基于RFID 傳感和DBN 的人體活動識別技術研究?

陽 麗，鄧芳明

(1.萍鄉(xiāng)學院信息與計算機工程學院，江西 萍鄉(xiāng) 337000；2.華東交通大學電氣與自動化工程學院，江西 南昌 330013)

隨著人工智能的發(fā)展和可穿戴傳感器設備的普及，基于深度學習的人體活動識別(human activity recognition，HAR)得到了廣泛關注，且具有巨大的應用價值[1]。例如，智能人體活動識別系統(tǒng)可以持續(xù)對家中的老年人或身體受損的人進行健康監(jiān)測[2－4]。因此，準確地識別和記錄人體的活動姿態(tài)，能夠為人們提供更為精確的服務，利用傳感器數(shù)據(jù)特點提取具有良好判別力的特征以提高基于傳感器數(shù)據(jù)的HAR 準確率具有重要的意義。

當前主流的無線傳感技術主要包含藍牙(Bluetooth)、ZigBee 和無線局域網(wǎng)(WLAN)三種技術。這些無線技術易于構建無線傳感器網(wǎng)絡(WSN)，適用于故障診斷和環(huán)境監(jiān)測[5－6]。然而它們都存在操作復雜度高、功耗高的缺點，必須采用電池或直流電源供電。這些具有輔助電源的無線傳感器不僅成本高，而且受限于電池壽命，不適合應用于長期監(jiān)測中[7]。當前無源無線傳感器技術主要包含聲表面波(SAW)技術和射頻識別(RFID)技術兩大類。SAW 無線傳感器利用聲表面波完成傳感信號的采集，具有耐受惡劣環(huán)境(高、低溫和射線輻照)的特點，但制作復雜且成本高，主要應用于電力系統(tǒng)等復雜環(huán)境監(jiān)測領域[7]。RFID 技術利用射頻信號通過空間耦合實現(xiàn)非接觸信息傳遞，并通過所傳遞的信息達到識別目的。相比于現(xiàn)有的WSN 節(jié)點技術，基于超高射頻RFID 技術的傳感標簽無線傳輸距離短，速率低，但得益于反向散射調制技術的采用，電路結構簡單，功耗低，適合工作于無源狀態(tài)[8－9]。

人類活動識別特征提取方法包括傳統(tǒng)特征提取和深度學習特征表達兩種方法[10]。傳統(tǒng)方法需人工對劃分的數(shù)據(jù)抽取統(tǒng)計學意義特征向量，包括時域特征、頻域特征以及其他特征向量。但是傳統(tǒng)方法所抽取的特征都是淺層的，且需要專業(yè)的人體動作領域知識來進行特征提取。而深度學習技術可以直接從原始數(shù)據(jù)自動地抽取更復雜的深層的特征，無需人工干預；同時，深度學習可以有效地解決類內差異和類間相似的問題。深度學習方法可以從傳感器信號中提取出具有代表性或最優(yōu)的特征，而無需事先從傳感器信號中學習，然后將這些特征輸入到人類活動識別工作中[11]。

目前的深度學習算法可以分為四個體系:有監(jiān)督的卷積神經(jīng)網(wǎng)絡(CNN)、基于自編碼(AutoEncoder)的深度神經(jīng)網(wǎng)絡、基于限制玻爾茲曼機(Restricted Boltzmann machine，RBM)的深度置信網(wǎng)絡(Deep belief networks，DBN)和基于遞歸神經(jīng)網(wǎng)絡(Recurrent neural network，RNN)的深度神經(jīng)網(wǎng)絡[12－16]。其中，深度置信網(wǎng)絡已經(jīng)被應用于許多復雜的模式識別問題中，包括語音識別、圖像和視頻處理和分類。適當?shù)嘏渲肈BN 可獲得其最優(yōu)性能。DBN 配置需要對超參數(shù)和DBN 結構進行適當?shù)脑O置，DBN 超參數(shù)包括小批量的大小、權值的初始設置、周期數(shù)、學習速率、動量以及隱藏層和單元數(shù)。在訓練數(shù)據(jù)不足的情況下，超參數(shù)的設置是至關重要的。因此，DBN性能可能會有所不同，并且可以根據(jù)配置降低。

