基于ZigBee和CNN的低功耗跌倒檢測技術

何 堅 ，張子浩，王偉東

(1. 北京工業(yè)大學信息學部，北京 100124；2. 北京市物聯(lián)網(wǎng)軟件與系統(tǒng)工程技術研究中心，北京 100124)

跌倒傷害是導致全球老年人因傷就診和死亡的首要因素.美國疾病預防控制中心(center for disease control，CDC)數(shù)據(jù)顯示，美國 65歲以上老年人每年逾 30%至少跌倒一次，美國老年人每年因跌倒產(chǎn)生的醫(yī)療費用超 300億美元[1].我國已步入老齡化社會，每年有約4000多萬60歲以上老年人發(fā)生跌倒，跌倒傷害不僅給老年人生理上(如頭部、臀部的受傷)造成傷害，同時也會給他們的心理帶來負面影響，進而影響老人的生活質量[2].為了克服跌倒傷害對老年人健康的威脅，國內外研究人員研發(fā)了不同的跌倒檢測技術.

已有跌倒檢測技術根據(jù)其所采用傳感器技術的不同，可總體上劃分為以下 3大類[3]：可穿戴感知技術(wearable sensors)[4]、情景感知技術(ambient sensors)[5-6]和視覺感知技術(vision-based sensors)[7].由于情景感知和視覺感知的跌倒檢測系統(tǒng)均需在特定環(huán)境中部署傳感器，通?？蓪⑵錃w納為基于情境感知的跌倒檢測技術.文獻[8-9]都是基于情境感知的跌倒檢測系統(tǒng)，雖然這些系統(tǒng)具有準確率高、動作捕捉直觀等特點，但傳感器部署及檢測算法復雜，且監(jiān)控范圍有限，甚至容易暴露用戶隱私.隨著 MEMS(microelectromechanical systems)技術的發(fā)展，研究人員將慣性傳感器集成到小型可穿戴設備中來實現(xiàn)跌倒檢測.基于 MEMS的跌倒檢測方法具有部署成本低、受環(huán)境影響小、對用戶的隱私干擾較少等優(yōu)點，成為跌倒檢測技術研究的熱點[10].例如Gjoreski等[11]開發(fā)的RAReFall系統(tǒng)將集成了加速度計的模塊分別放在被試的腹部和右大腿上，通過藍牙將采集的三軸加速度數(shù)據(jù)傳輸?shù)焦P記本，并通過判斷滑動窗口內加速度最大值與最小值之差是否大于閾值來判斷是否跌倒.Benocci等[12]構造了基于 ZigBee的三軸加速度感知模塊，并將加速度流數(shù)據(jù)通過 ZigBee傳輸?shù)街鳈C端處理.此外，研究人員也將機器學習技術應用于跌倒監(jiān)測.例如，Shi等[13]采用 SVM(support vector machine)確定跌倒的加速度和角速度的閾值，并采用三軸加速度計、陀螺儀和安全氣囊設計了可檢測并預防跌倒的系統(tǒng).Wang等[14]采用3軸加速度計和氣壓計設計實現(xiàn)了吊墜形跌倒檢測設備.此外，研究人員針對低功耗跌倒檢測也開展了研究.例如 Yuan等[15]結合中斷和閾值方法設計了中斷驅動的跌倒檢測模塊，并通過藍牙將活動數(shù)據(jù)發(fā)送到計算機端通過決策樹算法分類跌倒和日常活動.

盡管基于 MEMS的跌倒檢測方法具有成本低、簡單易用等特點，但 MEMS陀螺儀存在信號漂移誤差、三軸加速度計在運動狀態(tài)下會產(chǎn)生電壓波動，這些因素會影響跌倒檢測算法精度和有效性[16].此外，實時采集并傳輸三軸加速度、角速度的方法導致系統(tǒng)功耗較大.例如，文獻[16]中一節(jié) 600mAh的鋰電池僅能工作 6h.針對上述問題，本文采用低功耗ZigBee和MPU6050傳感器設計構造運動感知模塊，設計了中斷驅動的低功耗運動數(shù)據(jù)采集傳輸算法；其次，在數(shù)據(jù)接收端通過滑動窗口實時接收三軸加速度、角速度運動數(shù)據(jù)，將其進行量程規(guī)范映射成對應的 RGB三通道像素數(shù)據(jù)，實現(xiàn)活動數(shù)據(jù)的圖像化表示；最后，在分析比較日?；顒优c跌倒圖像差異基礎上，設計了面向跌倒監(jiān)測卷積神經(jīng)網(wǎng)絡(fall detection convolutional neural networks，F(xiàn)D-CNN)，并結合互聯(lián)網(wǎng)上公開的日常活動和跌倒數(shù)據(jù)進行網(wǎng)絡的訓練和測試.

