基于SVD特征降維和支持向量機(jī)的跌倒檢測算法

白 勇 孫曉雯 秦 昉 孫子文

1(無錫宏創(chuàng)電子有限公司 江蘇 無錫 214072)2(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院 江蘇 無錫 214122)

基于SVD特征降維和支持向量機(jī)的跌倒檢測算法

白 勇1孫曉雯2秦 昉2孫子文2

1(無錫宏創(chuàng)電子有限公司 江蘇 無錫 214072)2(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院 江蘇 無錫 214122)

為減少跌倒對人體造成的傷害，采用一種基于支持向量機(jī)的人體跌倒檢測方法。利用安置于腰上的手機(jī)采集人體運(yùn)動行為加速度數(shù)據(jù)，提取對跌倒行為敏感的時域及頻域特征，利用奇異值分解方法降維特征和重構(gòu)跌倒特征，采用支持向量機(jī)分類器檢測跌倒行為。仿真實(shí)驗(yàn)表明:該方法能夠有效地識別跌倒和日常行為，具有較高靈敏度和特異度，并可同時提高識別正確率。

跌倒檢測 支持向量機(jī) 加速度傳感器 奇異值分解

0 引 言

因意外跌倒導(dǎo)致老年人死亡率迅速上升，給老年人的生理和心理帶來極大危害。在老年人安全監(jiān)護(hù)方面，有效的跌倒檢測方法具有重要意義[1]。目前針對老人跌倒行為檢測方法研究中，主要分為兩種方法，基于閾值方法和基于機(jī)器學(xué)習(xí)方法[2]。

在使用閾值檢測方法方面，文獻(xiàn)[3]分別對合加速度滑動平均值以及差分信號幅度域設(shè)定閾值進(jìn)行跌倒判斷。文獻(xiàn)[4]利用智能手機(jī)開發(fā)檢測系統(tǒng)，把跌倒過程分為正常狀態(tài)、不穩(wěn)定狀態(tài)、自由下落狀態(tài)、調(diào)整狀態(tài)以及穩(wěn)定狀態(tài)5個階段，分別對應(yīng)設(shè)置合加速度閾值，建立跌倒檢測模型。文獻(xiàn)[5]利用手機(jī)采集加速度數(shù)據(jù)，提取跌倒瞬間的失重狀態(tài)和觸地瞬間的超重狀態(tài)特征，通過閾值方法檢測用戶跌倒。此類閾值方法預(yù)算復(fù)雜度低，系統(tǒng)響應(yīng)較快，對于類似姿態(tài)的身體動作識別率較低，適應(yīng)性較差。

機(jī)器學(xué)習(xí)方法可從數(shù)據(jù)中自動學(xué)習(xí)獲得規(guī)律，并對未知數(shù)據(jù)進(jìn)行預(yù)測，是一個從未知到已知的過程，是人工智能最前沿的研究領(lǐng)域之一。使用機(jī)器學(xué)習(xí)方法對人體跌倒行為進(jìn)行檢測具有識別率高、自適應(yīng)等特點(diǎn)。文獻(xiàn)[6]采用神經(jīng)網(wǎng)絡(luò)方法對傳感器數(shù)據(jù)分析訓(xùn)練，進(jìn)行跌倒動作識別。文獻(xiàn)[7]通過提取加速度數(shù)據(jù)的時、頻域等30個特征，利用隱馬爾科夫(HMM)方法和身體姿態(tài)分析對人體跌倒行為進(jìn)行檢測。文獻(xiàn)[8]根據(jù)智能手機(jī)中加速度傳感器以及WiFi模塊，采用決策樹方法進(jìn)行跌倒檢測并利用WiFi信號強(qiáng)度進(jìn)行老人位置定位。文獻(xiàn)[9-10]通過決策樹方法提取加速度的時間序列特征，識別區(qū)分正常和異常跌倒行為，并在Android手機(jī)上驗(yàn)證了算法的有效性。上述機(jī)器學(xué)習(xí)方法都達(dá)到了識別跌倒行為的目的，但卻沒有從特征優(yōu)化方面考慮解決近似行為的識別問題，以此提高識別準(zhǔn)確率。

本文利用支持向量機(jī)方法SVM對人體跌倒進(jìn)行識別。通過智能手機(jī)加速度傳感器采集人體行為加速度數(shù)據(jù)，提取均值、相關(guān)性、標(biāo)準(zhǔn)差以及能量等24個時域和頻域特征值，采用奇異值分解SVD(singular value decomposition)方法進(jìn)行特征重構(gòu)和降維，奇異值分解方法利用部分特征值反映整個特征空間信息，不僅可以實(shí)現(xiàn)降維，并且會改進(jìn)識別性能[11-12]。

1 特征表達(dá)

1.1 跌倒數(shù)據(jù)表達(dá)

有別于正常的人體活動，跌倒是人體在無意識或是失控狀況下，由站立或平坐等直立姿態(tài)向躺倒姿態(tài)的轉(zhuǎn)變過程[14]，這一轉(zhuǎn)變過程可由加速度傳感器有效捕捉并根據(jù)檢測信號建模來度量。加速度傳感器所測的加速度信號包含兩部分：一個是由人體動作引起的慣性加速度分量，另一個是受地球重力引起的加速度分量，任何時刻這兩個分量并存, 加速度信號表示為：

(1)