為了提高人體活動識別精度，使其具有更好的魯棒性，本文提出了一種基于RFID 傳感和DBN 最優(yōu)結構人體活動識別技術。首先，設計了一種無源RFID 傳感標簽，人體加速度信號存入傳感器數(shù)據(jù)區(qū)，標簽序列號和硬件版本組成了標簽ID，可以進行唯一標識。在使用DBN 進行訓練之前，使用滑動窗口技術從傳感器數(shù)據(jù)中降低高維特征的維數(shù)。從原始的人體傳感器數(shù)據(jù)中提取重要的初始特征。然后，采用核主成分分析(KPCA)和線性判別分析(LDA)對特征進行進一步處理，使其更具魯棒性。最后，利用這些特征訓練DBN。通過在真實可穿戴傳感器數(shù)據(jù)集上實驗。

1 人體行為識別結構

如圖1 所示，為設計的人體行為識別結構。在該結構中，RFID 傳感標簽用于采集人體行為加速度信號，并對其歸一化，形成訓練集和測試集。訓練集用于訓練DBN 網(wǎng)絡，完成訓練的DBN 網(wǎng)絡通過測試集進行測試。

圖1 人體行為識別結構流程圖

2 RFID 傳感標簽設計

2.1 RFID 傳感標簽結構設計

現(xiàn)有RFID 通信協(xié)議ISO18000－6C[17]并沒有規(guī)定RFID 標簽如何實現(xiàn)傳感功能，因此加速度信號可以寫入RFID 標簽ID 信息內容。如圖2 所示為本文所制定的RFID 標簽傳感信息方案，標簽96 bit ID 信息在邏輯上分為3 個區(qū)域:標簽類型區(qū)(8 bit)、傳感器數(shù)據(jù)區(qū)(64 bit)和標簽ID 區(qū)(24 bit)。每段可以自定義數(shù)據(jù)位數(shù)，標簽類型用于識別標簽的類型和功能；加速度信號存入傳感器數(shù)據(jù)區(qū)，可以根據(jù)實際需求加入相應的傳感器信息；標簽序列號和硬件版本組成了標簽ID，RFID 傳感標簽可以使用此標簽ID 進行唯一標識。

圖2 所設計的RFID 傳感標簽ID 方案

圖3 是RFID 傳感標簽結構圖，傳感標簽由通信模塊、電源管理模塊和數(shù)字模塊組成。通信模塊由通信天線和RFID 通信芯片組成，它負責完成傳感標簽信號的發(fā)送、接收以及調制和解調的功能；電源管理模塊由取能天線、匹配網(wǎng)絡、倍壓整流電路和穩(wěn)壓電路構成，它負責為傳感標簽的正常工作提供電源電壓；數(shù)字模塊由微控制單元(Micro-controller unit，MCU)和加速度傳感器組構成，MCU 用于控制整個傳感標簽的工作并符合相應的RFID 通信協(xié)議，加速度傳感器用于采集人體活動信號并完成相應數(shù)據(jù)的數(shù)字轉換。MCU、加速度傳感器和RFID 通信芯片之間的通信由I2C 總線連接控制。

圖3 本文采用的RFID 傳感標簽結構圖

根據(jù)Friis 公式，RFID 傳感標簽的工作功率可以表達為[18]:

式中:Er(W)表示閱讀器發(fā)射功率，Ga表示標簽天線增益，ηr表示標簽電源管理模塊的轉換效率，d(m)為標簽的工作距離，λ(m)為電磁波波長。標簽的工作距離是RFID 系統(tǒng)最重要的性能指標，根據(jù)式(1)，標簽的工作距離d又可以表達為:

