基于RBF神經(jīng)網(wǎng)絡(luò)的跌倒檢測算法

劉 勃，孔韋韋，肖家欽，王明偉

(1.西安郵電大學(xué) 研究生院，陜西 西安 710121；2.西安郵電大學(xué) 計算機學(xué)院，陜西 西安 710121；3.八O二臺，江西 吉安 343600；4.陜西科技大學(xué) 電子信息與人工智能學(xué)院，陜西 西安 710021)

0 引 言

國家統(tǒng)計局?jǐn)?shù)據(jù)表明，截止2019年年末，中國65周歲及以上老年人口達(dá)到1.76億，約占全社會總?cè)丝诘?2.6%[1]，比2018年增長了0.7個百分點。跌倒是導(dǎo)致65周歲以上老人意外死亡的首要因素[2]，而且隨著年齡的增長跌倒發(fā)生的比例迅速增加[3]，跌倒也是造成全球老年人意外傷亡的第二位因素[4]。

目前，跌倒檢測方法根據(jù)使用環(huán)境不同分為兩類：一類是固定環(huán)境場所的跌倒檢測方法，另一類是移動環(huán)境下的跌倒檢測方法。固定環(huán)境場所的跌倒檢測方法是通過布置在家庭等固定地點的監(jiān)測設(shè)備采集人體跌倒前后的信息，通常包括視頻圖像、音頻信號和震動數(shù)據(jù)，運用相關(guān)算法實現(xiàn)跌倒檢測。視頻圖像法常見的數(shù)據(jù)采集設(shè)備有攝像機[5-7]、紅外傳感器[8-9]以及移動機器人[10-11]，音頻信號法常見的數(shù)據(jù)采集設(shè)備有聲音傳感器[12]和麥克風(fēng)[13]，震動信號法常見的數(shù)據(jù)采集設(shè)備有壓力傳感器[14]和壓電傳感器[15]。震動信號法經(jīng)常和音頻信號法一起使用[16]，此外還有基于無線信道狀態(tài)信息及WIFI信號的跌倒檢測方法[17-18]。該類方法監(jiān)測范圍有限、易受環(huán)境干擾，不宜全面推廣。移動環(huán)境下的跌倒檢測方法最主要的是基于可穿戴的便攜式檢測設(shè)備的跌倒檢測方法，該方法常用的傳感器有加速度傳感器[19-20]、陀螺儀[21]、壓力傳感器[22-23],傳感器常見的布置位置有腰部、手腕、膝蓋、鞋底[24-25]，也可多種或多個傳感器安放在不同位置[26]進(jìn)行綜合檢測?；诙鄠鞲衅鞯谋銛y式跌倒監(jiān)測設(shè)備，通過多個傳感器協(xié)同工作從多個角度對跌倒?fàn)顩r進(jìn)行綜合判斷。優(yōu)點是適應(yīng)性強、精度較高，缺點是能耗大、成本高、系統(tǒng)相對復(fù)雜?；趩我粋鞲衅鞯谋銛y式跌倒監(jiān)測設(shè)備，一般使用加速度傳感器采集數(shù)據(jù)，通過特定算法對跌倒?fàn)顩r進(jìn)行識別判斷。優(yōu)點是能耗小、成本低，缺點是精度相對較低。綜上，基于可穿戴傳感器的便攜式監(jiān)測設(shè)備，應(yīng)用前景良好。

