和生活質(zhì)量，不僅給患者、家庭帶來極大的痛苦與折磨，也給照護(hù)者帶來了極大的挑戰(zhàn)。因此，通過技術(shù)手段，自動(dòng)識(shí)別徘徊行為，實(shí)時(shí)監(jiān)測(cè)徘徊行為，對(duì)提高失智患者的生活質(zhì)量，減輕照護(hù)負(fù)擔(dān)等方面意義重大。

Abdulrahman等[2]將徘徊行為看作一種異常行為，提出了一種時(shí)空卷積神經(jīng)網(wǎng)絡(luò)，利用GPS記錄老人的運(yùn)動(dòng)軌跡，對(duì)歷史軌跡進(jìn)行卷積，預(yù)測(cè)老年人下一時(shí)刻將訪問的地點(diǎn)。Lin等[3]通過搜索運(yùn)動(dòng)方向的急劇變化及他們的GPS軌跡來確定認(rèn)知障礙患者是否在徘徊。Khaertdinov等[4]通過使用機(jī)器學(xué)習(xí)方法骨骼軌跡分析，建立分類任務(wù)，對(duì)室內(nèi)徘徊行為進(jìn)行識(shí)別。Munkhjargal等[5]提出在家中使用紅外運(yùn)動(dòng)傳感器來檢測(cè)癡呆患者的徘徊行為。Elham等[6]提出了一種協(xié)作學(xué)習(xí)方法，通過對(duì)比健康人與認(rèn)知障礙患者的循環(huán)行為數(shù)據(jù)，來學(xué)習(xí)和檢測(cè)智能家居中的徘徊行為。

在養(yǎng)老院失智樓層對(duì)失智老人的UWB軌跡進(jìn)行連續(xù)采集和觀測(cè)，對(duì)軌跡模式進(jìn)行評(píng)估，觀察到4種徘徊模式，分別為環(huán)形模式、往返模式、環(huán)形-往返模式和環(huán)形-往返-環(huán)形模式。本文提出了基于UWB運(yùn)動(dòng)軌跡的兩階段多粒度室內(nèi)徘徊行為模式識(shí)別算法框架，用于識(shí)別這4種模式。主要貢獻(xiàn)如下所述。

第一，使用失智老年患者的UWB軌跡，確定了4種徘徊模式及失智老人室內(nèi)徘徊識(shí)別問題。

第二，提出了一種徘徊識(shí)別算法框架，將徘徊行為識(shí)別，劃分為2個(gè)階段，第一階段判定老人的運(yùn)動(dòng)軌跡是否為徘徊，第二階段對(duì)徘徊軌跡進(jìn)行細(xì)粒度分類。

第三，在一組真實(shí)的數(shù)據(jù)集上分別評(píng)估了算法2個(gè)階段的效果，實(shí)驗(yàn)表明，2個(gè)階段均獲得了較高的準(zhǔn)確率和召回率。

1? 方法

1.1? 徘徊模式

本文使用UWB室內(nèi)定位技術(shù)，采集養(yǎng)老機(jī)構(gòu)失智老人運(yùn)動(dòng)軌跡數(shù)據(jù)，通過觀察失智老人徘徊軌跡情況并結(jié)合建筑設(shè)計(jì)需求，提出4種徘徊模式，包括環(huán)形模式、往返模式、環(huán)形-往返模式和環(huán)形-往返-環(huán)形模式。

1.2? 模型概述

為了對(duì)上述4種徘徊模式進(jìn)行識(shí)別，本文提出了基于UWB運(yùn)動(dòng)軌跡的兩階段多粒度室內(nèi)徘徊行為模式識(shí)別算法框架，整體結(jié)構(gòu)圖如圖1所示。首先，對(duì)采集的軌跡數(shù)據(jù)進(jìn)行預(yù)處理和特征抽?。黄浯?，使用軌跡的運(yùn)動(dòng)特征進(jìn)行第一階段徘徊初篩模型訓(xùn)練和評(píng)估，通過對(duì)比，LR邏輯回歸算法、一維卷積神經(jīng)網(wǎng)絡(luò)（1D Convolutional Neural Network，1D-CNN）、長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）3種方法，選擇效果最優(yōu)方法。對(duì)判定徘徊的運(yùn)動(dòng)軌跡進(jìn)行第二個(gè)階段徘徊，即進(jìn)行細(xì)粒度分類，通過對(duì)比二維卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（2D Convolutional Neural Network，2D-CNN）、極致梯度提升樹（eXtreme Gradient Boosting，XGBoost）、LightGBM（Light Gradient Boosting Machine）和LR邏輯回歸算法4種方法，選擇效果最優(yōu)的方法。