本文各章節(jié)主要內容如下：第1節(jié)在建立人體活動模型基礎上，設計基于 ZigBee和 MPU6050的運動數(shù)據(jù)采集模塊，并設計了中斷驅動的低功耗運動數(shù)據(jù)采集傳送算法；第 2節(jié)在對三軸加速度、角速度數(shù)據(jù)進行量程規(guī)范化的基礎上進行圖像化表示，并分析比較日?；顒优c跌倒圖像差異；第3節(jié)設計了面向跌倒檢測的卷積神經(jīng)網(wǎng)絡FD-CNN；第4節(jié)結合互聯(lián)網(wǎng)公開數(shù)據(jù)集進行了系統(tǒng)實驗，并將 FD-CNN算法與傳統(tǒng)其他分類算法進行了對比分析.

1 活動感知

本節(jié)建立了基于笛卡爾坐標的人體活動模型，設計了基于 ZigBee和 MPU6050的運動數(shù)據(jù)采集模塊，并設計了中斷驅動的低功耗運動數(shù)據(jù)采集傳送算法.

1.1 基于MEMS的活動感知

人體在運動過程中，加速度和角速度會實時變化.Erdogan等[17]研究表明人體的上軀干(即腰部以上、脖頸以下部分)是采集加速度數(shù)據(jù)并識別跌倒與其他日常動作的最佳部位.本文從穿戴設備舒適性以及系統(tǒng)可靠性出發(fā)，將運動感知模塊放置在定制背心的腰部，進而建立基于笛卡爾坐標系的人體活動模型.圖 1所示為基于笛卡爾坐標系的人體活動模型，其中ax、ay、az分別代表人體活動沿 x軸、y軸和 z軸的加速度；ωx、ωy、ωz為分別代表人體軀干繞 x軸、y軸和z軸的角速度.可以設置 FIFO緩存的數(shù)據(jù)容量值，當 FIFO中緩存數(shù)據(jù)個數(shù)大于該值時產(chǎn)生FIFO溢出中斷.

通過設置自由落體、靜止和 FIFO溢出中斷的合理閾值，運動感知模塊在檢測到自由落體或活動狀態(tài)時，由 CC3250實時采集用并發(fā)送用戶的活動數(shù)據(jù)；當檢測到靜止中斷時，CC3250和 MPU6050都處于休眠狀態(tài)，由 DMP負責采集三軸加速度和角速度數(shù)據(jù)并存至 FIFO緩存中，此時無需訪問 MPU6050和ZigBee射頻進而降低運動感知模塊的功耗.

圖1 人體活動模型Fig.1 Model representing human activity

參考上述人體活動模型，課題組設計了運動感知模塊，圖 2(a)為模塊原理.模塊尺寸為 30mm×30mm×9mm.主要由 CC2530微控制器、MPU6050傳感器、ZigBee射頻和電源管理模塊等組成，其大小適合放置于腰間口袋的位置，可以實時感知用戶的運動數(shù)據(jù).其中，ZigBee模塊的傳輸速率為115200bit/s，傳輸最大距離為100m.MPU6050集成了三軸 MEMS陀螺儀、加速度計和一個可擴展的數(shù)字運動處理器(digital motion processor，DMP).陀螺儀測量范圍最大可達到±2000°/s，加速度計測量范圍最大可達±16g.運動感知模塊的采樣頻率為100Hz.圖2(b)所示為活動感知模塊正面照.