通常情況下，閱讀器發(fā)射功率Er受到相應國家和組織的限制(例如我國和歐洲最大為2 W，北美最大為4 W)，標簽天線增益Ga有限(例如典型偶極子天線增益為1.64)。所以由式(2)可以得到:傳感標簽的低功耗設計和電源管理的高效率設計在標簽設計中占有重要地位。

2.2 RFID 傳感標簽電路設計

電源管理模塊是RFID 傳感標簽的關鍵模塊。如圖4 所示，本文設計的電源管理模塊包含匹配網(wǎng)絡、倍壓整流電路和穩(wěn)壓電路三部分。匹配網(wǎng)絡用于完成取能天線和倍壓整流電路間的功率匹配，從而達到天線接收信號功率的最大化；倍壓整流電路用于將天線接收的射頻信號轉換為直流電壓信號；由于輸入射頻信號的不穩(wěn)定，穩(wěn)壓電路用于將倍壓整流電路輸出的直流信號轉換為一穩(wěn)定直流電壓，為電流傳感標簽其他模塊供電。匹配網(wǎng)絡采用了L型匹配網(wǎng)絡，其中電容C1是高品質因數(shù)瓷介微調電容器，電感L1為高品質因數(shù)射頻電感，通過調節(jié)C1數(shù)值實現(xiàn)最大能量傳輸效率。

圖4 本文設計的電源管理模塊

倍壓整流電路由單級整流電路和直流－直流(DC-DC)電荷泵構成。單級整流電路的內部結構有整流二極管D1、D2，同時還有電容C2，它負責將輸入射頻信號轉換為直流信號；由于整流電路的整流效率主要由整流二極管的閾值電壓決定[19]，因此本設計采用了零偏置電壓的肖特基二極管SMS7630。不同于傳統(tǒng)的多級升壓整流電路[20]，本設計在單級整流電路后采用了高轉換效率的低壓DC-DC 電荷泵芯片S－882Z24；S－882Z24 采用全耗盡絕緣體上硅(Silicon On Insulator，SOI)工藝，最低輸入電壓可低至0.3 V。當負載電容C的輸出電壓VR充電升高至VRH＝2.4 V 時，S－882Z24 內的管理電路自動給后面的穩(wěn)壓電路放電，從而激活標簽數(shù)字模塊；當負載電容C的輸出電壓VR放電降低至VRL＝1.85 V 時，S－882Z24 斷開輸出回路并開始新的充電過程。

取能天線采用常用的鞭狀天線，而通信天線采用微帶貼片天線設計，有利于應用于電網(wǎng)多金屬環(huán)境中。所采用的射頻芯片為英頻杰公司的Monza X－8K，它是一款符合EPC G2 和ISO18000－6C 通信標準的RFID 芯片，內部集成了8 192 bit 非易失性存儲器(Nonvolatile Memory，NVM) 和I2C 總線。MCU 型號選用德州儀器MSP430FR6964，最低工作電壓為1.8 V，最高工作頻率為62 MHz，最低功耗為118 μA/MHz，能夠提供256 kB 的磁性隨機存取存儲器和8 kB 的靜態(tài)隨機存儲以及20 個12 bit 模數(shù)轉換(Analog-Digital Converter，ADC)通道。

3 最優(yōu)DBN 結構

本文提出的系統(tǒng)由傳感器數(shù)據(jù)采集、降維特征提取和人體活動識別三大部分組成。如圖5 所示為人體活動識別選擇最優(yōu)DBN(Optimal DBN，ODBN)結構的方法的工作流程。

圖5 人體活動識別的新方法

3.1 傳感器數(shù)據(jù)采集

傳感器數(shù)據(jù)來源于人體活動相關的加速度傳感器。本文考慮加速度計和陀螺儀的傳感器數(shù)據(jù)，在去除噪聲和對傳感器信號進行統(tǒng)計分析后，進行特征提取，降低特征的維數(shù)。系統(tǒng)最后一部分利用機器人特征訓練DBN，找到ODBN 結構，以提高人類活動識別的精度。

3.2 特征提取與降維

為了從人體傳感器信號中獲得魯棒特征，根據(jù)現(xiàn)有特征提取方法，采用滑動窗口技術。窗口的均值ˉw根據(jù)下式求得:

式中:wi表示i時刻的幅度值，N表示滑動窗口的窗口數(shù)?；瑒哟翱诘臉藴什钊缦?

