基于足底壓力信息的跌倒姿態(tài)聚類識(shí)別方法*

陳洪波，高　青，馮　濤，朱振朋，劉　喻

(桂林電子科技大學(xué) 生命與環(huán)境科學(xué)學(xué)院，廣西 桂林 541004)

基于足底壓力信息的跌倒姿態(tài)聚類識(shí)別方法*

陳洪波，高青，馮濤，朱振朋，劉喻

(桂林電子科技大學(xué) 生命與環(huán)境科學(xué)學(xué)院，廣西 桂林 541004)

為了進(jìn)一步提高基于足底壓力傳感器的老年跌倒檢測系統(tǒng)的識(shí)別率，以及準(zhǔn)確地判斷人體跌倒方向，提出了利用自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）和足底壓力傳感信息對人體動(dòng)作進(jìn)行聚類分析的方法。為了驗(yàn)證SOM方法的識(shí)別效果，采取包含跌倒在內(nèi)的13類常見動(dòng)作的130個(gè)樣本對訓(xùn)練好的SOM網(wǎng)絡(luò)進(jìn)行測試。測試結(jié)果表明，系統(tǒng)靈敏度、特異度及準(zhǔn)確度分別為92.5%、93.3%、93.1%，其結(jié)果均優(yōu)于常用的閾值法。綜上，SOM方法對人體跌倒姿態(tài)識(shí)別具有較高的可靠性和準(zhǔn)確度。

自組織映射神經(jīng)網(wǎng)絡(luò)；聚類分析；足底壓力傳感信息；人體跌倒姿態(tài)識(shí)別

0　引言

隨著我國人口老齡化形勢逐漸嚴(yán)峻，老年人的健康安全監(jiān)護(hù)問題成為社會(huì)關(guān)注的焦點(diǎn)。跌倒在老年人群中的發(fā)生率非常高，會(huì)造成老年人傷殘甚至死亡，嚴(yán)重影響老年人的健康及生活自理能力[1]。跌倒檢測系統(tǒng)能夠及時(shí)地為跌倒者報(bào)警求助，從而降低跌倒所帶來的危害。

目前，基于足底壓力傳感器的跌倒方法是老年人跌倒監(jiān)測系統(tǒng)的主流方法[2-4]之一，此類系統(tǒng)比較常用的跌倒識(shí)別算法是閾值法[4-5]。該方法依據(jù)足底壓力變化的幅度來判斷人體是否跌倒，判斷跌倒的閾值主要是根據(jù)多次實(shí)驗(yàn)結(jié)果總結(jié)得出。其優(yōu)點(diǎn)是算法簡單，較易實(shí)現(xiàn)；其主要缺點(diǎn)是在不同的場景下，閾值的選擇存在一定的難度，導(dǎo)致系統(tǒng)的誤判率比較高。另一方面，人體跌倒方向信息與跌倒后的健康狀況也可能存在一定關(guān)聯(lián)，而該方法在實(shí)際監(jiān)測過程中無法得到跌倒的方向信息。

自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)作為一種競爭式無監(jiān)督學(xué)習(xí)方法[6]，具有強(qiáng)大的特征提取的功能，它已經(jīng)應(yīng)用到模式識(shí)別等領(lǐng)域[7-9]。本文提出利用 SOM神經(jīng)網(wǎng)絡(luò)對人體足底壓力信息進(jìn)行聚類分析，以提高跌倒監(jiān)測系統(tǒng)的識(shí)別率，同時(shí)得到人體跌倒的方向信息。

1　SOM神經(jīng)網(wǎng)絡(luò)模型

SOM 自組織神經(jīng)網(wǎng)絡(luò)[10-11]可自行揭示事物的內(nèi)在規(guī)律，將同類事物聚類于同一特征空間區(qū)域，而將不同類對象聚類于不同的特征空間區(qū)域，從而實(shí)現(xiàn)對事物的正確歸類。

典型SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由輸入層和競爭層組成。輸入層神經(jīng)元個(gè)數(shù)為m，競爭層由a×b個(gè)神經(jīng)元組成的二維平面陣列，輸入層與競爭層各神經(jīng)元之間實(shí)現(xiàn)全連接，競爭層各神經(jīng)元之間實(shí)行側(cè)抑制連接。樣本數(shù)據(jù)輸入后，經(jīng)兩層之間連接權(quán)加權(quán)后，在輸出層得到一個(gè)輸出值集合。

圖1　SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

SOM網(wǎng)絡(luò)的一個(gè)典型特征就是可以在一維或者二維的處理單元陣列上，形成輸入信號(hào)的特征拓?fù)浞植?，因此SOM網(wǎng)絡(luò)具有抽取輸入信號(hào)模式特征的能力。訓(xùn)練SOM網(wǎng)絡(luò)的步驟為：

