基于加速度傳感器和神經(jīng)網(wǎng)絡(luò)的人體活動行為識別

張烈平 匡貞伍 李昆鍵 韋克瑩 王政忠 張聲嵐

摘? 要： 人體活動行為識別在醫(yī)療、安全、娛樂等方面有著廣泛的應(yīng)用，為了高效、準(zhǔn)確地獲取人體活動的行為信息，提出一種基于加速度傳感器和神經(jīng)網(wǎng)絡(luò)的個人活動行為識別方法。該方法通過在個人手上佩戴加速度傳感器，實時采集個人活動的行為數(shù)據(jù);再通過BP神經(jīng)網(wǎng)絡(luò)分析相關(guān)行為數(shù)據(jù)并建立個人活動行為模型，分類識別個人的行走、坐著、躺臥、站立和突然跌倒等活動行為特征。實驗結(jié)果表明，該方法能夠有效檢測到個人活動的行為特征參數(shù)，并可準(zhǔn)確識別出人體活動的五種典型行為。

關(guān)鍵詞： 人體活動; 行為識別; 特征提取; 加速度傳感器; BP神經(jīng)網(wǎng)絡(luò); 實驗仿真

中圖分類號： TN711?34; TP391.4? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）16?0071?04

0? 引? 言

近些年來，隨著傳感器檢測器件以及人機交互等關(guān)鍵技術(shù)的飛速發(fā)展，人體活動行為識別廣泛應(yīng)用于生物醫(yī)學(xué)研究、健康狀況評估以及健康監(jiān)護等領(lǐng)域[1]。人體行為識別有基于視覺的和基于傳感器信號和設(shè)計的分類算法來推測人體的活動行為模式，具有成本低、靈活、可移植性好的特點。相比基于視覺的人體活動行為識別方法，基于傳感器的人體活動行為識別具有廣泛的應(yīng)用前景[2]?；顒有袨樽R別技術(shù)可以歸類為模式識別問題，常用于對人體活動行為進行分類的模式識別算法有決策樹、支持向量機、最近鄰法和神經(jīng)網(wǎng)絡(luò)等。其中，神經(jīng)網(wǎng)絡(luò)通過對簡單的非線性函數(shù)進行數(shù)次復(fù)合，可近似為復(fù)雜的函數(shù)，在分類大規(guī)模的、有噪聲污染的數(shù)據(jù)方面具有優(yōu)勢[3]。

目前國內(nèi)外已經(jīng)開展了對人體行為識別的相關(guān)研究，已經(jīng)取得了很多研究成果。強茂山等人提出了一種基于加速度傳感器的建筑工人施工行為識別方法。該算法以鋼筋工為例，利用加速度傳感器在工地現(xiàn)場采集鋼筋工施工過程中手腕處運動的加速度數(shù)據(jù)，采用支持向量機、BP神經(jīng)網(wǎng)絡(luò)和決策樹三種分類算法將鋼筋工的活動行為進行分類研究[4]。Mantyjarvi等人使用主成分分析和小波變換從原始傳感器數(shù)據(jù)中提取特征，采用多層感知器對3種簡單人體活動進行了識別[5]。Abdulhamit Subasi等人提出一種人體活動行為識別方法，采用Adaboost分類算法對采集到的人體行為活動數(shù)據(jù)進行了行為識別分類，取得了較好的識別效果[6]。

本文擬以人體活動行為作為對象，利用三軸加速度傳感器采集包括行走、坐著、躺臥、站立和突然跌倒等活動行為數(shù)據(jù)，以采集到的三軸加速度傳感器的X軸、Y軸和Z軸方向上分量的均值、標(biāo)準(zhǔn)差、峰度和任意兩軸之間的相關(guān)系數(shù)作為特征值，構(gòu)成人體活動行為的特征向量，用以表征其行為特征。在此基礎(chǔ)上采用神經(jīng)網(wǎng)絡(luò)進行建模識別，實現(xiàn)人體活動行為的分類。

