基于PSO-GRNN的行人跌倒檢測方法*

劉善良王曉原王瀚卿劉亞奇

（1.青島科技大學機電工程學院 青島 266000）（2.青島科技大學智能綠色制造技術(shù)與裝備協(xié)同創(chuàng)新中心 青島 266000）

1 引言

隨著社會和經(jīng)濟的發(fā)展，人口預(yù)期壽命延長，老年人數(shù)量增加，人口老齡化成為必然的趨勢。老年人自身的安全防護意識不足，加之身體機能衰退，使得老年人成為跌倒行為的易發(fā)群體，跌倒是造成65歲以上老年人意外傷害和死亡的主要原因［1］。因此，跌倒的準確檢測，及時的報警并救治可挽回老年人生命，避免老年人因跌倒死亡。

跌倒是指突發(fā)的、不自主的、非故意的身體位置改變，身體倒在地上或更低的平面［2］，如圖1所示。在人體跌倒檢測研究中，根據(jù)安裝在系統(tǒng)中的傳感器的類型，將跌倒檢測方法分為基于視覺的跌倒檢測方法［3～4］、基于環(huán)境的跌倒檢測方法［5～6］和基于穿戴設(shè)備的跌倒檢測方法［7～8］?；诖┐髟O(shè)備的跌倒檢測方法依靠傳感器測量來區(qū)分跌倒和ADLs［9］，最常用的傳感器有加速度計、陀螺儀、磁力儀和傾斜儀［10～11］。但目前已有的基于穿戴設(shè)備對跌倒行為辨識的確率不高。

本研究使用十軸姿態(tài)傳感器采集行人跌倒和ADLs的腰部數(shù)據(jù)，選擇加速度、角速度和高度作為特征參數(shù)，提出基于PSO-GRNN的跌倒檢測方法有效提升辨識的準確率。通過Matlab對模型進行了驗證，結(jié)果表明：基于PSO-GRNN的跌倒檢測方法辨識精度較高，穩(wěn)定性好。

2 數(shù)據(jù)采集及處理

本文使用十軸姿態(tài)傳感器（JY901B）采集運動數(shù)據(jù)。將傳感器佩戴于被測者腰部，采集被測者跌倒和ADLs行為的姿態(tài)數(shù)據(jù)。

2.1 實驗設(shè)計

人體跌倒時，身體處于加速狀態(tài)，加速度、角度、角速度和高度變化明顯。本研究選擇三軸加速度、三軸角速度、高度作為特征參數(shù)。腰部是人體力量的中心，且腰部的加速度計的跌倒檢測精度更高［12］。因此，本研究以腰部為坐標原點，以正前方為Z軸正方向，根據(jù)右手法則，建立笛卡爾坐標系，如圖2所示。傳感器佩戴位置，如圖3所示。

圖3 實驗設(shè)備佩戴圖

將跌倒分為前側(cè)、左側(cè)、右側(cè)、后側(cè)跌倒；將ADLs分為類跌倒行為和正常行為，其中類跌倒行為包括跳躍、下蹲、上下樓梯等，這些行為在一定程度上影響跌倒檢測；正常行為包括行走、跑、坐-躺、站-坐，這些行為與跌倒差異較大。

使用傳感器采集行人跌倒和ADLs的三軸加速度（ax，ay，az）、三軸角速度（ωx，ωy，ωz）和高度（h）數(shù)據(jù)。招募40名大學生進行實驗，并給與一定報酬。其中女性10人，160cm及以下5人。在地面放置4張90cm*200cm*1.5cm的瑜伽墊，參與者佩戴護膝，防止受傷。每位被測者重復20組各類型跌倒，10組各類型的ADLs。

2.2 數(shù)據(jù)處理

根據(jù)所采集的人體運動的三軸加速度、三軸角速度和高度，求解合加速度、合角速度和高度變化量，公式如下：

1）合加速度

2）合角速度

3）高度變化

在數(shù)據(jù)集中，4種跌倒和3種類跌倒行為各選擇20個連續(xù)的數(shù)據(jù)點；6種正常行為各選擇10個連續(xù)的數(shù)據(jù)點，組合形成人體不同動作數(shù)據(jù)特征圖，如圖4所示。