滑動窗口的平均絕對偏差如下:

固定長度滑動窗口中的最大值和最小值如下:

滑動窗口的偏斜頻率如下:

式中:s表示頻率偏度，K表示頻率峰度，σ表示標準差，f表示采集加速信號的頻率，ˉf表示頻率均值。

滑動窗口中的最大頻率表示為:

滑動窗口中的平均能量解析為:

三個背對背窗口的信號幅度區(qū)域(SMA)解析為:

滑動窗口的信息熵表示為:

式中:t表示滑動窗口的信息熵，ci表示當滑動窗口幅度值為wi時的概率。

窗口中的四分位范圍根據(jù)中間值進行解析，如下所示:

窗口的自回歸(AR)系數(shù)為:

式中:W(t)是時間序列信號，α表示AR 系數(shù)，ε(t)被視為噪聲項，p表示濾波器階數(shù)。現(xiàn)在，兩個窗口w1和w2的皮爾遜相關系數(shù)描述如下:

式中:Cov(w1，w2)表示二者的協(xié)方差。

然后，頻率信號加權平均值確定為:

頻帶[x，y]的能量S表示為:

式中:[x，y]表示帶寬范圍，fi表示為i時刻信號頻率。

在這一點上，一個中心矢量和三個連續(xù)窗口的平均值之間的夾角為:

3.3 DBN 訓練與活動檢測

DBN 中增強特性作為可視層輸入。隱藏單位被認為是低數(shù)量。每個受限玻爾茲曼機(RBM)層分別使用圖6 所示的對比發(fā)散算法進行訓練，如下式所示。

圖6 RBM 訓練過程

RBM 層形成一個生成模型，其中可見和隱藏單元(v，h)的能量如下:

網(wǎng)絡權重更新如下式(21):

式中:ε<0 是學習率。

訓練程序從一組特定的隱藏層和單元開始，然后增加一些隱藏單元，重新訓練DBN。該過程將持續(xù)一定次數(shù)的迭代。根據(jù)特定DBN 結構的最高精度選擇最佳模型。

4 仿真結果與分析

4.1 RFID 傳感標簽測試

首先在實驗室環(huán)境下驗證所設計的無源RFID傳感標簽的通信和傳感性能。利用JX 儀器公司的專用RFID 性能測試儀JX－R1200 對所提出的無源RFID 傳感器標簽的通信性能進行了測試。如圖7所示顯示了測量數(shù)據(jù)流，所設計的RFID 傳感器標簽符合ISO18000－6C 的RFID 協(xié)議，而且從圖7 中還可從測量到的EPC 消息中區(qū)分出唯一的ID，這證明了所提出的RFID 傳感器的快速識別能力。

圖7 RFID 測試儀測量信息

所測得的反射系數(shù)和所提出的RFID 傳感器標簽的靈敏度如圖8 所示。測得的天線中心頻率為915 MHz，對應的回波損耗S11為－26 dB，符合ISO18000－6C 協(xié)議中S11在中心頻率處的值應低于－10 dB。標簽靈敏度是指能夠激活標簽的最小接收信號功率。從圖8 可以看出，感應標簽的最小靈敏度為－15 dBm，對應2 W 讀卡器功率的最大工作距離為8.5 m。

圖8 實測反射系數(shù)和靈敏度

4.2 算法分析

如圖9 所示，通過RFID 傳感標簽采集加速度等信號，并建立數(shù)據(jù)集，包括12 個行為:站著、坐著、走著、躺著、站著－坐著、上樓、下樓、坐著－躺著、坐著－站著、躺著－坐著、躺著－站著、站著－躺著。其中7 767 組數(shù)據(jù)用于訓練，3 162 組數(shù)據(jù)用于測試。在數(shù)據(jù)庫中，用于訓練和測試獨特動作的測試數(shù)量并不是均勻分布的。

