基于行為識別匹配的用戶日常運動檢測

夏 磊

(南京理工大學 計算機科學與工程學院，南京 210094)

0 引言

隨著人們生活節(jié)奏加快，工作壓力不斷加大，日常運動已經(jīng)成了現(xiàn)代人的一種現(xiàn)狀[1]。步行走路作為簡單易行的鍛煉，確保我們的身體能夠保持活力和健康。計步器[2]通過實時監(jiān)測用戶日常步行用以掌控運動量，步態(tài)在測算走路時所表現(xiàn)的姿態(tài)，及走路所有的動作。用戶日常運動中步態(tài)計步器(Pedometer of Gait,POG)檢測問題不同于傳統(tǒng)的統(tǒng)計機器學習方法[3]，模板匹配方法[4]往往在具有較高精度的同時能夠保持相對較高的效率，被普遍應(yīng)用與人體姿態(tài)識別實際應(yīng)用中。Muscillo[5]等利用基于個體的模板，實現(xiàn)了對下肢特定動作的識別和捕捉。此外，Chen和Shen[6]構(gòu)建了一個基于模板匹配方法的識別框架，實現(xiàn)對右下肢精確動作的捕捉。朱保鋒和宋艷[7]將不同的動作編譯成序列的符號，利用字符匹配的方法實現(xiàn)動作識別。然而，據(jù)我們所知，模板匹配方法尚未被應(yīng)用于用戶日常運動的POG檢測應(yīng)用中。

綜上所述，傳統(tǒng)的統(tǒng)計機器學習方法精度低、效率差，很難被實際應(yīng)用于POG實時檢測。模板匹配方法具有精度高、實時性好等優(yōu)點，但尚未應(yīng)用于POG實時檢測。基于此， 本文提出一種改進的Dynamic Template Wrapping(DTW)模板匹配方法，用于POG 實時檢測。在介紹典型的模板匹配方法的基礎(chǔ)上，提出本文設(shè)計系統(tǒng)的具體框架，及算法流程，闡述實驗設(shè)計及結(jié)果分析比較。

1 模板匹配方法

1.1 Euclidean Distance

歐幾里得度量[8]是一個通常采用的距離定義，指在m維空間中兩個點之間的真實距離，或者向量的自然長度(即該點到原點的距離)。令X=x1,...,xi,...,xm，Y=y1,...,yi,...,yn為兩個時序序列，則距離di(i=0,...,n-m-1,n

(1)

1.2 DTW

在日常的生活中我們最經(jīng)常使用的距離毫無疑問應(yīng)該是歐式距離，但是對于一些特殊情況，歐氏距離存在著其很明顯的缺陷，比如說時間序列[10]，特別是當樣本長度不一樣時，DTW能夠衡量這兩個序列的相似程度，或者說兩個序列的距離。DTW算法的質(zhì)量就是運用動態(tài)規(guī)劃的思想，利用局部最佳化的處理來自動尋找一條路徑，兩個特征矢量之間的積累失真量最?。畯亩苊庥捎跁r長不同而可能引入的誤差。

圖1 典型DTW比較子序列

定義序列Q(模版信號)和C(記錄信號)，長度分別為n和m,即:

X=(t1,x1),...,(ti,xi),...,(tn,xn)

(2)

Y=(t1,y1),...,(tj,yj),...,(tn,yn)

(3)

1)邊界條件：所選的路徑必定是從左下角出發(fā)，在右上角結(jié)束。

2)連續(xù)性：就是不可能跨過某個點去匹配，只能和自己相鄰的點對齊。這樣可以保證X和Y中的每個坐標都在W中出現(xiàn)。

3)單調(diào)性：點在包絡(luò)路徑上的間隔要求是單調(diào)的。

滿足上面這些約束條件的路徑可以有指數(shù)個，然后我們感興趣的是使得下面的規(guī)整代價最小的路徑，這樣我們有：

Dist(X,Y)=D(xi,yj)+Dmin

(4)

其中:Dmin=min{Dist(i-1,j-1),Dist(i-1,j),Dist(i,j-1)}。

1.3 sDTW

一條最優(yōu)路徑，在每一條最優(yōu)路徑中，對應(yīng)兩個連續(xù)數(shù)據(jù)片段相似部分的往往只有路徑上的一小段。因此我們需要將最優(yōu)路徑上特定的子路徑切割出來，這些子路徑滿足的條件是：

1)子路徑包含的點的數(shù)量，即子路徑長度長于L；

2)子路徑包含的所有點的平均值，即子路徑平均值小于θ。給定一條包含N個點的路徑以及子路徑長度限制L(L

(5)