(1)網(wǎng)絡(luò)初始化。用隨機(jī)數(shù)設(shè)定輸入層和競爭層之間權(quán)值的初始值。

(2)計(jì)算獲勝神經(jīng)元。隨機(jī)抽取一個(gè)訓(xùn)練樣本，計(jì)算獲勝神經(jīng)元。

(3)權(quán)值更新。對獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元進(jìn)行權(quán)值更新。

(4)學(xué)習(xí)速率及鄰域更新。獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元權(quán)值更新完成后，在進(jìn)入下一次迭代前，需要更新學(xué)習(xí)速率及鄰域。

(5)迭代結(jié)束判斷。若樣本沒有學(xué)習(xí)完，則再另外隨機(jī)抽取一個(gè)訓(xùn)練樣本，返回步驟(2)；否則，迭代結(jié)束。

由于輸出層各節(jié)點(diǎn)互相激勵(lì)學(xué)習(xí)，訓(xùn)練后的臨近節(jié)點(diǎn)具有相似的權(quán)值，因此SOM網(wǎng)絡(luò)輸出節(jié)點(diǎn)的空間位置體現(xiàn)了輸入樣本的內(nèi)在聯(lián)系，即具有相似屬性的輸入會(huì)映射在臨近的SOM輸出節(jié)點(diǎn)上[9]。

2　數(shù)據(jù)采集

考慮到跌倒實(shí)驗(yàn)存在一定的危險(xiǎn)，由5位身體素質(zhì)良好的年輕人模擬老年人的跌倒動(dòng)作和日常動(dòng)作，并以100 Hz采樣頻率采集人體足底壓力數(shù)據(jù)。將壓力采集模塊嵌入于鞋墊放入鞋內(nèi)，利用嵌入在鞋墊的前腳掌中部和后腳跟中部的4個(gè)壓敏電阻器，分別采集左足前腳掌、左足后腳跟、右足前腳掌、右足后腳跟的壓力數(shù)據(jù)，足底壓力傳感器安放示意圖如圖2所示。跌倒動(dòng)作包括前向跌倒、后向跌倒、左側(cè)跌倒、右側(cè)跌倒4種類型。非跌倒動(dòng)作指人體日常行為動(dòng)作，包括上樓、下樓、平地行走、起立、坐下、前彎腰、跳、跑、蹲下等九種典型動(dòng)作。

圖2　足底壓力傳感器安放示意圖

上述13類動(dòng)作，由于每個(gè)動(dòng)作發(fā)生過程都有一個(gè)時(shí)間段，所以用一定大小的時(shí)間(5 s)窗口截取窗口內(nèi)的時(shí)間序列，該時(shí)間序列要包含該動(dòng)作區(qū)別于其他動(dòng)作的所有特征點(diǎn)。截取到的時(shí)間序列構(gòu)成該動(dòng)作的特征樣本，每一類動(dòng)作對應(yīng)20個(gè)特征樣本，13類動(dòng)作共260個(gè)特征樣本。

在特征樣本集中隨機(jī)選取各類動(dòng)作的10個(gè)特征樣本作為訓(xùn)練集，樣本數(shù)為 130，剩余的作為測試集，樣本數(shù)也為130。

3　數(shù)據(jù)處理

利用訓(xùn)練集對SOM自組織映射神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到用于跌倒識(shí)別的SOM分類模型，然后利用測試集對SOM模型分類器進(jìn)行測試，驗(yàn)證模型的跌倒識(shí)別效果。

將訓(xùn)練集作為輸入樣本，輸入給SOM網(wǎng)絡(luò)的輸入層。由于訓(xùn)練集和測試集特征樣本數(shù)均為130，因此輸入神經(jīng)元個(gè)數(shù)m=130。為了取得較好的可視化效果，通常取SOM網(wǎng)絡(luò)輸出層的節(jié)點(diǎn)個(gè)數(shù)略大于輸入樣本個(gè)數(shù)(訓(xùn)練集和測試集樣本數(shù)均為130)，因此，定義SOM輸出節(jié)點(diǎn)數(shù)為14×13。SOM網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置如表1所示。

表1　SOM網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置

4　跌倒識(shí)別聚類結(jié)果及分析

4.1聚類結(jié)果

通過SOM網(wǎng)絡(luò)的訓(xùn)練，同類動(dòng)作樣本在輸出平面上聚在一起，不同類動(dòng)作樣本可以很容易地被分開，實(shí)現(xiàn)了特征的有序分布，并得到聚類結(jié)果的可視化效果。圖3為訓(xùn)練集樣本在競爭層的輸出結(jié)果圖，SOM網(wǎng)絡(luò)通過訓(xùn)練將同一類樣本動(dòng)作分到了同一個(gè)區(qū)域，而且有些樣本動(dòng)作聚集到了同一點(diǎn)，也即映射到了相同的獲勝神經(jīng)元。