圖9 RFID 傳感標簽采集加速度信號

首先從第1 層和第2 層的10 個隱藏單元開始構建網(wǎng)絡結構，然后將隱藏單元的數(shù)量增加到860個。在表1 中，DBN 結構序列號1 到16，代表16 種不同結構，兩個隱藏層的單元數(shù)與列1 和列2 中提到的相同。其余結構的第1 層和第2 層具有不同數(shù)量的隱藏單元。其中動量為0.7，學習率為2，批量大小為881。表1 中DBN 結構為DBN－16 的RBM層重建誤差如圖10 所示。結果表明，重構誤差隨著重建次數(shù)的增加而急劇下降。

圖10 RMB 層重建誤差

表1 DBN 中第1 層和第2 層的隱藏單元數(shù)及對應的精度

將訓練后DBN 的權值矩陣作為神經(jīng)網(wǎng)絡初始權值，其中人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)輸出與活動類型數(shù)保持一致，利用最優(yōu)雙曲型激活函數(shù)的反向傳播訓練算法對神經(jīng)網(wǎng)絡進行訓練。神經(jīng)網(wǎng)絡各層次學習率的標度因子為1，學習率為2，動量為0.5。根據(jù)表1 可知，網(wǎng)絡結構為DBN－16 的訓練錯誤率如圖11 所示。結果表明，誤差率隨迭代次數(shù)的增加而減小。

圖11 表1 的DBN 結構－16 網(wǎng)絡訓練的誤差率

表1 和圖12 給出了不同DBN 結構的測試集的精度。從圖11 中可知，隨著隱藏單元數(shù)量的增加，精確度增加。精度的增加一直持續(xù)到第1 層和第2層的隱藏單元數(shù)為40，隨后準確度降低。當隱藏單位增加到260，之后增加到860 時，精度顯著降低并幾乎為零。由結果可知，對于這種人類活動識別，DBN 的最佳結構是兩個隱藏層的40 個隱藏單元。

圖12 不同DBN 結構的精度

表1 中DBN 結構為DBN－16 對應的混淆矩陣(40 個隱藏單元)見表3，錯誤率見表2。由表2 可知，從坐姿到站立姿勢的錯誤率非常高。由于在訓練數(shù)據(jù)集中的訓練實例數(shù)量較少，因此，它在DBN中沒有被正確地建模。

表2 訓練數(shù)據(jù)中不同類型的活動及其識別錯誤率

表3 DBN 結構的混淆矩陣－16

精度測試與標準分類器支持向量機(SVM)進行了比較。在本文提出的方法中，支持向量機達到94.12%的準確率，而40 個隱藏單元的DBN 達到97.5%的準確率，是目前數(shù)據(jù)集的最高準確率。分析結果表明，DBN和ANN 分類器的結構對DBN 的性能有很大的影響。因此，本文提出方法的得到了實驗驗證。

5 結論

本文研究了一種基于RFID 傳感標簽和深度信念網(wǎng)絡的人體活動識別算法。首先設計了一種無源RFID 標簽，獲取人體加速度信號，而且此標簽還可以進行唯一標識。然后描述了如何從傳感器信號中提取魯棒特征并利用它們訓練DBN。文中還討論了如何通過改變DBN 結構的超參數(shù)來尋找ODBN 結構。實驗結果表明，所設計的傳感標簽最小靈敏度約為－17 dBm，對應在2 W 的閱讀器功率下傳感標簽最大工作距離為10.5 m；與傳統(tǒng)的支持向量機方法相比，本文提出的DBN 方法具有明顯的優(yōu)越性。所提出的方法獲得的總體精度為97.5%，在相同的數(shù)據(jù)集中也優(yōu)于其他現(xiàn)有的DBN。