1.4 Cross Correlation

在信號處理中，經(jīng)常要研究兩個信號的相似性，或者一個信號經(jīng)過一段時間延遲后自身的相似性，以便實現(xiàn)信號檢測、識別與提取等[12]。可用于研究信號相似性的方法稱為相關(guān)。給定兩個時間序列X和Y，其長度分別為n和m，其互相關(guān)函數(shù)定義為：

(6)

通常來講，互關(guān)聯(lián)指數(shù)可以對兩個信號的標準差進行歸一化，及互相關(guān)系數(shù)：

(7)

其中:σYY和σXX分別為Y和X的標準差，其值介于-1和+1之間。若γYX(τ)=-1，則說明Y與X形狀相同但相位相反；若γYX(τ)=0，則說明Y與X不具有相似性；若γYX(τ)=+1則說明Y與X完全相似。當信號與自身相比較時，稱為自相關(guān)，定義如下：

(8)

該函數(shù)通常用來從白噪聲中分離周期性信號以識別信號周期及信號的重復模式。

2 系統(tǒng)框架與算法設(shè)計

文獻[13]等通常利用傅立葉變換來提取時域和頻域的不同特征，來進行POG的檢測與分類。本文根據(jù)POG測量信號[14]的特定，從模版匹配的角度出發(fā)，采用一種改進的sDTW算法：IsDTW，來實現(xiàn)POG的檢測與預警，在保持識別精度的前提下降低算法的復雜度。

本文所述POG檢測和分析過程，主要可以分為兩個個環(huán)節(jié)：1)數(shù)據(jù)預處理階段：主要完成模板生成、閾值確定等工作，即模型訓練階段；2)實驗分析階段：利用所提出算法，進行相似度計算，判別POG。

Notations：原始信號記為X={(t1,x1),(t2,x2),...,(ti,xi),...,(tn,xn)}，待查詢子序列記為Y={(t1,y1),...,(tj,yj),...,(tm,ym)}。子序列表示從時刻i到j(luò)的X子序列。

圖2 系統(tǒng)框架示意圖

2.1 模板生成

模板序列Y，其長度m為預設(shè)好的匹配窗口長度，模板序列中包括若干傳感器采集數(shù)據(jù)子序列(加速度軸Ax,Ay,Az等)。在樣本數(shù)據(jù)中，包含大量標記好的POG和非POG數(shù)據(jù)，分別將兩類數(shù)據(jù)劃分為長度為m的子序列，并利用Matlab的“interp1”函數(shù)進行平均化，得到正常步態(tài)模板如圖3所示。對子序列的每一個軸向都做相同的處理，從而得到POG步態(tài)的模板如圖4所示。

圖3 正常步態(tài)模板

圖4 POG步態(tài)模板

2.2 閾值確定

上述算法另一個待解決的問題是損失函數(shù)閾值ε的確定。由常理可知，由于個體差異和噪聲等原因，該閾值會因人而異，不同的實驗對象理應(yīng)具有不同的閾值設(shè)定。出于以上考慮，本論文在前期統(tǒng)計建模的基礎(chǔ)上，提出一個基于統(tǒng)計機器學習的動態(tài)門限閾值估計方法。在數(shù)據(jù)預處理階段，通過標注的訓練數(shù)據(jù)，利用ANN分類器[15]，分析得出適合實驗對象的閾值ε，作為實驗分析階段的輸入。該方法通過機器學習方式獲得，在大量真實數(shù)據(jù)的基礎(chǔ)上，運行速度快、可信度高。

2.3 相似度計算

與DTW算法相似，通過更新距離計算矩陣來計算相似性。每次IsDTW計算過程存儲兩個值，D(t,k)和X(t,k)。D(t,k)為序列Y和子序列Si,t之間DTW距離的最小值，X(t,k)為序列Xi,t的開始時間，即i=X(t,k)。D(t,k)可以通過如下方式獲得：

(9)

其中:Distbest=min{Dist(t,k-1),Dist(t-1,k),Dist(t-1,k-1)}，D(t,0)=0，D(0,0)=D(0,k)=+∞，(t=1,2,...,n，k=1,2,...,m)。同理，X(t,k)可以通過下式得到：

(10)

其中:X(t,0)=t。IsDTW的目標是在給定序列X中，查找出所有與給定序列Y相似度滿足給定閾值ε的子序列Xi,j，即Dist(Xi,j,Y)≤ε，其中j=i+m-1，i=1,2,...,n-m+1。算法流程如下：

Input:xtattimet

Output: 相似子序列si,t

Fork=1tomdo

CalculateD(t,k)andX(t,k)

