基于加速度小波包能量特征與多分類器融合的跌倒檢測研究

田一明　陳偉　王喜太

摘 要：跌倒已成為危害老年人人身安全的主要因素之一。為提高對老年人跌倒檢測的準確性，文章將集成學習的思想引入對老年人的跌倒檢測之中。首先，通過小波分解對加速度信號進行頻帶劃分，以得到相應動作加速度信號在不同頻帶下的能量分布情況；然后，對訓練得到的基分類器進行性能評價和有效選取，以實現(xiàn)基分類器之間的優(yōu)勢互補；最后，應用加權投票法融合經過優(yōu)選的基分類器組成多分類器融合檢測系統(tǒng)。結果表明，文章方法優(yōu)于單一分類器識別模型。

關鍵詞：跌倒檢測；小波分解；分類器融合；模式識別

21世紀我國已經步入老齡化社會，跌倒已成為威脅獨居老年人健康的風險之一。有研究顯示，在65歲以上獨自居住的老年人中，每年大約有1/3的老年人發(fā)生過跌倒。目前在跌倒檢測領域，基于可穿戴設備的方法由于設置簡單價格相對低廉，受到學者的普遍關注。一些學者將集成了三軸加速度儀等慣性裝置放置于受試者腰部，通過與人體跌落各個過程的閾值進行對比，來檢測受試者是否發(fā)生了跌倒，這種方法閾值的選擇大多具有主觀性，處理不同類型的跌倒時魯棒性較差。相比于應用閾值的檢測方法，應用機器學習的方法能明顯改善對跌倒的檢測效果，相關的研究包括：基于隨機森林的跌倒檢測方法[1]、基于支持向量機[2]和極限學習機[3]的跌倒檢測方法等。

本文在應用加速度小波包特征構建不同類別分類器的基礎上，通過組合多個性能優(yōu)良的分類器建立了檢測率更高、性能更為可靠的跌倒檢測系統(tǒng)，以實現(xiàn)提高跌倒檢測率的目的。

1 加速度的小波特征

目前加速度信號已廣泛應用于人體異?；顒訝顟B(tài)識別。小波變換是一種能夠結合時域和頻域特征來對信號進行特征提取的工具之一，并得到了一定的應用[4]。小波包分解能夠對不同活動的加速度特征進行深入細致的描述，有利于識別系統(tǒng)的判斷。

本文以和加速度信號G進行加速度小波特征提取，公式為：

式中，X，Y，Z分別為加速度傳感器在x，y，z三個軸上的加速度。

小波包能量譜是信號經過小波分解后以能量的方式表示不同頻帶上信號特征的一種方式。小波信號的能量可定義為：

2 多分類器融合系統(tǒng)

本文通過融合不同屬性的基分類器組成一個強分類器來對跌倒進行檢測，所設計的跌倒識別集成學習系統(tǒng)在基分類器優(yōu)良性能的基礎上，通過差異性度量的規(guī)則來融合實現(xiàn)。圖1是多分類器融合系統(tǒng)的原理示意圖。

2.1 基分類器的選擇

在基分類器的選擇上，本文分別選取了BP神經網(wǎng)絡、RBF神經網(wǎng)絡、LDA算法、隨機森林算法以及KNN分類算法作為基分類器。

2.2 分類器的差異性度量原則

通過Q統(tǒng)計量法對兩兩不同的基分類器之間的差異性進行度量。對于兩個基分類器Q1和Q2，N11與N00分別表示兩個分類器均作出正確識別與錯誤的識別的樣本占總樣本的比例。

Nij代表在Qi中識別準確而在Qj中識別錯誤的樣本比例。Q統(tǒng)計量法可以用公式表示為：

若一個集成學習系統(tǒng)由L個單分類器組成，則整個系統(tǒng)的成對差異性表示由這個系統(tǒng)中所有兩兩成對差異性取平均值獲得：

通過難度度量法來衡量集成分類器整體的性能。首先，計算隨機變量X的分布，X表示一個輸入樣本像元x正確分類的基分類器占所有基分類器的比例，即X∈{0，1/L，2/L，…，1}，難度度量計算X的方差，如公式（8）：

公式（8）中：θ的大小與集成分類器表現(xiàn)的差異性成反比。

2.3 多分類器的決策級融合

本文選取加權投票法融合不同基分類的識別信息，基分類器權重的計算依據(jù)它們在訓練集中的準確率而確定，計算公式如公式（9）所示：

式中：αi表示第i個基分類器的權重值，其中i=1，2，…，L；Ratei表示第i個基分類器的訓練集中平均準確率。

3 實驗與結果

3.1 實驗系統(tǒng)和數(shù)據(jù)

實驗系統(tǒng)由兩個部分組成：一個是加速度傳感器部分，另一個是與計算機交互的接收部分。加速度傳感器部分包括ADXL-345加速度傳感器、Arduino Pro微型控制器模塊和nRF24L收發(fā)器模塊（如圖2a）。計算機交互的接收部分由Arduino Pro微型控制器模塊和nRF24L收發(fā)器模塊組成（如圖2b）。接收器使用UART接口連接到個人電腦，設置參數(shù)為：數(shù)據(jù)位8位，波特率115200，奇偶校驗無，停止位1。本實驗從5名受試者身上采集跌倒以及日常生活活動的加速度信號，所有受試者都在腰部相同部位佩戴加速度傳感器（如圖2c）。

考慮到實驗的安全性，所有受試者均來自實驗室身體健康的學生。采集每位受試者跌倒和一些日常生活活動的加速度信號，其中每種日常生活活動各做20組，跌倒為80組。將采集到的數(shù)據(jù)樣本按6：4的比例分為訓練樣本和測試樣本。

3.2 基分類器的結果分析

分析各基分類器的性能以及它們的差異性，本文利用從加速度信號提取到的小波特征對所選取的五種基分類器分別進行訓練，各基分類器的訓練集準確率如表1所示。

按照2.2節(jié)分類器差異性度量原則，從這5種基分類器中選出3個組成多分類器融合檢測系統(tǒng)。為了敘述方便，首先將各單分類器標號：將BP神經網(wǎng)絡、RBF神經網(wǎng)絡、LDA算法、隨機森林算法以及KNN分類算法分別標為1至5號分類器，以便進行實驗后的差異性度量。根據(jù)單分類器的識別結果，利用公式（6）得出：

Q12=0.786，Q13=0.843，Q14=0.734，Q15=0.863，Q23=0.932，Q24=0.549，Q25=0.671，Q34=0.814，Q35=0.657，Q45=0.583。

利用公式（7）得出：Q123=0.653，Q124=0.737，Q125=0.822，Q134=0.854，Q135=0.682，Q145=0.734，Q234=0.782，Q235=0.684，Q245=0.753，Q345=0.673。