閾值法和機器學(xué)習(xí)法是當(dāng)前最常見的跌倒檢測方法。閾值法通過設(shè)置多級多類閾值檢測是否跌倒，計算相對簡單，運算速度較快，對硬件資源要求低，但選取合適的閾值較難。機器學(xué)習(xí)法通過將傳感器采集到的各類數(shù)據(jù)進(jìn)行訓(xùn)練，形成跌倒檢測模型，運用相關(guān)算法進(jìn)行跌倒分類檢測。機器學(xué)習(xí)模型性能的影響因素是多方面的，主要包括原始數(shù)據(jù)、特征向量和分類算法。常見的機器學(xué)習(xí)方法有支持向量機(SVM)、隨機森林、決策樹、樸素貝葉斯網(wǎng)絡(luò)、邏輯回歸、隱馬爾可夫鏈和超限學(xué)習(xí)機(ELM)等。人工神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)性極強，應(yīng)對復(fù)雜數(shù)據(jù)能夠快速尋找最優(yōu)解。運用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建分類模型，準(zhǔn)確率高、穩(wěn)定性好，并且低階神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)計算復(fù)雜度相對較低。

該文采用可穿戴式單一傳感器采集人體運動狀態(tài)數(shù)據(jù)，運用徑向基函數(shù)(radial basis function，RBF)構(gòu)建分類模型，判斷人體是否處于跌倒?fàn)顟B(tài)，檢測效果良好。

1 神經(jīng)網(wǎng)絡(luò)基本原理

MP模型從邏輯功能器件的角度來描述神經(jīng)元，是生物神經(jīng)元信息處理模式的數(shù)學(xué)簡化，奠定了神經(jīng)網(wǎng)絡(luò)的理論研究基礎(chǔ)。

1988年Broomhead和Lowe將徑向基函數(shù)引入神經(jīng)網(wǎng)絡(luò)，形成了RBF神經(jīng)網(wǎng)絡(luò)[27]。RBF神經(jīng)網(wǎng)絡(luò)是一種三層的前饋網(wǎng)絡(luò)，其基本思想是：利用RBF作為隱單元的“基”構(gòu)成隱含層空間，把低維的輸入矢量通過投影變換到高維空間，使原本線性不可分的問題變得線性可分。圖1為RBF神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)示意圖。

圖1 RBF神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

由RBF構(gòu)成的隱含層空間，可以將輸入矢量直接映射到隱空間，從而不需要通過權(quán)聯(lián)接，因此輸入層和隱含層之間的聯(lián)接權(quán)值均為1。隱含層實現(xiàn)對輸入向量的非線性投影，而輸出層則負(fù)責(zé)最后的線性加權(quán)求和。RBF神經(jīng)網(wǎng)絡(luò)中待學(xué)習(xí)優(yōu)化的參數(shù)包括：徑向基函數(shù)的中心、方差以及隱含層到輸出層的聯(lián)接權(quán)值。輸出層負(fù)責(zé)通過線性優(yōu)化策略來實現(xiàn)對權(quán)值的優(yōu)化，學(xué)習(xí)速度通常較快；而隱含層則需要采用非線性優(yōu)化的方法對激活函數(shù)的參數(shù)進(jìn)行調(diào)整，故而其學(xué)習(xí)速度相對較慢。RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)方法按照徑向基函數(shù)中心的選取有不同的類型，主要包括自組織選取法、隨機中心法、有監(jiān)督中心法和正交最小二乘法。RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程主要由兩個階段構(gòu)成，第一階段為無監(jiān)督學(xué)習(xí)過程，實現(xiàn)隱含層基函數(shù)的中心及方差的求解；第二階段是有監(jiān)督學(xué)習(xí)過程，確定隱含層到輸出層之間的聯(lián)接權(quán)值。RBF神經(jīng)網(wǎng)絡(luò)屬于局部逼近網(wǎng)絡(luò)，省略了隱含層權(quán)值的學(xué)習(xí)行為，避免了誤差在網(wǎng)絡(luò)中耗時的逐層傳遞過程，因此該網(wǎng)絡(luò)的學(xué)習(xí)收斂速度非?？臁：推渌窠?jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意的非線性函數(shù)，具有最佳逼近性能、分類能力和全局最優(yōu)特性，而且拓?fù)浣Y(jié)構(gòu)簡單，計算量小，網(wǎng)絡(luò)的適用性好，可以動態(tài)確定網(wǎng)絡(luò)結(jié)構(gòu)和隱層單元的數(shù)據(jù)中心和擴展常數(shù)，收斂速度快。