MPU6050包含一個1kB的FIFO寄存器用于緩存數(shù)據(jù).同時，MPU6050集成的DMP可以在休眠狀態(tài)從陀螺儀、加速度計讀取數(shù)據(jù)并存放于 FIFO緩存中，由于此時無需訪問微控制器和 ZigBee射頻，因此模塊處于低功耗模式.此外，MPU6050有一個可編程的中斷系統(tǒng)，提供了自由落體(free fall)、靜止(zero motion)、FIFO溢出(FIFO overflow)等中斷[18].其中，MPU6050的 FF_THR寄存器用于設置自由落體的閾值，F(xiàn)F_DUR寄存器用于設置自由落體持續(xù)時間，MPU6050通過檢測三軸上的加速度測量值是否在規(guī)定閾值內來判斷自由落體運動，一旦達到閾值，就觸發(fā)自由落體中斷，并產(chǎn)生標志位.MPU6050的ZRMOT_THR寄存器用于設置靜止的閾值，ZRMOT_DUR寄存器用以設置靜止中斷持續(xù)時間，MPU6050當?shù)谝淮螜z測到靜止且不再檢測到時，靜止中斷都會被觸發(fā).MPU6050的FIFO_CNT寄存器

圖2 活動感知模塊與感知模塊原理Fig.2 Sensor board and its schematic diagram

1.2 中斷驅動的活動數(shù)據(jù)采集傳輸算法

由于人體跌倒的時間通常小于 2s，依據(jù)參考文獻[15]，課題組設置 FF_THR 為 0.5625g，當系統(tǒng)檢測到自由落體中斷，則系統(tǒng)會通過 ZigBee立即將FIFO中的緩存數(shù)據(jù)發(fā)送給接收端，以便接收端采用跌倒檢測算法做出判斷.由于人體日?；顒拥募铀俣戎低ǔ４笥?0.5g，因此本文設置 ZRMOT_THR為0.5g，ZRMOT_DUR 為 1000ms，即當加速度計的值小于 0.5g且時延超過 1s，系統(tǒng)產(chǎn)生靜止中斷，在靜止中斷處理中設置模塊處于休眠模式.此時MPU6050以低功耗模式采集加速度、陀螺儀數(shù)據(jù)并存儲于FIFO緩存中.

基于上述閾值設置，本文設計了中斷驅動的人體運動數(shù)據(jù)感知傳輸算法.圖 3為與算法對應、采用有窮狀態(tài)機描述的人體運動數(shù)據(jù)采集傳輸流程圖.圖中每個狀態(tài)說明如下.

F0：初始化狀態(tài).初始化 FIFO 緩存并設置數(shù)據(jù)采樣率為 50Hz，設置自由落體中斷、靜止中斷和FIFO溢出中斷為使能狀態(tài)；系統(tǒng)進入低功耗模式，即進入F1.

圖3 中斷驅動的活動數(shù)據(jù)采集傳輸流程Fig.3 Flow chart of the algorithm for data collection and transmission

F1：靜止狀態(tài).通過 DMP采集三軸加速度、角速度數(shù)據(jù)并緩存至 FIFO中；如果靜止中斷持續(xù)時間超過 1s，更新 FIFO緩存并清除靜止中斷標志位，繼續(xù)低功耗模式.在靜止狀態(tài)，若發(fā)生FIFO溢出中斷，則 DMP按照先進先出的原則更新 FIFO中的數(shù)據(jù)；當讀取的加速度值大于 0.5g時，若此時沒有發(fā)生自由落體中斷和 FIFO溢出中斷，則 DMP繼續(xù)讀取數(shù)據(jù)并緩存至FIFO；否則通過ZigBee將FIFO緩存中的數(shù)據(jù)發(fā)送至接收端.

F2：活動狀態(tài).如果產(chǎn)生自由落體中斷，且中斷持續(xù)時間超過 40ms，則模塊通過 ZigBee向接收端發(fā)送FIFO緩存數(shù)據(jù).若自由落體中斷持續(xù)時間小于40ms且產(chǎn)生了 FIFO溢出中斷，則模塊通過 ZigBee向接收端發(fā)送 FIFO 緩存數(shù)據(jù)并返回 F1；否則，向FIFO緩存添加數(shù)據(jù)，并返回F1.

2 活動數(shù)據(jù)處理與分析

由于人體跌倒的時間通常小于 2s，因此在服務器端設計了2s的滑動窗口以緩存活動感知模塊傳來的三軸加速度、角速度數(shù)據(jù).本節(jié)對這些數(shù)據(jù)進行量程規(guī)范化，將規(guī)范化的數(shù)據(jù)轉化為對應像素數(shù)據(jù)，并分析日常活動與跌倒的差異.