1? 系統(tǒng)整體設(shè)計

本文設(shè)計的人體活動行為識別系統(tǒng)總體結(jié)構(gòu)如圖1所示。人體手上佩戴有傳感器采集節(jié)點的手環(huán)，節(jié)點采集到的活動行為數(shù)據(jù)通過ZigBee無線數(shù)據(jù)發(fā)送模塊將數(shù)據(jù)發(fā)送至無線數(shù)據(jù)接收模塊，再通過USB接口將數(shù)據(jù)傳輸至計算機。計算機數(shù)據(jù)處理系統(tǒng)對數(shù)據(jù)進行分析建模并且判斷當(dāng)前人體的活動行為模式，最終識別出人體活動的行為類別。

考慮到傳感器采集節(jié)點需要佩戴在人體的手腕上，為不影響人體的正?；顒樱摴?jié)點需要具備體積小、功耗低、質(zhì)量輕、價格便宜等特點。因此，本文使用MMA7361加速度傳感器芯片作為活動行為特征數(shù)據(jù)的采集傳感器，使用CC2530芯片作為無線數(shù)據(jù)發(fā)送模塊和無線數(shù)據(jù)接收模塊的處理器。MMA7361是恩智浦公司的一款加速度傳感器，它是一款低功耗、低成本電容式微機械加速度傳感器，具有信號調(diào)理、一階低通濾波器、溫度補償、自檢等功能，有兩種靈敏度可選，輸出信號為模擬信號，便于CC2530采集[7]。CC2530在單個芯片上整合了ZigBee射頻前端、內(nèi)存和微控制器，支持IEEE 802.15.4以及ZigBee系列標(biāo)準(zhǔn)，且提供了101 dB的鏈路質(zhì)量指示，具有較好的靈敏度和強抗干擾性[8]。

2? 人體活動行為數(shù)據(jù)采集與特征提取

2.1? 數(shù)據(jù)采集方法

本文將傳感器采集節(jié)點佩戴在人體的手臂上以便通過MMA7361采集活動行為數(shù)據(jù)。其中，x軸的正方向沿手臂方向指向肘部;y軸正方向與x軸垂直，指向右側(cè);z軸正方向豎直向下;加速度數(shù)據(jù)以重力加速度g作為單位。在采集活動行為數(shù)據(jù)時，傳感器采集節(jié)點通過CC2530的3個ADC端口P0.0，P0.1和P0.2分別采集MMA7361的x軸、y軸和z軸的加速度值。由于采樣頻率為10 Hz，每組數(shù)據(jù)有50個采樣值，所以傳感器采集節(jié)點采集一次活動行為數(shù)據(jù)需要5 s。為了減少丟包率以及減輕WSN的工作負擔(dān)，傳感器采集節(jié)點采集的策略設(shè)計為在5 s的數(shù)據(jù)全部采集完之后一次性打包發(fā)送，而不是實時地發(fā)送每一次采集到的數(shù)據(jù)，這樣更能夠保證信息的完整性。

實驗過程中，選擇10個學(xué)生進行測試，其中男生6人，女生4人。每個學(xué)生進行25次典型行為測試，形成250個測試數(shù)據(jù)組，每個測試數(shù)據(jù)組有50個采樣數(shù)據(jù)。圖2的3個子圖分別為根據(jù)本文方法采集到的一個學(xué)生五種行為的x，y，z軸加速度曲線。

從圖2可以看出，對于坐著行為，三個軸上的加速度基本保持在（0.34，-0.34，0.78）左右;而躺臥行為在三個軸上的加速度基本保持在（0.06，0.05，0.93）左右;站立行為在三個軸上的加速度則基本保持在（0.84，-0.20，0.07）左右。同樣，對于行走和突然跌倒兩種行為，可以看出它們在x，y，z三個軸上的加速度都有不同程度的明顯波動。相比于突然跌倒而言，行走時的加速度值在三個軸上的波動性更具有周期性，而突然跌倒時的加速度曲線在三個軸上的波峰和波谷更為陡峭，絕對值也更大。