徑向基函數(shù)是一個取值僅依賴于距定點c距離的實值函數(shù)，任意一個滿足φ(x,c)=φ(‖x-c‖)特征的函數(shù)φ均為徑向基函數(shù)，簡化情況下也可以是到原點的距離，即φ(x)=φ(‖x‖)。采用高斯核函數(shù)作為徑向基神經(jīng)網(wǎng)絡(luò)的基函數(shù)，則徑向基神經(jīng)網(wǎng)絡(luò)隱單元的輸出為：

其中，φ為徑向基函數(shù)，x為樣本，ci為核函數(shù)第i個中心點，σi為函數(shù)第i個中心點的寬度。核函數(shù)中心點的選取十分關(guān)鍵，不恰當(dāng)?shù)闹行奈恢脽o法使網(wǎng)絡(luò)正確反映輸入樣本空間的實際分布情況，對輸入空間不能很好地進(jìn)行擬合。核函數(shù)中心點的寬度控制了函數(shù)的徑向作用范圍，是影響RBF神經(jīng)網(wǎng)絡(luò)性能的重要因素。當(dāng)寬度太小時，類間的分界線就會變得比較模糊，就會降低分類精度；當(dāng)寬度太大時，基函數(shù)的覆蓋區(qū)域就會變得相對較小，從而降低網(wǎng)絡(luò)的泛化能力。

則RBF神經(jīng)網(wǎng)絡(luò)的輸出為：

其中，yj表示RBF神經(jīng)網(wǎng)絡(luò)的輸出，xp表示第p個輸入樣本，ci表示第i個中心點，σi表示函數(shù)第i個中心點的寬度，wij表示隱含層神經(jīng)元i與輸出層神經(jīng)元j之間的聯(lián)接權(quán)值系數(shù),h表示隱含層的節(jié)點數(shù)，n是輸出的樣本數(shù)或分類數(shù)。

2 跌倒檢測算法

2.1 跌倒特點

通過分析研究人體日常行為和跌倒動作的運動特征，發(fā)現(xiàn)人體跌倒過程大致可以分為3個階段。第一階段，身體重心瞬間失去平衡；第二階段，身體快速撞擊地面；第三階段，失去意識或輕微翻動，也可能自行站起來或在路人幫助下站起來。在人體跌倒的過程中，人體運動姿態(tài)加速度經(jīng)歷了迅速而復(fù)雜的規(guī)律變化，因此，通過分析人體運動加速度的變化規(guī)律，可以判斷被監(jiān)測人是否處于跌倒?fàn)顟B(tài)，詳細(xì)分析見文獻(xiàn)[28]。

2.2 數(shù)據(jù)采集

傳感器采用的是ADXL345，它是亞德諾公司生產(chǎn)的三軸加速度傳感器，非常適合移動設(shè)備應(yīng)用。該傳感器具有分辨率好、靈敏度高、尺寸超小、功耗超低、成本低廉等優(yōu)點，不但可以測量靜態(tài)重力加速度，而且可以測量運動或沖擊導(dǎo)致的動態(tài)加速度，完全可以檢測低重力水平上的移動、傾斜、墜落、搖擺等運動狀態(tài)下的加速度，最大量程可達(dá)±16g，能夠準(zhǔn)確測量人體運動姿態(tài)數(shù)據(jù)，而且便于大規(guī)模推廣使用。

根據(jù)人體重心在腰部的這一重要特點，加速度傳感器布置在腰部最合適，實際上也最方便。以人體腰部為坐標(biāo)原點，建立三維空間坐標(biāo)系，人體前進(jìn)方向為X軸，人體左側(cè)方向為Y軸，人體豎直向上方向為Z軸，三軸加速度傳感器任意時刻采集的人體運動姿態(tài)數(shù)據(jù)都能夠由X、Y、Z方向這3個正交的向量基來表示。