2.1 感知數(shù)據(jù)量程規(guī)范及可視化表示

由于感知模塊的采樣頻率為 100 Hz，MPU6050加速度、角速度值采用2bytes表示，因此滑動窗口的大小為 2 400 kB，即服務器端實時存放了三軸加速度、角速度數(shù)據(jù)各 200份.若將 x、y、z軸的加速度、角速度值分別對應于三通道圖像中 R、G、B通道的數(shù)值，這就可以將每份三軸數(shù)據(jù)轉換成一個 RGB像素點.那么滑動窗口中的緩存三軸加速度、角速度數(shù)據(jù)就可以看成為尺寸為20×20×3的圖像(如圖4所示).圖 4中，每個通道的前 200份數(shù)據(jù)為三軸加速度值，后 200份為三軸角速度數(shù)據(jù).即圖 2中從(0，0)到(9，19)為三軸加速度數(shù)據(jù)，從(10，0)到(19，19)為三軸角速度數(shù)據(jù).

圖4 將滑動窗口中三軸加速度、角速度數(shù)據(jù)映射為像素的示意Fig.4 Schematic illustration of mapping three-trial data into RGB bitmap

由于圖像數(shù)據(jù)的量程范圍為 0～255的整型數(shù)據(jù)，而加速度計和陀螺儀的數(shù)據(jù)量程不盡相同，為此本文采用式(1)對加速度計和陀螺儀傳感器數(shù)據(jù)的量程進行規(guī)范化，將兩者傳感器數(shù)據(jù)規(guī)范到 0～255范圍內.

式中：range為加速度計或陀螺儀傳感器的量程；value為實測數(shù)值.計算結果result后為浮點型，為了表示方便本文通過四舍五入將result轉化為整型數(shù)據(jù).例如：一份加速度數(shù)據(jù)為 value＝(8.302，-9.532，0.962)，傳感器的量程為±16g，其對應規(guī)范量程后的數(shù)據(jù)為

圖5所示為2s跳躍活動的三軸加速度、角速度量程規(guī)范化表示前后的數(shù)據(jù)變化趨勢圖.圖 5(c)、(d)為原始的加速度、陀螺儀數(shù)據(jù)，(a)、(b)為量程規(guī)范后的加速度、陀螺儀數(shù)據(jù).可以看到量程規(guī)范只是在縱軸上放大了原始數(shù)據(jù)，但保持了原始數(shù)據(jù)的波形和變化規(guī)律.

圖5 跳的加速度和角速度量程規(guī)范化前后對比Fig.5 Comparison of the raw and normalized data of jump

2.2 ADLs與跌倒數(shù)據(jù)分析

在數(shù)據(jù)量程規(guī)范基礎上，課題組對7類日?；顒?走路、慢跑、上樓、下樓、跳躍、起立、坐下)和跌倒數(shù)據(jù)進行了對比分析.圖6和圖7所示為時長為 2s的跌倒和7類日?；顒拥募铀俣取⒔撬俣葦?shù)據(jù)變化折線圖.從圖6(a)可以發(fā)現(xiàn)，跌倒時x軸加速度呈快速下降隨后快速上升的趨勢，說明在跌倒時，在垂直方向上產(chǎn)生了劇烈的變化；行走、慢跑、連續(xù)跳等行為的三軸加速度、角速度表現(xiàn)出周期性變化規(guī)律，但變化規(guī)律卻不盡相同，慢跑和連續(xù)跳躍在加速度數(shù)據(jù)上看較為類似，但是對比角速度變化趨勢卻很明顯；上下樓時三軸加速度、角速度都表現(xiàn)出周期性特征，但兩者在z軸的變化不同，可以看出上樓時加速度z軸含有波峰，而在下樓時加速度 z軸含有波谷；坐下和起立的動作通過三軸加速度、角速度表現(xiàn)可以看出，兩者對x軸數(shù)據(jù)的變化趨勢較為明顯，坐下時加速度的x軸呈現(xiàn)上升趨勢、起立時加速度的x軸呈現(xiàn)下降趨勢.圖 8表明在人體活動過程中跌倒與其他日常活動加速度和角速度的取值及其方向向量不盡相同，相應日常活動與跌倒的位圖不盡相同.若選取合適的分類算法可將跌倒與其他日?；顒訁^(qū)別開來.

