基于人體加速度多特征融合和K 近鄰算法的跌倒檢測①

華仙，席旭剛

1.金華市人民醫(yī)院，浙江金華市321000；2.杭州電子科技大學(xué)智能控制與機(jī)器人研究所，浙江杭州市310018

隨著人口老齡化不斷加劇，動態(tài)監(jiān)測老年人活動狀態(tài)已成為多學(xué)科研究的一個突出領(lǐng)域[1-3]。根據(jù)美國疾病控制和預(yù)防中心調(diào)查，65歲及以上老年人中，近30%經(jīng)常發(fā)生意外跌倒。跌倒會對老年人心理和身體產(chǎn)生負(fù)面影響[4]，導(dǎo)致嚴(yán)重傷害，甚至增加老年人死亡率。有過跌倒經(jīng)歷的老年人因害怕發(fā)生跌倒，而不愿意外出走動，變得不活潑，與社會隔離?；顒恿康臏p少導(dǎo)致跌倒風(fēng)險增加。此外，老年人因跌倒造成的傷害消耗家庭收入和社會醫(yī)療資源，加劇社會負(fù)擔(dān)[5]。開發(fā)一種關(guān)于老年人和其他病患者的自動跌倒檢測系統(tǒng)已被廣泛研究[6-7]。

近年來許多學(xué)者提出可穿戴式傳感器的跌倒檢測方法[8]，它的優(yōu)點是價格低廉，不受環(huán)境限制。多數(shù)研究者用加速度計，將X、Y、Z軸的加速度值、信號幅度向量、信號幅度域、角加速度等參數(shù)作為特征進(jìn)行跌倒檢測研究[9]。

本研究提出一種基于人體加速度多特征融合和K近鄰(K-nearest neighbor,KNN)機(jī)器學(xué)習(xí)的跌倒檢測算法，旨在探索一種有較高敏感性、特異性以及檢測速度的跌倒檢測算法。

1 對象與方法

1.1 研究對象

2017年9月至11月，身體健康的3例男性在讀研究生，年齡(24±3)歲，體質(zhì)量(65±5)kg，身高(170±5)cm，以及3例女性在讀研究生，年齡(22±2)歲，體質(zhì)量(48±3)kg，身高(162±3)cm，共6例志愿者參與檢測，地點為杭州電子科技大學(xué)智能仿生假肢實驗室。

參照文獻(xiàn)[10]中的指導(dǎo)原則設(shè)計跌倒實驗。通過繃帶將兩個無線加速度傳感器固定在實驗者前胸部和后腰部正中。加速度傳感器對應(yīng)量程為±6 g，大小49×38×19 mm。根據(jù)人體實際運(yùn)動的頻率設(shè)置采樣頻率為50 Hz。每例志愿者檢測前先校準(zhǔn)傳感器，捕獲并記錄X、Y、Z軸的原始運(yùn)動數(shù)據(jù)，通過藍(lán)牙將數(shù)據(jù)傳輸?shù)缴衔粰C(jī)軟件，上位機(jī)軟件記錄并保存原始運(yùn)動數(shù)據(jù)。

跌倒檢測包括13個跌倒動作和11個日?；顒觿幼?。見表1。6例志愿者每個動作重復(fù)10次為1次實驗記錄。因此1次實驗數(shù)據(jù)集由780個跌倒動作和660個日常動作構(gòu)成。

1.2 方法

腰部加速度傳感器輸出的總加速度信號：

其中，Ax、Ay、Az分別是X、Y、Z軸的加速度信號。

找到每個傳感器Aw峰值對應(yīng)時刻，記錄該時刻前后各2 s區(qū)間內(nèi)的信號共201個采樣點。每次檢測數(shù)據(jù)由201×6矩陣構(gòu)成，每列數(shù)據(jù)由N×1向量s=[s1,s2,…,sN]T(N=201)構(gòu)成。提取的特征參數(shù)包括最小值、最大值、均值、方差、偏度系數(shù)、峰度系數(shù)、自相關(guān)序列的前11個值和離散傅里葉變換(Discrete Fourier Transformation,DFT)的前5個峰值和相應(yīng)的頻率值。

表1 檢測的跌倒和日常活動動作

其中

從24×6×10=1440次實驗數(shù)據(jù)中提取特征。前6個特征是每個傳感器每軸的最小值、最大值、均值、方差、偏度系數(shù)和峰度系數(shù)，3軸共18個特征參數(shù)；自相關(guān)函數(shù)產(chǎn)生33個(3軸×11個參數(shù))特征參數(shù)，DFT產(chǎn)生5個頻率值和5個幅度值，共30個特征參數(shù)。因此每個傳感器單元共81個特征參數(shù)，每次實驗共產(chǎn)生162維特征參數(shù)向量。

由于原始特征參數(shù)集較大，其中的一些特征參數(shù)對區(qū)分跌倒與日常活動作用較弱，為了減少分類訓(xùn)練集和測試集的計算復(fù)雜度和運(yùn)行時間，采用主成分分析法(Principle Component Analysis,PCA)將特征向量降到12維。原始特征向量減少的維數(shù)由原始特征向量的協(xié)方差矩陣對應(yīng)的特征值決定。經(jīng)PCA投影后的特征值對應(yīng)的主成分累計方差占總方差98.34%，對應(yīng)的特征向量構(gòu)成轉(zhuǎn)移矩陣。