考慮到老年人行動不便、健康狀態(tài)和生命安全等實際情況，實驗邀請不同身高體形的青年男女學(xué)生各10人，模擬老年人的日常行為和跌倒過程。實驗種類包括行走、跑步、上樓、下樓、跳躍和坐下等6種日?；顒雍拖蚯?、向后、向前側(cè)、向后側(cè)等4種跌倒動作。在模擬老人跌倒的實驗過程中，為降低跌倒動作可能對實驗者受到的意外傷害，在地面上鋪有10厘米厚的防護(hù)墊一層。20人同時模擬同一動作，各自分別做了20次實驗，共采集日?；顒訑?shù)據(jù)2 400條，模擬跌倒數(shù)據(jù)1 600條。實驗數(shù)據(jù)記錄結(jié)果見表1。

表1 實驗數(shù)據(jù)

為確保實驗數(shù)據(jù)采集精度，依據(jù)人體運動頻率一般都低于20 Hz的特點，結(jié)合采樣定理，實驗將加速度信號的采樣頻率設(shè)置為500 Hz，這樣完全可以表征人體運動特征的全部細(xì)節(jié)信息，滿足實驗的精度要求。依據(jù)人體跌倒實驗歷史數(shù)據(jù)的特點，實驗時將加速度傳感器的量程設(shè)置為±4g，這樣可以進(jìn)一步提高實驗的精度。

2.3 數(shù)據(jù)處理

數(shù)據(jù)處理過程主要分為三步：數(shù)據(jù)預(yù)處理、特征值提取、運動狀態(tài)分類。數(shù)據(jù)處理流程如圖2所示，各模塊的具體功能如下。

圖2 數(shù)據(jù)處理流程

(1)數(shù)據(jù)預(yù)處理。為了減少加速度傳感器采集數(shù)據(jù)時的干擾，降低誤判，采用均值濾波法對加速度信號進(jìn)行降噪處理。具體講，在固定時間窗口對三軸加速度傳感器采集的人體運動狀態(tài)數(shù)據(jù)進(jìn)行5點滑動平均，而后再進(jìn)行加速度幅值計算。

圖3 正常運動時的加速度

圖4 跌倒過程中的加速度

(2)特征值提取。圖3為正常運動時三軸合加速度變化情況，圖4為跌倒過程中三軸合加速度變化情況。通過對三軸加速度進(jìn)行分析對比，發(fā)現(xiàn)跌倒發(fā)生時，由于人體重心瞬間失去平衡，在重力的作用下做自由落體運動，加速度迅速減??；緊接著身體重重撞擊地面，三軸合加速度產(chǎn)生一個巨大的峰值，迅速達(dá)到最大值；在跌倒未能起來的較短時間內(nèi)，人體的加速度變化不大，基本上保持一個固定值。通過分析研究人體跌倒過程中加速度的變化規(guī)律，構(gòu)建了組合特征向量。組合特征向量主要包括4個特征值：加速度信號幅度的均值、標(biāo)準(zhǔn)差、幅值差以及極大值與極小值的時間差。

加速度幅值表示加速度的大小，人體運動狀態(tài)加速度的幅值反映了人體運動的劇烈程度，其定義如式(1)所示：

(1)

式中，S表示人體運動狀態(tài)加速度的幅值，ax、ay、az分別表示加速度在空間坐標(biāo)系三個坐標(biāo)軸X、Y、Z上的分量。

人體運動狀態(tài)加速度幅值的均值反映了人體運動狀態(tài)加速度信號的集中趨勢，其定義如式(2)所示：

(2)

加速度標(biāo)準(zhǔn)差表示一組加速度數(shù)據(jù)的離散程度，人體運動狀態(tài)加速度的標(biāo)準(zhǔn)差反映了人體運動狀態(tài)下加速度信號的波動程度，其定義如式(3)所示：

(3)