圖6 量程規(guī)范后日?；顒优c跌倒加速度變化趨勢Fig.6 Accelerate velocity line charts of ADLs and fall

圖7 量程規(guī)范后日常活動與跌倒角速度變化趨勢Fig.7 Angular velocity line charts of ADLs and fall

圖8 日?；顒雍偷沟南袼谾ig.8 Bitmaps of ADLs and falls

3 跌倒檢測算法

課題組參考LeNet 5架構[19]設計了基于CNN的跌倒監(jiān)測的算法FD-CNN.

3.1 FD-CNN架構

FD-CNN架構如圖9所示，其輸入為20×20像素的 3通道 RGB圖像，共有 6個網(wǎng)絡層(不包含輸入層).其中，網(wǎng)絡的卷積層標注為Cx，下采樣層標準為Sx，全連接層標注為Fx，x為網(wǎng)絡的層號.在進入網(wǎng)絡的C1層前，系統(tǒng)按照式(2)對數(shù)據(jù)進行規(guī)范化，即將圖像數(shù)據(jù)取值范圍為0～255歸一化為-1～1.這不僅可以加快訓練速度，而且可以提高網(wǎng)絡的精度.

圖9 FD-CNN結構Fig.9 FD-CNN architecture

C1為卷積層.在卷積前，系統(tǒng)對輸入層數(shù)據(jù)進行了邊緣擴充，擴充后的圖像大小為 22×22，擴充邊緣的像素值為 0.邊緣擴充在卷積時可避免輸入層邊緣數(shù)據(jù)特征丟失.卷積核大小是 5×5×3，每個特征圖內只使用一個共同卷積核.每個卷積核有 5×5×3個連接參數(shù)以及1個偏置共76個參數(shù).卷積核每次滑動一個像素，因此卷積層形成的每個特征圖大小是18×18.卷積過后，系統(tǒng)通過 relu函數(shù)進行網(wǎng)絡層激活.C1層共有32個卷積核，所以該層輸出為32張大小為18×18的特征圖.

S2為最大池化層(max pooling).在池化前，系統(tǒng)對C1層輸出的數(shù)據(jù)進行了邊緣擴充(擴充邊緣的像素值為 0)，擴充后的圖像大小為 20×20.系統(tǒng)采用2×2的核以步長為2進行最大池化下采樣得到32張10×10的特征圖.

C3為卷積層.在卷積前，參考C1層也對S2的輸出進行了邊緣擴充，擴充后的圖像大小為 12×12.卷積核大小是5×5×32，卷積核每次滑動一個像素，卷積后形成的每個特征圖大小是 8×8.卷積過后，系統(tǒng)通過 relu函數(shù)進行網(wǎng)絡層激活.C3層共有 64個卷積核，所以該層輸出為64張大小為8×8的特征圖.

S4為最大池化層.參考C1層也對C3的輸出進行了邊緣擴充，擴充后的圖像大小為 10×10.系統(tǒng)采用2×2的核以步長為 2進行最大池化，下采樣得到 64張5×5的特征圖.

F5為全連接層，其含有512個神經(jīng)單元.為了防止網(wǎng)絡過擬合，在訓練時加入了 dropout.這一層神經(jīng)元在全連接后使用relu函數(shù)進行網(wǎng)絡激活.

最后一層是全連接網(wǎng)絡輸出層.該層有 8個神經(jīng)單元.在計算網(wǎng)絡結果時，將最后一層的輸出加到softmax中，得到每個類的預測概率，其中概率最大項為網(wǎng)絡的預測結果.

3.2 網(wǎng)絡訓練

課題組參考圖 1的坐標系，首先對 SisFall[20]和MobiFall[21]公開的數(shù)據(jù)集進行坐標轉換，保證這些數(shù)據(jù)均符合圖1所示的坐標系，并對坐標轉換后的數(shù)據(jù)進行量程規(guī)范和可視化表示；其次，從MobiFall數(shù)據(jù)集中提取了走路、跳躍、慢跑、上樓、下樓數(shù)據(jù)各1000組，跌倒數(shù)據(jù) 500組；從 SisFall數(shù)據(jù)集中提取坐下和起立數(shù)據(jù)各 1000組，跌倒數(shù)據(jù) 500組；它們共同構成了課題組用的公開數(shù)據(jù)集.由于跌倒樣本量較少，課題組在提取數(shù)據(jù)時，不再區(qū)分前/后向跌倒、左/右側跌倒，而將它們統(tǒng)一歸類為跌倒.