End

IfDmin≤εthen

If?D(t,k)>Dmin∨X(t,k)>tethen

ReturnDmin,ts,te

Dmin=+∞

Fork=1tomdo

IfX(t,k)≤tethen

D(t,k)=+∞

End

End

End

End

IfD(t,m)≤ε∧D(t,m)≤Dminthen

Dmin=D(t,m)

ts=X(t,m)

te=t

End

Fork=0tomdo

D(t-1,k)=D(t,k)

X(t-1,k)=D(t,k)

End

3 結(jié)果與分析

3.1 數(shù)據(jù)集

本文方法所依托數(shù)據(jù)來自開源數(shù)據(jù)集[6]。Bachlin及其同事以10名PD病人用戶(7名男性，3名女性；年齡66.5±4.8；病史年限：13.7±9.67)為實驗對象進行分析。實驗對象皆有步行病史，并在無外力協(xié)助的情況下可以在“off-medicine”條件下行走。所有實驗都在“off-medicine”的條件下完成數(shù)據(jù)采集和分析。

實驗對象根據(jù)要求完成幾種實驗場景下的數(shù)據(jù)采集：直線前后行進、隨機停止-行進、360度轉(zhuǎn)彎以及日常生活活動。全程所有的活動流程都通過攝像機記錄。兩名醫(yī)務(wù)人員通過視頻信息實時診斷病人的兩種不同活動狀態(tài)：非凍結(jié)(行走、站立、轉(zhuǎn)彎)和凍結(jié)。當每次POG檢測時，記錄起止時間。每名實驗對象身上帶有3個3軸加速度計，分別放置于shank、thigh和lower back，采用頻率設(shè)置為64 Hz。在數(shù)據(jù)集中，共包含10名實驗對象8 h 20 min的實驗數(shù)據(jù)，237段POG數(shù)據(jù)。

圖5 實驗數(shù)據(jù)與真實標度

圖5所示為某位PD病人用戶實驗過程中，傳感器記錄數(shù)據(jù)的示意圖。由圖可見，實驗對象在起步時即發(fā)生POG現(xiàn)象，短暫停留后開始正常行進；隨后，傳感器有監(jiān)測到由POG引起的顫抖，即發(fā)生了腿部的卡頓現(xiàn)象；較長時間的POG過后實驗對象進行了較快的行進，在又一次短時POG后進入休息狀態(tài)?；卺t(yī)生的檢測結(jié)果在圖中用彩色字體標注，與實驗結(jié)果相一致。此外，由圖可知，在第一、第三次POG中，短時的POG卡頓被精確識別出來而不是識別成休息狀態(tài)；第二次POG中腿部由于POG的引起的顫抖，也被準確識別，說明了算法的有效性。

3.2 實驗結(jié)果

圖6為檢測系統(tǒng)實驗的Receiver Operating Characteristic(ROC)曲線。圖示為分別利用后背下側(cè)、大腿、小腿以及全部三個加速度數(shù)據(jù)時，系統(tǒng)識別性能的ROC曲線。由圖可知，當數(shù)據(jù)較為豐富時(即全部使用)，系統(tǒng)ROC性能更好，即曲線更接近左上角。當僅利用小腿數(shù)據(jù)時，性能相對較好，其原因可能與該部位更能反應(yīng)POG特性有關(guān)。

圖6 ROC示意圖

3.3 與其它模板匹配方法比較

本文利用不同的模板匹配方法在數(shù)據(jù)集[6]上進行POG檢測分析，獲得了不同的識別結(jié)果，如圖7所示。

圖7 IsDTW方法在不同實驗數(shù)據(jù)集上的結(jié)果比較

本文所提出的改進的DTW算法在不同的實驗場景下，都取得了較好的實驗結(jié)果。從以上實驗結(jié)果，我們可以得到以下結(jié)論：

1)不同的算法在不同的實驗數(shù)據(jù)集上獲得了不同的精度，所有數(shù)據(jù)都利用時精度最高，利用shank時略低。由此可見，shank，其余部位數(shù)據(jù)起到了一定的輔助作用。

2)在不同的實驗數(shù)據(jù)集上，本文所述IsDTW算法都獲得了相對較高的精度，體現(xiàn)出算法的穩(wěn)定性。同時，其最高精度達到92%。同其他算法相比，IsDTW在運行過程中持續(xù)更新最小路徑，保持高效率的同時獲得了較高的精度；利用ANN更新動態(tài)閾值，保持了算法的有效性。

3)DTW相關(guān)的算法普遍優(yōu)于Eudidean和Cross Correlation算法，說明在相似性度量上，對于變長數(shù)據(jù)及不確定長度序列的判別DTW更具有優(yōu)越性。