圖4 人體不同動作數(shù)據(jù)特征

圖4（a）為人體各運動的加速度變化圖，圖4（b）為人體各運動的角速度變化圖，圖4（c）為人體各運動的高度變化圖。

在實驗數(shù)據(jù)集中，選取200組特征數(shù)據(jù)點創(chuàng)建數(shù)據(jù)集。其中160組作為訓練數(shù)據(jù)集XA，40組作為測試數(shù)據(jù)集XB，同時建立對應(yīng)的標簽數(shù)據(jù)YA、YB。訓練集和測試集中各行為類型對應(yīng)的數(shù)據(jù)個數(shù)，如表1所示。

表1 各行為樣本數(shù)量表

3 PSO-GRNN跌倒辨識模型的構(gòu)建方法

3.1 GRNN原理

GRNN［13］由輸入層、模式層、求和層和輸出層構(gòu)成，如圖5所示。

圖5 GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖

1）輸入層

選擇合加速度ai、合角速度ωi和高度?i為特征參數(shù)，對應(yīng)網(wǎng)絡(luò)輸入

2）模式層神經(jīng)元傳遞函數(shù)

式中，σ為光滑因子。

3）求和層

式中：yij為第i個輸出Yi中的第j個元素。

4）輸出層

3.2 PSO算法

PSO算法［14］通過粒子調(diào)整自己的位置來搜索最優(yōu)解。粒子的最優(yōu)解記為pbest，粒子群的最優(yōu)解記為gbest。粒子的速度為vi，粒子的位置為zi，每個粒子根據(jù)下式更新自己的速度和位置。

式中，vi(t+1)表示第i個粒子在t+1次迭代的速度，ω為慣性權(quán)重，c1和c2為加速度因子，r1和r2為[0,1]間的隨機數(shù)。

3.3 PSO-GRNN模型

通過粒子群算法尋優(yōu)，找到最優(yōu)光滑因子，構(gòu)建PSO-GRNN神經(jīng)網(wǎng)絡(luò)模型［15］。導入XA、XB和標簽數(shù)據(jù)YA、YB，進行模型訓練和測試，步驟如圖6所示。

圖6 PSO優(yōu)化GRNN網(wǎng)絡(luò)的基本框架圖

1）初始化種群及粒子的速度和位置，設(shè)置粒子群算法的基本參數(shù)。

2）將粒子位置映射到GRNN網(wǎng)絡(luò)中：以gbest為光滑因子spread，構(gòu)建GRNN網(wǎng)絡(luò)模型：net=newgrnn(P,T,spread)。P為神經(jīng)網(wǎng)絡(luò)的輸入，T為神經(jīng)網(wǎng)絡(luò)的輸出。

3）訓練GRNN，并計算粒子所在位置的適應(yīng)度值。適應(yīng)度表示為輸出值和實際值的均方根誤差，計算公式如下：

式中：為中的第i組數(shù)據(jù)對應(yīng)的標簽，yA為網(wǎng)絡(luò)實際輸出。

4）更新pbest、gbest，若適應(yīng)度優(yōu)于之前的最優(yōu)適應(yīng)度，則更新pbest、gbest。

5）根據(jù)式（9）和式（10）對粒子的當前位置和速度進行更新和調(diào)整。

6）判斷是否達到最大迭代次數(shù)，如果達到則保存最優(yōu)GRNN模型，并進行模型的測試，如沒有則返回2）。

4 模型驗證與對比

本研究使用Matlab對構(gòu)建的PSO-GRNN跌倒檢測模型進行訓練和驗證。最后，選擇支持向量機模型和BP神經(jīng)網(wǎng)絡(luò)模型進行對比實驗。

4.1 PSO-GRNN模型的訓練和測試

1）模型的訓練

（1）設(shè)置PSO算法基本參數(shù)，如圖7所示。將粒子位置映射到網(wǎng)絡(luò)，并將XA及YA導入網(wǎng)絡(luò)。為防止盲目搜索，將粒子位置和速度限制在