此外，課題組采用圖9所示的實驗環(huán)境，通過20名被試實驗獲得了 7類日常活動和跌倒各 200組數(shù)據(jù)，構成了實驗數(shù)據(jù)集.課題組隨機選取公開數(shù)據(jù)集和實驗數(shù)據(jù)集中各 90%的數(shù)據(jù)作為訓練樣本，其余作為測試樣本.訓練樣本和測試樣本集如表 1所示.其中，每類日?；顒雍偷垢饔?1080組訓練樣本，共計 8640組訓練樣本；每類活動含 120組測試樣本，共計960組測試數(shù)據(jù).

表1 訓練樣本和測試樣本集Tab.1 Training data and test data

課題組采用 8640組訓練樣本對 FD-CNN網(wǎng)絡進行了訓練.并按照 9∶1比例將訓練樣本劃分為訓練集和驗證集.訓練中 batch size設值為 64.使用Adam算法進行網(wǎng)絡的優(yōu)化，其中學習率為0.001.此外，在網(wǎng)絡最后全連接層后加上了 softmax層(如式(3)所示)以計算輸出結果的概率.最后，和真實值y做一次交叉熵，求其平均值，得出 loss(見式(4))，并依據(jù)loss值進一步訓練.網(wǎng)絡訓練迭代8個epoch時候，驗證集準確率維持在 99.8%左右，后續(xù)訓練準確率維持穩(wěn)定不再上升；此時網(wǎng)絡訓練結束，并保存網(wǎng)絡模型.最終實驗驗證集準確率為 99.8%，基于驗證集的網(wǎng)絡模型性能見表2.

表2 FD-CNN驗證集測試結果Tab.2 Result of FD-CNN validation data

4 實驗與結果分析

課題組開發(fā)了集成運動感知模塊的可穿戴背心，搭建了實驗環(huán)境，如圖10所示.

圖10 跌倒監(jiān)測實驗環(huán)境Fig.10 Architecture of the fall detection system

4.1 實驗設計

課題組將集成了MPU6050和ZigBee的運動感知模塊放置在可穿戴背心的腰部，以實時采集人體活動產(chǎn)生的三軸加速度、角速度數(shù)據(jù)，并按照第 3.2節(jié)的算法將采集的數(shù)據(jù)通過 ZigBee發(fā)送給集成了ZigBee匯聚節(jié)點的服務器.服務器將收到的數(shù)據(jù)緩存到滑動窗口，同時將滑動窗口中的數(shù)據(jù)量程規(guī)范并轉換為20×20×3的像素圖，服務器上運行FD-CNN算法實時對滑動窗口中的像素數(shù)據(jù)分析歸類.當判斷人員發(fā)生跌倒時，系統(tǒng)自動通過撥打電話或發(fā)送帶有GPS位置的短信向監(jiān)護人員報警.

課題組按照圖 10所示結構搭建了實驗環(huán)境，20名被試(包括 18名男性與 2位女性，年齡在 24～48歲之間)分別完成了行走、慢跑、坐下、起立、上樓、下樓、跳躍和跌倒8類活動，每類活動各10次.課題組提取8類活動中的100組有效數(shù)據(jù)構成實驗數(shù)據(jù)集，并按照表 1所示構造了訓練樣本和測試樣本.出于安全考慮，本次實驗并未邀請50歲以上人員參與.

4.2 實驗結果分析

課題組選擇了一臺 ThinkCenter m6200t臺式機(i5CPU，8G 內存，GTX-970圖形加速卡)作為服務器，在完成FD-CNN訓練后，將表1中的測試集數(shù)據(jù)導入訓練好的網(wǎng)絡模型中進行測試，測試結果如表 3所示.

表3 FD-CNN測試結果Tab.3 Result of FD-CNN test

從表 3可以看出網(wǎng)絡模型系統(tǒng)的準確率達到了98.6%，敏感度和特異性分別達到 98.6%和 99.8%. 其中，系統(tǒng)對跌倒檢測的敏感度和特異性均到達了100%，表明系統(tǒng)對跌倒的識別有很好的效果.