2.2? 特征提取方法

人體在坐著、躺臥和站立時，由于運動幅度較小，在MMA7361的x軸方向上的加速度波動性不明顯。對于行走和突然跌倒這兩種行為，由于運動幅度較大，它們的加速度值在MMA7361的x軸方向上的波動性較為明顯。因此可以把人體的五種活動行為分為靜止和運動兩大部分，靜止部分包括坐著、躺臥和站立三種行為，而運動則包括行走和突然跌倒兩種行為。根據(jù)前面分析可知，在靜止?fàn)顟B(tài)下，坐著、躺臥和站立在MMA7361的三個軸上的方向性有明顯的區(qū)別，可以通過提取三軸方向上的加速度分量的均值和標(biāo)準(zhǔn)差作為區(qū)分坐著、躺臥和站立三種行為的特征。對于運動狀態(tài)下的行走和突然跌倒行為，由于其波動程度存在著比較明顯的差異，并且在三個軸的加速度分量上都有不同程度的關(guān)聯(lián)，所以通過時域特征峰度和相關(guān)系數(shù)來實現(xiàn)對行走和突然跌倒兩種行為的有效劃分。

3? 人體活動行為的分類識別

3.1? BP神經(jīng)網(wǎng)絡(luò)分類器

對于一般的模式識別問題，三層BP神經(jīng)網(wǎng)絡(luò)就可以解決問題。本文采用三層BP神經(jīng)網(wǎng)絡(luò)來進行人體活動行為的識別與分類，并使用Sigmoid作為傳遞函數(shù)，使用量化共軛梯度法（Trainscg）進行訓(xùn)練。相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)分析如下：

1） 輸入層。本文通過提取加速度傳感器在x，y，z三軸方向上分量的均值、標(biāo)準(zhǔn)差、峰度和任意兩軸之間的相關(guān)系數(shù)作為特征值，構(gòu)成一個12維的特征向量。故輸入層神經(jīng)元數(shù)為12個。

2） 隱含層。隱含層神經(jīng)元數(shù)的選擇關(guān)系到整個BP網(wǎng)絡(luò)的精確度和學(xué)習(xí)效率，關(guān)于隱含層的神經(jīng)元個數(shù)，其經(jīng)驗公式如下[10]：

[m=n+l+a] （3）

式中：[m]為隱含層節(jié)點數(shù);[n]為輸入層節(jié)點數(shù);[l]為輸出層節(jié)點數(shù);[a]為介于1～10之間的常數(shù)，本文選擇Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的默認(rèn)值10。在用式（3）得到m之后，其具體數(shù)值還需要在實驗過程進行測試優(yōu)選。

3） 輸出層。本文主要研究人體活動的五種典型行為，BP神經(jīng)網(wǎng)絡(luò)對輸入樣本的期望輸出值如表2所示，也就是說輸出層的節(jié)點數(shù)選擇為5。

3.2? 分類識別實驗

本節(jié)使用Matlab基于第3.1節(jié)的方法構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類器對人體活動行為進行識別和分類。實驗中提取特征樣本的70%作為訓(xùn)練樣本（174個），15%作為驗證樣本（38個），15%測試樣本（38個），考慮到按照經(jīng)驗公式法計算出來的m=14.125，本文對m取值為12，13，14，15，16的范圍進行優(yōu)化測試。在經(jīng)過多次測試后，發(fā)現(xiàn)在隱含層節(jié)點數(shù)為15時系統(tǒng)達到了最佳分類效果，測試結(jié)果如圖3所示。其訓(xùn)練樣本、驗證樣本、測試樣本的分類準(zhǔn)確率都為100%。

4? 結(jié)? 語

根據(jù)人體活動行為的特點，本文給出一種人體活動行為識別方法，并利用仿真和實驗相結(jié)合的方式對給出的識別方法進行了驗證。實驗結(jié)果表明，本文給出的識別方法能夠較準(zhǔn)確地識別出人體活動的五種典型行為，驗證了本文提出的特征提取及識別方法的有效性。