1.3? UWB軌跡預(yù)處理

原始室內(nèi)定位軌跡數(shù)據(jù)具有采樣不規(guī)則、異常點(diǎn)多、離群點(diǎn)多等特點(diǎn)，針對(duì)這些特點(diǎn)對(duì)UWB軌跡進(jìn)行預(yù)處理。

1.3.1? 重采樣

UWB軌跡的時(shí)間采樣為210～220 ms不規(guī)則采樣，導(dǎo)致多人行為的時(shí)間無法對(duì)齊，不利于后續(xù)數(shù)據(jù)處理，因此，采用插值方式進(jìn)行1 s重采樣，在不影響識(shí)別精度的前提下，減小了計(jì)算量。

1.3.2? 異常點(diǎn)及離群點(diǎn)剔除

由于網(wǎng)絡(luò)延遲、數(shù)據(jù)丟包等原因，原始室內(nèi)軌跡點(diǎn)有較多的Null異?？罩导半x群點(diǎn)位，因此，本文開發(fā)了基于速度的啟發(fā)式異常點(diǎn)和噪聲點(diǎn)檢測(cè)和消除方法，基本步驟如下：第一步，根據(jù)老人的軌跡粗略地計(jì)算每個(gè)老人的運(yùn)動(dòng)速度，確定速度最大值；第二步，計(jì)算一個(gè)點(diǎn)到下一個(gè)鄰近點(diǎn)的速度，如果速度超過閾值，則判定為異常點(diǎn)。

1.4? 特征抽取

本文根據(jù)軌跡的運(yùn)動(dòng)特征及形態(tài)特征對(duì)軌跡進(jìn)行分類，其中運(yùn)動(dòng)特征側(cè)重于判定軌跡是否為徘徊，形態(tài)特征側(cè)重于判定軌跡的類別。

1.4.1? 運(yùn)動(dòng)特征

運(yùn)動(dòng)特征是指軌跡運(yùn)動(dòng)狀態(tài)的特征。室內(nèi)定位老人行為軌跡可表示為一個(gè)點(diǎn)序列trj=，Pi為第i個(gè)點(diǎn)，表示為（xi，yi，ti），其中，xi為第i個(gè)點(diǎn)的橫坐標(biāo)，yi為縱坐標(biāo)，ti為第i個(gè)點(diǎn)的時(shí)間戳。利用下列公式可以計(jì)算出速度vi、加速度ai、曲率si。曲率（sinuosity）為兩點(diǎn)之間的移動(dòng)距離與兩點(diǎn)之間的直線距離之比，可揭示路徑的彎曲度。

，

式中：dist（Pi，Pi+1）為Pi和Pi+1之間的歐式距離；？駐t為i+1時(shí)刻和i時(shí)刻的時(shí)間間隔。

上述運(yùn)動(dòng)特征僅能指示當(dāng)前的運(yùn)動(dòng)狀態(tài)，針對(duì)徘徊行為的各種行為指示能力較差。因此，引入方向和轉(zhuǎn)角定義。方向是連續(xù)采樣點(diǎn)之間的移動(dòng)方向，其用方向和基本方向（如北）之間的夾角來表示；轉(zhuǎn)角可通過計(jì)算連續(xù)方向之間的差異而得到。

turnAngi=|directi+1-directi|，

式中：direct為方向；turnAng為轉(zhuǎn)角。

1.4.2? 形態(tài)特征

由于老人行動(dòng)通常較為緩慢，只根據(jù)基于速度及運(yùn)動(dòng)距離的行為識(shí)別方法會(huì)造成誤檢，因此，引入了軌跡掃描網(wǎng)格化分析方法，即用b×b大小的網(wǎng)格分割目標(biāo)軌跡。網(wǎng)格的大小會(huì)影響系統(tǒng)有效方格的統(tǒng)計(jì)量結(jié)果，b值確定需要對(duì)目標(biāo)活動(dòng)范圍進(jìn)行合理設(shè)置。網(wǎng)格以坐標(biāo)形式表示，每個(gè)網(wǎng)格用坐標(biāo)（u，v）標(biāo)記，將軌跡上的點(diǎn)（x，y）映射到網(wǎng)格的轉(zhuǎn)換公式為

u=x/b，v=y/b。

利用網(wǎng)格化后的形態(tài)特征包括：nu，v表示落入網(wǎng)格（u，v）的軌跡點(diǎn)數(shù)量，體現(xiàn)了軌跡的重疊程度；nvalid表示nu，v>0的網(wǎng)格數(shù)，即有效網(wǎng)格數(shù)；nu，v>i表示有效網(wǎng)格中計(jì)數(shù)大于i的網(wǎng)格數(shù)，其中i=1，2，3，強(qiáng)調(diào)重疊程度較高軌跡情況，確定目標(biāo)可疑徘徊區(qū)域；s為軌跡的近似面積，該特征可以估計(jì)整體占比大??；ncenter表示中心點(diǎn)附近3×3區(qū)域內(nèi)非有效網(wǎng)格數(shù)量，該特征用于判斷軌跡形狀；l表示軌跡總長(zhǎng)。