圖7 模型參數(shù)設(shè)置圖

（2）通過訓練，在迭代至第121次時達到最優(yōu)位置92.948；在迭代至第146次時達到最優(yōu)適應(yīng)度值0.0038。如圖8所示。

圖8 模型訓練結(jié)果圖

2）模型的測試

（1）將XB和YB導入網(wǎng)絡(luò)，進行網(wǎng)絡(luò)測試。重復20次測試，其中一組測試結(jié)果如圖9所示，其中輸出值為1表示行人跌倒；輸出值為0表示行人未跌倒。圖9中，第1和10組數(shù)據(jù)測試值與實際值差異較大，可確定為辨識錯誤；第25和36組數(shù)據(jù)的測試值與實際值存在可接受誤差，故不屬于辨識錯誤。

圖9 訓練結(jié)果圖

經(jīng)過測試，目標精度為0.005的情況下，平均正確率為0.95。

（2）為了驗證粒子群參數(shù)對PSO-GRNN網(wǎng)絡(luò)預(yù)測結(jié)果的影響，更改粒子Vmax、Vmin，c1、c2對跌倒行為進行預(yù)測，平均預(yù)測結(jié)果如表2所示。由表2可知，在PSO-GRNN跌倒檢測的模型中，當粒子速度在[- 20,20]時，c1=c2=0.75時，跌倒檢測的平均正確率最高，效果最好，誤差最低。

表2 不同粒子群參數(shù)下的預(yù)測結(jié)果

（3）在除XA和XB外的實驗數(shù)據(jù)中，提取前側(cè)、右側(cè)、左側(cè)、后側(cè)跌倒數(shù)據(jù)各50組，構(gòu)建新測試數(shù)據(jù)集，導入訓練好的模型中測試，結(jié)果如圖10所示。

圖10 各類型跌倒辨識的正確率

由圖10可得，PSO-GRNN模型對各類跌倒的辨識正確率分別為前側(cè)96%；右側(cè)98%；后側(cè)98%；左側(cè)僅為92%。初步分析出現(xiàn)這種現(xiàn)象可能是，實驗時率先進行的左側(cè)跌倒，被測者在跌倒時可能有一些防備，導致跌倒的數(shù)據(jù)出現(xiàn)偏差。

4.2 對比實驗

為驗證PSO-GRNN的優(yōu)越性，將XA、YA、XB、YB導入支持向量機（SVM）［16］和BP神經(jīng)網(wǎng)絡(luò)（BPNN）檢測模型進行對比。

1）SVM跌倒檢測模型

選擇徑向基函數(shù)作為核函數(shù)，經(jīng)過多次訓練和測試，結(jié)果如圖11所示。由圖可知，出現(xiàn)3組辨識錯誤，最終得到SVM對跌倒行為的檢測正確率為92.5%。

圖11 SVM模型跌倒測試結(jié)果

2）BPNN跌倒檢測模型

選擇擬牛頓法訓練BPNN，最大訓練次數(shù)為1000次，訓練精度（goal）分別為10-1、10-2、10-3、10-4、10-5，學習率（lr）選擇0.1、0.2，跌倒行為預(yù)測的正確率（RBP），如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果

由表3可知，經(jīng)過參數(shù)的調(diào)整優(yōu)化，BPNN模型檢測的準確率為92.25%，但學習速度慢，容易陷入局部極小值。

通過上述對比實驗，相比于SVM和BPNN模型，PSO-GRNN模型尋優(yōu)過程簡單，精確率高，穩(wěn)定性好。

5 結(jié)語

本文提出一種基于粒子群優(yōu)化廣義神經(jīng)網(wǎng)絡(luò)的跌倒檢測方法。通過采集人體腰部的三軸加速度、三軸角速度和高度數(shù)據(jù)，分析行人跌倒的特征。構(gòu)建PSO-GRNN跌倒檢測模型，通過Matlab對模型進行訓練和測試。結(jié)果表明：該模型能有效地識別出行人跌倒行為。在目標精度為0.005情況下，平均準確率能夠達到了95%。未來工作可以對行人類型進行細致的劃分，通過對不同類型的行人跌倒行為進行分析，可以更加深入研究行人跌倒的規(guī)律，進一步優(yōu)化檢測模型。