3.4 與統(tǒng)計機器學習方法比較

為了進一步驗證算法的有效性，本文將基于模版匹配的POG檢測方法實驗結(jié)果與傳統(tǒng)統(tǒng)計分類方法進行了比較，包括Decision Tree(DT)，Naive Bayesian Network (NBN)和Artificial Neural Network(ANN)。根據(jù)參考文獻[6]所示，本文選擇了13個常用的時域和頻域分類特征中，利用Relief方法篩選出9個用于分類，特征如表1所示。

利用開源工具Weka，在實驗數(shù)據(jù)及上的測試結(jié)果與本文所提出的模版匹配方法IsDTW相比較，結(jié)果如表2所示。從結(jié)果可以看出，IsDTW方法在分類精度上具有顯著的優(yōu)勢，即IsDTW>ANN>NBN>DT。ANN在統(tǒng)計分類方法中具有較高精度，但仍明顯低于IsDTW，同時，在運行效率上也遠低于本文方法，難以滿足實時應(yīng)用的需求。DT由于算法簡單，具有較高的運行效率，但是精度難以滿足應(yīng)用需要。

表2 IsDTW與統(tǒng)計機器學習方法性能比較

由此可見，本文提出的IsDTW方法具有高精度、高實時性的優(yōu)點，能夠滿足實際應(yīng)用需求。

4 結(jié)論

本文集中討論了利用模板匹配的方法進行POG檢測。通過在開源數(shù)據(jù)集上的驗證分析，對比了基于模板匹配規(guī)則的Euclidean、DTW、SDTW、Cross Correlation和本文提出的IsDTW算法的不同性能。由實驗結(jié)果可以得出結(jié)論，模板匹配方法對POG檢測有一定的優(yōu)越性，同時IsDTW方法具有更高的判別精度。作為對比，本文進一步的將IsDTW方法與非模板方法進行比較，結(jié)果顯示，本文方法不僅具有相對較高的實驗精度，在運行效率上也在一定程度上優(yōu)于傳統(tǒng)方法，對實際應(yīng)用更具價值。

[1] 陳 靜,姜漢鈞,徐乃昊,等. 運動傳感器輔助的心電運動偽跡識別與消除方法[J]. 傳感器與微系統(tǒng),2016,35(1):49-51.

[2] 袁憲鋒,周風余,袁 通,等. STM32和iNEMO模塊的高精度計步器設(shè)計[J]. 單片機與嵌入式系統(tǒng)應(yīng)用,2013,13(9):42-45.

[3] 孟池潔,王 偉,耿光剛. 基于統(tǒng)計機器學習的互聯(lián)網(wǎng)暗鏈檢測方法[J]. 計算機應(yīng)用研究,2015,32(9):2779-2783.

[4] 咼潤華,蘇婷婷,馬曉偉. BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識別系統(tǒng)[J]. 清華大學學報(自然科學版),2013,53(9):1221-1226.

[5] Azizpour H,Razavian A S,Sullivan J,et al. From generic to specific deep representations for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2014:1-1.

[6] Huang G B,Zhou H,Ding X,et al. Extreme learning machine for regression and multiclass classification.[J]. IEEE Transactions on Systems Man & Cybernetics Part B Cybernetics A Publication of the IEEE Systems Man & 310 Cybernetics Society,2012,42(2):513-29.

[7] 朱保鋒,宋 艷. 一種改進的BM算法性能分析[J]. 中州大學學報，2015(3):114-116.

[8] 邢哲源,馮秀芳. 一種基于時序信譽的WSNs惡意節(jié)點檢測算法[J]. 傳感器與微系統(tǒng)，2015,34(7):118-120，124.

[9] 汪海濤,花 靜. 基于相對變換距離的半監(jiān)督分類算法[J]. 計算機應(yīng)用與軟件,2013,30(6):178-181.

[10] 李海林,楊麗彬. 基于增量動態(tài)時間彎曲的時間序列相似性度量方法[J]. 計算機科學,2013,40(4):227-230.

[11] 劉 鶴. 基于人工神經(jīng)網(wǎng)絡(luò)的認知無線電頻譜感知研究[J]. 電子測試,2012,(9):37-41.

[12] 王 燕,安云杰. 時間序列相似性度量方法[J]. 計算機工程與設(shè)計,2016,37(9):2520-2525.

[13] Graves A,Mohamed A R,Hinton G. Speech recognition with deep recurrent neural networks[J]. 2013,38(3):6645-6649.

[14] 劉明亮,朱江淼. 數(shù)字信號處理對電子測量與儀器的影響研究[J]. 電子測量與儀器學報,2014,28(10):1041-1046.

[15] 陳 潔,余詩詩,李 斌,等. 基于雙閾值比較法超聲波流量計信號處理[J]. 電子測量與儀器學報,2013,27(11):1024-1033.