人體跌倒過程大約需要0.3到0.4秒，所以人體運動狀態(tài)三軸合加速度幅值極值的時間差不應(yīng)大于0.5秒。三軸合加速度幅值的極值差、幅值的極值時間差定義式如下：

ΔS=Smax-Smin

(4)

Δt=tSmax-tSmin

(5)

式中，ΔS表示人體運動狀態(tài)下加速度幅值極大值與極小值之差，Smax和Smin分別為人體運動狀態(tài)加速度幅值極大值和極小值，Δt表示人體運動狀態(tài)加速度幅值極大值與極小值之間的時間差，tSmax和tSmin分別為人體運動狀態(tài)加速度幅值極大值和極小值的時刻。

圖5 跌倒檢測的神經(jīng)網(wǎng)絡(luò)模型

由這4個特征值組成一個4維特征向量，作為跌倒檢測RBF神經(jīng)網(wǎng)絡(luò)模型的輸入激活變量，輸入層輸出的數(shù)據(jù)傳遞到隱含層后經(jīng)高斯核函數(shù)進(jìn)行非線性變換后輸出，最后由輸出層進(jìn)行線性加權(quán)求和后輸出最終的檢測結(jié)果。

(3)運動狀態(tài)分類。采用梯度下降法對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練優(yōu)化，參數(shù)初始化方法見文獻(xiàn)[29]，代價函數(shù)是RBF神經(jīng)網(wǎng)絡(luò)輸出和期望輸出的均方誤差。通過10類訓(xùn)練樣本尋找滿足誤差要求的最佳模型參數(shù)，如果不滿足設(shè)定的誤差要求，則進(jìn)行下一輪訓(xùn)練，一旦滿足誤差要求，則對模型參數(shù)進(jìn)行保存。訓(xùn)練樣本中10類人體運動狀態(tài)各取300個樣本，訓(xùn)練過程中對模型參數(shù)不斷進(jìn)行優(yōu)化，最終將優(yōu)化完成后的模型參數(shù)進(jìn)行存儲。具體訓(xùn)練流程如圖6(a)所示。

(a)數(shù)據(jù)訓(xùn)練流程 (b)實際檢測流程

在測試實驗中，測試數(shù)據(jù)集由10類人體行為動作其余1 000個樣本構(gòu)成，用以評價組合特征向量和RBF神經(jīng)網(wǎng)絡(luò)的分類效果。首先輸入采集的加速度數(shù)據(jù)、濾波，其次讀取模型訓(xùn)練參數(shù)，然后通過相關(guān)運算對數(shù)據(jù)進(jìn)行實時快速分類，識別判斷人體是否處于跌倒?fàn)顟B(tài)，最后根據(jù)跌倒檢測的實際情況輸出報警信號，跌倒檢測算法流程如圖6(b)所示。

3 實驗結(jié)果及分析

跌倒檢測算法有效性評價的標(biāo)準(zhǔn)體系主要包含三個指標(biāo)：準(zhǔn)確率(accuracy)、靈敏度(sensitivity)和特異性(specificity)。準(zhǔn)確率是指所有跌倒動作和非跌倒行為被準(zhǔn)確檢測出來的比例，準(zhǔn)確率愈高，分類效果愈好；靈敏度是指所有跌倒動作被準(zhǔn)確檢測出來的比例，靈敏度愈高，誤判率愈低；特異性是指所有非跌倒行為被正確檢測出來的比例，特異性愈高，誤判率愈低。

其中，TP(真正例)為跌倒事件發(fā)生并且檢測出跌倒事件發(fā)生的次數(shù)，屬于正確判斷；FN(假反例)為跌倒事件發(fā)生但沒有檢測出的次數(shù)，屬于漏判；FP(假正例)為沒有跌倒事件發(fā)生但卻檢測成有跌倒發(fā)生的次數(shù)，屬于誤判；TN(真反例)為沒有跌倒事件發(fā)生并且檢測也是沒有跌倒發(fā)生的次數(shù)，屬于正確判斷。