1.5? 軌跡初篩模型

初篩模型主要研究軌跡徘徊運(yùn)動(dòng)狀態(tài)，因此利用運(yùn)動(dòng)特征進(jìn)行判定老人是否在徘徊，對(duì)應(yīng)的時(shí)序特征分類模型比較典型的有HMM、CRF、LSTM、1D-CNN，本文采用LSTM與1D-CNN模型進(jìn)行研究。由于1D-CNN和LSTM輸入數(shù)據(jù)必須是固定長(zhǎng)度的序列，因此，將軌跡切分成固定軌跡片段，這里設(shè)定為150 s，選用速度vi、加速度ai、曲率si、方向directi和轉(zhuǎn)角turnAngi 5種特征作為輸入。

1.5.1? 1D-CNN

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種前饋型神經(jīng)網(wǎng)絡(luò)，除輸入層、輸出層之外主要包含卷積層和池化層，其特殊的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，通過卷積獲得了圖像的特征之后可以直接根據(jù)這些特征訓(xùn)練分類器，在卷積層后面加入池化層來縮小特征圖譜矩陣，減少計(jì)算量，同時(shí)增強(qiáng)了對(duì)特征識(shí)別的抗干擾能力，比如圖片的變形和扭曲。CNN通過局部連接、權(quán)值共享和池化很大程度上降低了網(wǎng)絡(luò)的復(fù)雜度。

對(duì)于多特征軌跡，視為多通道一維數(shù)據(jù)，因此，本文利用一維卷積作為卷積層來提取軌跡信號(hào)特征，即1D-CNN模型，輸入維5×150，表示150 s內(nèi)的速度、加速度、曲率、方向和轉(zhuǎn)角5個(gè)通道的特征向量。一維卷積實(shí)際提取的是時(shí)間軸上的短期特征，能比較好地反映時(shí)間序列的局部相關(guān)特征。

1.5.2? LSTM

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)。LSTM與標(biāo)準(zhǔn)RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）的區(qū)別在于其通過引入門機(jī)制（gated mechanism）和記憶單元（memory cell），克服了傳統(tǒng)RNN存在梯度消失和梯度爆炸的缺陷，在提取序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系方面表現(xiàn)更好，因此，LSTM適合應(yīng)用于具有時(shí)序特性的軌跡信號(hào)。

本文設(shè)計(jì)的徘徊行為L(zhǎng)STM模型，輸入層的維度是即求得的150 s內(nèi)速度、加速度、曲率、方向和轉(zhuǎn)角特征向量，通過幾個(gè)LSTM層提取時(shí)序特征，將其融合分類層輸出分類結(jié)果（徘徊/非徘徊）。

1.6? 軌跡分類模型

將軌跡初篩模型得到的軌跡作為輸入，進(jìn)行軌跡的細(xì)粒度分類，更多考慮的是軌跡形態(tài)。失智老人徘徊行為軌跡形態(tài)各異，但結(jié)合養(yǎng)老機(jī)構(gòu)現(xiàn)有失智老人徘徊行為情況及建筑設(shè)計(jì)需求，本文主要研究4種徘徊模式，包括橢圓軌跡、往返軌跡、橢圓-往返和橢圓-往返-橢圓的軌跡。軌跡分類模型利用軌跡形態(tài)特征（如1.4.2節(jié)所述）進(jìn)行訓(xùn)練，挖掘不同徘徊軌跡之間的形態(tài)差異。

軌跡分類是典型的多分類問題，常用的方法包括單一學(xué)習(xí)方法、集成學(xué)習(xí)方法、深度學(xué)習(xí)方法。本研究中單一學(xué)習(xí)方法采用LR邏輯回歸算法，集成學(xué)習(xí)方法采用LightGBM算法與XGBoost算法，深度學(xué)習(xí)方法采用2D-CNN算法。