圖3　訓(xùn)練結(jié)果圖

為了驗(yàn)證SOM神經(jīng)網(wǎng)絡(luò)對沒有參與訓(xùn)練的樣本的有效性，利用訓(xùn)練好的SOM網(wǎng)絡(luò)對13類測試集樣本分別進(jìn)行測試，測試集樣本在競爭層的輸出結(jié)果圖如圖4所示，相同類別的測試集樣本聚集到了一起，并和同一類別的訓(xùn)練集樣本映射到了相同的區(qū)域。

圖4　測試結(jié)果圖

在圖3和圖4中，△表示前倒；▽表示后倒；?表示左倒；?表示右倒；*表示上樓；○表示下樓；□表示行走；◇表示起立；☆表示坐下；·表示彎腰；X表示跳；六角星表示跑；+表示蹲下；圖中虛線是13類動(dòng)作樣本在分類結(jié)果中的分界線。

圖3和圖4中，神經(jīng)元的編號(hào)方式是從左至右、從下至上，神經(jīng)元編號(hào)逐漸增加，即左下角的神經(jīng)元編號(hào)為1，右上角的神經(jīng)元編號(hào)為182。如果測試集樣本與同一類別的訓(xùn)練集樣本映射到相同的區(qū)域，則預(yù)測結(jié)果正確；否則，預(yù)測結(jié)果錯(cuò)誤。各類動(dòng)作的識(shí)別結(jié)果如表2所示。后倒的識(shí)別率為80%，其中2個(gè)樣本被分別預(yù)測為起立和跑；左倒的識(shí)別率為90%，其中1個(gè)樣本被預(yù)測為坐下；上、下樓的動(dòng)作樣本被映射到了同一個(gè)區(qū)域，兩者的區(qū)分度不高；行走的識(shí)別率為 50%，其中3個(gè)樣本被預(yù)測為上樓，2個(gè)樣本被預(yù)測為坐下；坐下的識(shí)別率為70%，其中3個(gè)樣本均被預(yù)測為后倒；前彎腰的識(shí)別率為90%，其中1個(gè)樣本被預(yù)測為前倒；跳的識(shí)別率為70%，其中2個(gè)樣本被預(yù)測為前彎腰，1個(gè)樣本被預(yù)測為右倒；跑的識(shí)別率為70%，其中3個(gè)樣本被分別預(yù)測為左倒、坐下和跳；其他類別的動(dòng)作識(shí)別率均為100%。

表2　SOM方法與閾值法識(shí)別結(jié)果對比

4.2結(jié)果分析與評(píng)價(jià)

通過以下 3個(gè)性能指標(biāo)[12]來對跌倒檢測實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)：

(1)靈敏度(Se，Sensitivity)，即所有跌倒動(dòng)作的檢出率：

(2)特異度(Sp，Specificity)，即所有日常動(dòng)作的檢出率：

(3)準(zhǔn)確度(Ac，Accuracy)，即所有動(dòng)作的檢出率：

式中，TP(真陽性)：跌倒動(dòng)作檢測為跌倒的樣本數(shù)；FP(假陽性)：日常動(dòng)作檢測為跌倒的樣本數(shù)；TN(真陰性)：日常動(dòng)作檢測為未跌倒的樣本數(shù)；FN(假陰性)：跌倒動(dòng)作檢測為未跌倒的樣本數(shù)。

為了驗(yàn)證SOM跌倒識(shí)別算法的可靠性與準(zhǔn)確度，將其與閾值法的處理結(jié)果進(jìn)行了比較。運(yùn)用兩種算法分別對測試集樣本動(dòng)作進(jìn)行了測試，識(shí)別結(jié)果見表2。可以發(fā)現(xiàn)，利用SOM方法進(jìn)行識(shí)別時(shí)，系統(tǒng)靈敏度、特異度及準(zhǔn)確度分別為92.5%、93.3%、93.1%。

5　結(jié)論

本文利用人體運(yùn)動(dòng)過程中的足底壓力數(shù)據(jù)，通過SOM自組織映射神經(jīng)網(wǎng)絡(luò)對人體動(dòng)作進(jìn)行聚類分類，從而實(shí)現(xiàn)人體跌倒姿態(tài)識(shí)別。得到如下結(jié)論：

(1)通過SOM神經(jīng)網(wǎng)絡(luò)聚類方法對足底壓力信息進(jìn)行分析，可以對人體跌倒方向進(jìn)行有效的識(shí)別，而常規(guī)的閾值方法很難識(shí)別人體跌倒方向；

(2)SOM神經(jīng)網(wǎng)絡(luò)聚類對人體跌倒動(dòng)作的靈敏度、特異度和準(zhǔn)確度要比閾值方法高，識(shí)別效果更好；

(3)SOM算法對人體的跌倒行為的識(shí)別具有更高的可靠性。

[1]于洪宇.老年人跌倒問題的相關(guān)因素研究與預(yù)防護(hù)理[J].中國老年保健醫(yī)學(xué)，2009，7(1)：85-88.