神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)影響神經(jīng)網(wǎng)絡(luò)的泛化能力和復(fù)雜度。隱含層節(jié)點個數(shù)過少，網(wǎng)絡(luò)獲取的有用信息就少，模型描述的能力不足，容錯性差；隱含層節(jié)點個數(shù)過多，就會增加訓(xùn)練時間，而且網(wǎng)絡(luò)可能存儲樣本中非規(guī)律的信息，就有可能出現(xiàn)“過度擬合”問題，泛化能力下降。目前人工神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點個數(shù)的選擇還沒有完善的理論，主要根據(jù)以往經(jīng)驗進(jìn)行數(shù)值驗證。該文構(gòu)造的RBF神經(jīng)網(wǎng)絡(luò)輸入層包含4個神經(jīng)元，輸出層包含2個神經(jīng)元，隱含層神經(jīng)元個數(shù)按照初始值200個，步長20個，迭代次數(shù)20，進(jìn)行數(shù)值實驗，最終確定為280個。測試實驗結(jié)果如表2所示。

表2 測試實驗結(jié)果

從表2可以看出，共1 000個實例樣本數(shù)據(jù)進(jìn)行了測試實驗。根據(jù)定義公式進(jìn)行計算得到，準(zhǔn)確率達(dá)到了98.1%、靈敏度達(dá)到了97.5%、特異性達(dá)到了98.5%，測試實驗證實了此算法的有效性、準(zhǔn)確性和可行性。誤報的原因可能是，實驗是在參與者有意識的背景下進(jìn)行的，參與者事先對跌倒行為可能會有一定的心理準(zhǔn)備，事件的突發(fā)性可能模擬不夠，有的動作可能過于緩慢，有的動作可能過于激烈。

谷志瑜等人[21]基于自回歸模型和神經(jīng)網(wǎng)絡(luò)的跌倒檢測算法輸入層以自回歸系數(shù)、信號幅度和傾角作為組合特征向量，其中自回歸系數(shù)包含9個特征值，信號幅度和傾角各包含3個特征值，組合特征向量共計由15個特征值構(gòu)成，特征值較多，檢測效果較好，但空間開銷和時間開銷較大。Aziz等人[30]以均值和三軸加速度的方差作為組合特征向量，采用支持向量機(SVM)、邏輯回歸、決策樹、樸素貝葉斯和k近鄰法(k-nearest neighbor，k-NN)等5種常用的機器學(xué)習(xí)方法作為分類器，分類效果較好，其中SVM 的效果最好，靈敏度和特異性均達(dá)到了96%以上,和該文的對應(yīng)指標(biāo)相比略低。

4 結(jié)束語

通過三軸加速度傳感器采集人體運動狀態(tài)數(shù)據(jù)，依據(jù)人體跌倒過程中加速度的變化規(guī)律，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的跌倒檢測算法。該算法以三軸合加速度信號的均值、標(biāo)準(zhǔn)差、幅值差以及極大值與極小值的時刻差作為組合特征向量，以RBF神經(jīng)網(wǎng)絡(luò)作為分類器，對6類人體日常行為和4類跌倒動作進(jìn)行分類檢測。其中實驗訓(xùn)練樣本數(shù)據(jù)3 000例，測試樣本數(shù)據(jù)1 000例。實驗結(jié)果表明，準(zhǔn)確率達(dá)到了98.1%、靈敏度達(dá)到了97.5%、特異性達(dá)到了98.5%，RBF神經(jīng)網(wǎng)絡(luò)算法判定人體跌倒行為，準(zhǔn)確度和實時性都很高。受實驗條件限制，模擬跌倒動作的種類還不夠豐富，下一步將深入研究、創(chuàng)造條件，模擬復(fù)雜環(huán)境下的跌倒動作，模擬滑、絆等介于跌倒和非跌倒動作之間的運動狀態(tài)。