將12維特征向量輸入改進(jìn)的KNN分類器進(jìn)行跌倒和日常動作識別。改進(jìn)的KNN分類器設(shè)計如下。

①通過聚類在跌倒和非跌倒兩類中各搜索到N個樣本點，構(gòu)成訓(xùn)練樣本簇。

xi為第i個樣本點的12維特征向量，l=1為跌倒，l=2為非跌倒，di為該類的中心向量，Nl為該類的樣本點總數(shù)。

③計算每個樣本點模糊熵Hi，

1.3 評價指標(biāo)

計算敏感性、特異性和準(zhǔn)確性，并與支持向量機(jī)(Support Vector Machine,SVM)分類器結(jié)果進(jìn)行比較。

2 結(jié)果

KNN比SVM有更好的分類精確度和計算時間。見表2。

表2 分類結(jié)果

KNN識別敏感性100%，特異性99.76%，6次實驗記錄的分類識別結(jié)果類似，算法有較好的重復(fù)性、魯棒性。見表3。

表3 6次實驗分類結(jié)果

3 討論

跌倒檢測方法主要有視頻分析、環(huán)境感知和穿戴式傳感器。

視頻分析系統(tǒng)在固定區(qū)域安裝攝像頭，通過計算機(jī)視覺分析系統(tǒng)判定人體姿態(tài)。Soran等[11]結(jié)合單個多視角相機(jī)和多個靜態(tài)相機(jī)，進(jìn)行行為感知與跌倒判別研究。Sevrin等[12]提出一種優(yōu)化深度相機(jī)校準(zhǔn)的方法，創(chuàng)建基于低成本深度攝像機(jī)(Kinect)的室內(nèi)定位系統(tǒng)。該系統(tǒng)有助于監(jiān)測人們在家中的行為，防止殘疾人或老人、小孩發(fā)生跌倒等事件。Staranowicz等[13]提出一種基于Kinect機(jī)器人系統(tǒng)，準(zhǔn)確監(jiān)測日常生活中的人類步態(tài)?；谝曈X的跌倒檢測方法受光照條件、安裝位置和角度、遮擋等諸多因素限制，且對用戶的隱私侵入性較強(qiáng)。

環(huán)境感知跌倒檢測系統(tǒng)將紅外傳感器和聲傳感器等放在環(huán)境中用于跌倒檢測。Vuegen等[14]使用低功耗無線聲學(xué)傳感器網(wǎng)絡(luò)，觀察老年人日常生活(如飲食、保持個人衛(wèi)生、如廁等)的相關(guān)活動。Siantikos等[15]提出利用音頻信息識別日常生活活動的框架?；诃h(huán)境傳感器的方法可以有效獲取人體運(yùn)動信息，缺點是場所固定且安裝較為繁瑣。

閾值法和機(jī)器學(xué)習(xí)是兩種常用的可穿戴式加速度傳感器跌倒檢測方法[16]。閾值法通過傳感器輸出的特定參數(shù)值辨識跌倒[17]?；陂撝档牡箼z測方法有較高的敏感性，但特異性較低[18]?；陂撝档牡箼z測方法容易實現(xiàn)，計算效率高，但對不同個體的容錯能力差，跌倒檢測精度低。

基于機(jī)器學(xué)習(xí)的跌倒檢測算法，用多種類型跌倒和日?；顒訉C(jī)器進(jìn)行算法訓(xùn)練，然后通過對一系列活動的分類結(jié)果評估機(jī)器學(xué)習(xí)算法的分類效率。常用的機(jī)器學(xué)習(xí)算法包括KNN[19]、SVM[20]、高斯聚類分布[2]、決策樹[21]和隱馬爾科夫模型[22]等。已有研究運(yùn)用加速度信號，借助SVM、模糊神經(jīng)網(wǎng)絡(luò)等分類器，使日常行為的識別率達(dá)90%以上[23-25]。

本研究采用可穿戴的加速度傳感器檢測跌倒，具有穿戴方便、價格低廉、不受環(huán)境限制的優(yōu)點；提出一種基于人體加速度多特征融合和KNN機(jī)器學(xué)習(xí)的跌倒檢測算法，敏感性100%，特異性99%以上，比閾值法有更高的識別準(zhǔn)確度。算法的應(yīng)用可以實現(xiàn)跌倒后的及時就醫(yī)，提高安全性、獨(dú)立性，提高經(jīng)常發(fā)生跌倒的高危人群的生活質(zhì)量，有助于降低醫(yī)療保健成本。該算法很容易嵌入到便攜可穿戴設(shè)備，試制的可穿戴跌倒檢測儀已在金華市人民醫(yī)院試用。

下肢日常運(yùn)動非常復(fù)雜，本研究選擇日常生活中頻度最高的動作進(jìn)行測試，其他下肢動作有待進(jìn)一步驗證。出于安全考慮，實驗通過健康人完成，在運(yùn)動功能損傷患者中是否同樣有效，也需要進(jìn)一步驗證。