2? 數(shù)據(jù)集和實(shí)驗(yàn)效果

2.1? 數(shù)據(jù)集

采集到的運(yùn)動(dòng)軌跡包含老人的運(yùn)動(dòng)狀態(tài)和非運(yùn)動(dòng)狀態(tài)，比較老人運(yùn)動(dòng)時(shí)的速度與非運(yùn)動(dòng)時(shí)的速度，可以通過速度約束識(shí)別駐留行為，同時(shí)加入時(shí)間段約束刪除短時(shí)間停留。根據(jù)方差分析確定閾值為ε=0.3 m/s，ρ=10 s，當(dāng)ΔT>ρ∩v<ε時(shí)判定為非運(yùn)動(dòng)行為，對(duì)應(yīng)的時(shí)間為非運(yùn)動(dòng)時(shí)間區(qū)間。按照非運(yùn)動(dòng)區(qū)間將軌跡進(jìn)行切分，并去除非運(yùn)動(dòng)軌跡。

對(duì)運(yùn)動(dòng)軌跡數(shù)據(jù)進(jìn)行人工標(biāo)注，劃分?jǐn)?shù)據(jù)集為訓(xùn)練集和測(cè)試集，比例為4∶1，見表1。然后，對(duì)數(shù)據(jù)進(jìn)行1.3節(jié)所描述的預(yù)處理和1.4節(jié)描述的特征抽取，最后切分成等長(zhǎng)數(shù)據(jù)進(jìn)行訓(xùn)練，最終的數(shù)據(jù)集見表1。

表1? 徘徊模式數(shù)據(jù)集

2.2? 評(píng)估指標(biāo)

評(píng)估指標(biāo)主要包括：準(zhǔn)確率、召回率、F1評(píng)分等，具體評(píng)估指標(biāo)如下所示。

Precision=■，

Recall=■，

Macro-Precision=■，

Macro-Recall=■，

式中：TP為真正類；FN為假負(fù)類；FP為假正類。

2.3? 實(shí)驗(yàn)結(jié)果

徘徊軌跡初篩模型效果見表2，LSTM和1D-CNN的精確率和召回率都超過了90%，遠(yuǎn)遠(yuǎn)超出基線模型LR的結(jié)果。1D-CNN的效果最好，召回率比LSTM高出近4%，因此，選1D-CNN為最終的軌跡初篩模型。徘徊軌跡分類模型分類效果見表3，XGBoost的效果最好，平均精確率和平均召回率均超過97%，比LightGBM高出近1%，比2D-CNN高出近2%。

表2? 徘徊軌跡初篩模型效果對(duì)比

表3? 徘徊軌跡分類模型效果對(duì)比

3? 結(jié)束語

為了識(shí)別失智老人徘徊行為，本文提出了基于運(yùn)動(dòng)軌跡的兩階段多粒度徘徊行為模式檢測(cè)算法框架，該方法基于UWB運(yùn)動(dòng)軌跡，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法，將老人的徘徊行為模式監(jiān)測(cè)分為2層不同粒度的分類方法，先對(duì)老人是否徘徊做二分類，通過對(duì)比實(shí)驗(yàn)，篩選出分類效果最優(yōu)的1D-CNN算法，然后對(duì)老人具體的徘徊模式進(jìn)行細(xì)粒度分類，同樣篩選出在分類效果上最優(yōu)的算法XGBoost。實(shí)驗(yàn)結(jié)果表明本文所提出的方法框架及篩選的算法在老年人徘徊行為檢測(cè)上表現(xiàn)出了不錯(cuò)的性能。

參考文獻(xiàn)：

[1] RAMAKERS I H G B， VISSER P J， AALTEN P， et al. Symptoms of preclinical dementia in general practice up to five years before dementia diagnosis[J]. Dementia and geriatric cognitive disorders， 2007，24（4）：300-306.

[2] ABDULRAHMAN M A， ANTONI B M. SafeMove： monitoring seniors with mild cognitive impairments using deep learning and location prediction[J].Neural Computing and Applications， 2022，34（19）：16785-16803.

[3] LIN Q， ZHANG D， HUANG X， et al. Detecting wandering behavior based on GPS traces for elders with dementia[C]//2012 12th International Conference on Control Automation Robotics & Vision （ICARCV）. IEEE， 2012：672-677.

[4] KHAERTDINOV B， SEMERCI Y C， ASTERIADIS S. Dementia wandering recognition using classical machine learning and deep learning techniques with skeletal trajectories[C]//The 14th PErvasive Technologies Related to Assistive Environments Conference，2021：446-452.

[5] MUNKHJARGAL G， HSU T T， VIJAYALAKSHMI V， et al.Device-Free Non-Privacy Invasive Classification of Elderly Travel Patterns in A Smart House Using PIR Sensors and DCNN[J].IEEE Sensors Journal，2017，18（1）：390-400.

[6] ELHAM K， DANIELE R. Collaborative trajectory mining in smart-homes to support early diagnosis of cognitive decline[J]. IEEE Transactions on Emerging Topics in Computing，2021，9（3）：1194-1205.