[2]Tao Yanbo，Qian Huihuan，Chen Meng，et al.A real-time intelligent shoe system for fall detection[C].Proceedings of the 2011 IEEE International Conference on Robotics and Biomimetics，Phuket，Thailand，2011.

[3]石欣，熊慶宇，雷璐寧.基于壓力傳感器的跌倒檢測系統(tǒng)研究[J].儀器儀表學(xué)報(bào)，2010，31(3)：715-720.

[4]石欣，張濤.一種可穿戴式跌倒檢測裝置設(shè)計(jì)[J].儀器儀表學(xué)報(bào)，2012，33(3)：575-580.

[5]薛源.基于多傳感器的老人跌倒檢測系統(tǒng)的研究與應(yīng)用[D].武漢：武漢理工大學(xué)，2011.

[6]KOHONEN T.Self-organized formation of topologically correct feature maps[J].Biological Cybernetics，1982，43(1)：59-69.

[7]陳洪波，湯井田，陳真誠.基于SOM的HIFU治療中損傷組織特征提取[J].生物醫(yī)學(xué)工程學(xué)雜志，2009，26(4)：873-877.

[8]於東軍，吳小俊，HANCOCK E R，等.廣義SOM及其在人臉性別識(shí)別中的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào)，2011，34（9）：1719-1725.

[9]鄒云峰，吳為麟，李智勇.基于自組織映射神經(jīng)網(wǎng)絡(luò)的低壓故障電弧聚類分析[J].儀器儀表學(xué)報(bào)，2010，31(3)：571-576.

[10]KUREMOTO T，KOBAYASHI K，OTANI T，et al.One dimensional ring type growing SOM with asymmetric neighborhood function and its application to a hand shape instruction learning system[C].2014 15thIEEE/ACIS International Conference on Software Engineering,Artificial Intelligence，Networking and Parallel/Distributed Computing (SNPD)，2014.

[11]VOJACEK L，DVORSKY J，SLANINOVA K，et al.Scalable parallel SOM learning for web user profiles[C].2013 13thInternational Conference on Intelligent Systems Design and Applications(ISDA)，2013.

[12]鄭娛，鮑楠，徐禮勝，等.跌倒檢測系統(tǒng)的研究進(jìn)展[J].中國醫(yī)學(xué)物理學(xué)雜志，2014，31(4)：5071-5076.

Clustering method for body falling gesture recognition based on sole pressure information

Chen Hongbo，Gao Qing，F(xiàn)eng Tao，Zhu Zhenpeng，Liu Yu
(School of Life&Environmental Science，Guilin University of Electronic Technology，Guilin 541004，China)

In order to improve the performance of fall detection system for the elderly based on sole pressure sensor,and accurately to judge the fall direction of human body,a method was put forward based on self-organizing map neural network(SOM)and the information of sole pressure sensor to cluster and analyze the human motion.To verify the recognition results of the SOM method,130 samples of 13 common action including fall were participated in the SOM network testing.The results show that the sensitivity,specificity and accuracy of the new system were 92.5%,93.3%and 93.1%respectively.These results were better than those of the method of threshold value.

Self-Organizing Map(SOM)neural network；cluster analysis；sole pressure sensor；body gesture recognition

TM501

A

10.16157/j.issn.0258-7998.2016.05.031

國家自然科學(xué)基金(81460273)；廣西科技攻關(guān)計(jì)劃項(xiàng)目(桂科攻 1348020-10)；廣西自然科學(xué)基金(2013GXNSFA019325)

陳洪波(1972-)，男，博士，教授，主要研究方向：生物醫(yī)學(xué)信息信號(hào)處理。

高青(1986-)，女，碩士研究生，主要研究方向：生物醫(yī)學(xué)電子。

中文引用格式：陳洪波，高青，馮濤，等.基于足底壓力信息的跌倒姿態(tài)聚類識(shí)別方法[J].電子技術(shù)應(yīng)用，2016，42 (5)：113-115，119.

英文引用格式：Chen Hongbo，Gao Qing，F(xiàn)eng Tao，et al.Clustering method for body falling gesture recognition based on sole pressure information[J].Application of Electronic Technique，2016，42(5)：113-115，119.