課題組將 FD-CNN測試所用量程規(guī)范后的訓練樣本和測試樣本應用于 Weka，進而將 FD-CNN與Weka中集成的常見分類算法進行對比分析.

表4所示為Weka中的分類算法與FD-CNN算法的性能對比.表 4表明 FD-CNN網(wǎng)絡算法在多方面均具有明顯優(yōu)勢.首先，F(xiàn)D-CNN網(wǎng)絡的準確率、平均敏感度和特異性均為最高，比識別效果最接近的Random Forest算法的準確率、敏感性、特異性分別高出 2.7%、2.7%和 0.4%，比識別效果最不理想的 SMO算法分別高出 19.0%、17.5%和 3.7%.可見 FD-CNN算法對跌倒檢測具有很高的準確率.同時，F(xiàn)D-CNN算法運行在所用 PC機上的運算時間僅有 0.13s，可以完全滿足實時跌倒檢測的需要.

此外，課題組選擇男、女各 1名被試穿上可穿戴背心進行系統(tǒng)功耗測試.測試表明，運動感知模塊在集成 600 mAh的電池時，集成該模塊可穿戴背心可連續(xù)工作 30 h上.這樣護理人員可以在老年人休息時通過替換電池或充電，實現(xiàn)老年人每天 24 h實時跌倒檢測.實驗表明中斷驅動、基于 ZigBee的活動感知模塊是一種低功耗的活動感知模塊，適合于社區(qū)老年人的活動感知與跌倒監(jiān)測.實驗結果表明，本文提出的跌倒檢測技術具有以下兩方面的優(yōu)點.

表4 FD-CNN與其他分類算法測試結果對比Tab.4 Comparison of different algorithms with FD-CNN

(1) 低功耗.與傳統(tǒng)傳輸模塊(例如藍牙)相比，ZigBee在大規(guī)模組網(wǎng)和傳輸功耗方面均具有較大優(yōu)勢.同時，本文使用中斷技術避免了數(shù)據(jù)實時傳輸導致的電能浪費，有效降低了設備使用功耗.

(2) FD-CNN算法具有更高的準確率.本文創(chuàng)新性地將三軸加速度、角速度數(shù)據(jù)轉為 RGB像素，并引入滑動窗口構造能同時反映老年人活動過程中三軸加速度、角速度變化特征的像素圖，進而設計FD-CNN網(wǎng)絡實現(xiàn)老年人跌倒的準確監(jiān)測.表 4說明 FD-CNN算法在相同訓練樣本和測試集上較Weka中集成的機器學習算法無論是系統(tǒng)的準確率、敏感度和特異性指標都有明顯提升.此外，基于非公開數(shù)據(jù)集的跌倒監(jiān)測系統(tǒng)中，RAReFall[11]系統(tǒng)跌倒檢測的召回率和準確率分別為 93.3%和 66.7%，F(xiàn)DCNN比其高出5.3%和31.9%；LPFD[14]系統(tǒng)跌倒檢測的敏感度和特異性分別為93%和 87.3%，F(xiàn)D-CNN比其分別高出其算法指標的5.0%和12.5%.本文算法的優(yōu)勢也是比較明顯的.

5 結 語

本文設計了一種中斷驅動、基于 ZigBee的低功耗運動感知模塊，實現(xiàn)人體運動數(shù)據(jù)的低功耗采集傳輸；在數(shù)據(jù)接收端將人體活動的三軸加速度、角速度數(shù)據(jù)轉換成 RGB位圖，設計實現(xiàn)了基于 CNN的跌倒檢測算法，開發(fā)了系統(tǒng)原型并開展實驗.實驗結果表明，該系統(tǒng)可以有效區(qū)分跌倒和其他日常生活動作.同時，運動感知模塊配備600mAh鋰電池可持續(xù)工作 30h以上，將其集成到可穿戴背心上可以在不影響老年人日常生活的情況下，全天候檢測老年人跌倒.同時，系統(tǒng)具有成本低、方便攜帶等特點.將來課題組將研究使用 NB-iot等技術設計構造基于低功耗物聯(lián)網(wǎng)技術的運動感知模塊，同時結合其他算法研究更高效的日?；顒优c跌倒準確分類技術.