一般而言，人體活動的范圍比較大，本文僅采用無線發(fā)射和接收模塊以及USB接口進行數(shù)據(jù)傳輸，不利于較大規(guī)模人體活動的行為識別。后期研究時，嘗試將其擴展為無線傳感器網(wǎng)絡(luò)模式進行分類識別，構(gòu)建無線網(wǎng)絡(luò)模式下的人體活動行為識別與監(jiān)控系統(tǒng)，擴大其應(yīng)用價值。

參考文獻

[1] 周林，雷麗平，楊龍頻.基于多傳感器的人體行為識別系統(tǒng)[J].傳感器與微系統(tǒng)，2016，35（3）：89?91.

ZHOU Lin， LEI Liping， YANG Longpin. Human behavior recognition system based on multi?sensor [J]. Sensors and microsystem technology， 2016， 35（3）： 89?91.

[2] 鄭增威，杜俊杰，霍梅梅，等.基于可穿戴傳感器的人體活動識別研究綜述[J].計算機應(yīng)用，2018，38（5）：1223?1229.

ZHENG Zengwei， DU Junjie， HUO Meimei， et al. Research review of human activity recognition based on wearable sensors [J]. Journal of computer applications，2008， 38（5）： 1223?1229.

[3] 劉家峰，劉鵬，張英濤，等.模式識別[M].2版.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2017.

LIU Jiafeng， LIU Peng， ZHANG Yingtao， et al. Pattern recognition [M]. 2nd ed. Harbin： Harbin Institute of Technology Press， 2017.

[4] 強茂山，張東成，江漢臣.基于加速度傳感器的建筑工人施工行為識別方法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2017，57（12）：1338?1344.

QIANG Maoshan， ZHANG Dongcheng， JIANG Hanchen. Recognizing construction worker activities based on accelerometers [J]. Journal of Tsinghua University（Science and technology）， 2017， 57（12）： 1338?1344.

[5] MANTYJARVI J， HIMBERG J， SEPPANEN T.Recognizing human motion with multiple acceleration sensors? [C]// 2001 IEEE International Conference on Systems， Man， and Cybernetics. Tucson， AZ， USA： IEEE， 2001： 747?752.

[6] SUBASI A， DAMMAS D H， ALGHAMDI R D， et al. Sensor based human activity recognition using adaboost ensemble classifier [J]. Procedia computer science， 2018， 140： 104?111.

[7] BIRYUKOVA O V， KORETSKAYA I V. The usage of acceleration sensor to control spatial orientation for experiment automatization [C]// 2018 Systems of Signal Synchronization， Generating and Processing in Telecommunications. Minsk： IEEE， 2018： 1?5.

[8] 姚國風(fēng)，莊斌，趙大明，等.基于ZigBee無線技術(shù)的智能家居系統(tǒng)設(shè)計[J].現(xiàn)代電子技術(shù)，2016，39（22）：81?84.

YAO Guofeng， ZHUANG Bin， ZHAO Daming， et al. Design of smart home system based on ZigBee wireless technology [J]. Modern electronics technology， 2016， 39（22）： 81?84.

（上接第74頁）

[9] 李頎，王志鵬，竇軒，等.基于無線傳感器網(wǎng)絡(luò)的產(chǎn)前母豬行為監(jiān)測系統(tǒng)[J].家畜生態(tài)學(xué)報，2017，38（3）：75?79.

LI Qi， WANG Zhipeng， DOU Xuan， et al. Monitoring system of sows′ behavior before farrowing based on wireless sensor networks [J]. Journal of domestic animal ecology， 2017， 38（3）： 75?79.

[10] LIU Luyao， LIU Diran， SUN Qie， et al. Forecasting power output of photovoltaic system using a BP network method [J]. Energy procedia， 2017， 142： 780?786.