實(shí)驗(yàn)者按照指示方向佩戴裝置，即可檢測前向x軸、側(cè)向y軸以及垂直z軸方向上的加速度，其中xi、yi、zi分別表示三軸i時刻的加速度數(shù)據(jù)，xdi、ydi、zdi為由人體動作引起的三軸加速度分量，xgi、ygi、zgi為受地球重力引起的三軸加速度分量。當(dāng)發(fā)生跌倒異常行為時，加速度在較短時間內(nèi)發(fā)生劇烈變化，據(jù)此，提取加速度數(shù)據(jù)進(jìn)行分析。

為減小信號噪聲的影響，采用中值濾波濾除加速度傳感器系統(tǒng)噪聲。中值濾波基本原理是：假設(shè)x軸時間信號的離散采樣序列為{x(i)|i=1,2,…,n}，以序列中i時刻為中心，取m個數(shù)據(jù)，按升序或降序方式排列數(shù)據(jù)，將排序后的中間值作為原序列的第i時刻的值,其中值為：

(2)

其中k為自然數(shù)。

圖1為實(shí)際跌倒過程中x軸加速度數(shù)據(jù)曲線，顯示中值濾波濾掉了數(shù)據(jù)中的孤立噪聲點(diǎn)以及孤立的噪聲尖峰，對數(shù)據(jù)具有較好的平滑效果。

圖1 跌倒時Z軸加速度數(shù)據(jù)濾波前后對比

1.2 特征提取及歸一化處理

采用滑動窗口提取時間序列數(shù)據(jù)，對于滑動窗口內(nèi)數(shù)據(jù)進(jìn)行離散特征提取。

原始數(shù)據(jù)表示為：

{(x1,y1,z1),(x2,y2,z2),…,(xn,yn,zn)}

選取x軸的特征表達(dá)式如式(3)-式(12)所示。 選取y、z軸的特征表達(dá)式類似，不予贅述。

(1) 加速度平均值：

(3)

(2) 加速度均方根：

(4)

(3) 加速度標(biāo)準(zhǔn)差：

(5)

(4) 加速度標(biāo)幅值：

xmax=max(xi)

(6)

(5) 加速度相關(guān)性：

(7)

(6) 加速度斜率(計(jì)算峰值距離)：

(8)

(7) 加速度平均絕對偏差：

(9)

(8) 三軸合加速度：

(10)

(9) 過均值點(diǎn)個數(shù)：

(11)

(10) 加速度能量：

(12)

其中，Ex為頻域傅利葉變換表示。

根據(jù)式(3)-式(12)，三軸共提取出24個特征值，特征向量表示為:

Fi={Mx,My,Mz,corx,cory,corz,…,SMV}

(13)

對提取的特征向量分量采用平均數(shù)方差法分別進(jìn)行歸一化處理，特征向量Fi={F1,F2,…,F24}歸一化表示為：

f(Fi)=(Fi-Fmean)/Fstd

(14)

其中，F(xiàn)mean為特征向量的均值，F(xiàn)std為特征向量的標(biāo)準(zhǔn)差，特征向量經(jīng)歸一化處理之后，每維特征分量都被規(guī)范為[-1，1]上的數(shù)。

1.3 基于奇異值分解的特征重構(gòu)方法

時間序列數(shù)據(jù)降維和特征表示主要是為了提高分類效率, 用盡可能少的特征反應(yīng)原數(shù)據(jù)的主要信息,但由于特征之間存在冗余，因此并不是特征越多，包含信息量越大，需要對特征進(jìn)一步降維及新的特征表示。

奇異值分解具有理想的去相關(guān)特性，基于奇異值分解的分析方法可以對特征進(jìn)行重構(gòu)，較好地從序列數(shù)據(jù)中分離出有用的特征信息[13],運(yùn)用奇異值分解方法對特征序列進(jìn)一步降維處理, 進(jìn)而得到保存大部分信息且維數(shù)更低的特征序列。

構(gòu)建訓(xùn)練矩陣Am×n，表示m個樣本，對應(yīng)n個特征，秩為r，對矩陣A進(jìn)行奇異值分解：

(15)

其中U和V分別為和階正交陣，Λ為m×n的非負(fù)對角陣：

σ1≥σ2…≥σr>0，以及σr=1=σr+2=…=σn=0構(gòu)成矩陣A的奇異值，根據(jù)主成分思想，奇異值越大，其包含的信息就越多，因此前l(fā)個主成分所組成的特征空間對應(yīng)新的特征空間A′：

(16)

式中U(:,1:l)為中l(wèi)前列向量對應(yīng)的矩陣，Λl×l為前l(fā)個較大奇異值對應(yīng)的對角矩陣。

2 支持向量機(jī)分類算法

跌倒檢測的本質(zhì)是兩分類問題，本文將跌倒特征經(jīng)SVM分類器來檢測跌倒。

SVM通過建立一個超平面作為正例和反例樣本之間的分割，使邊緣最大化，以保證分類正確率最高。設(shè)訓(xùn)練集為：

{(p1,q1),(p2,q2),…,(pn,qn)}

其中p1表示提取的特征向量，即：

pi={Mxi,Myi,Mzi,corxi,coryi,corzi,…,SMVi}，qi∈{-1,1}，1表示正常行為，-1表示跌倒。

構(gòu)造SVM二分類器，即尋找超平面+b=0。要使超平面間距離最大，即求解：

(17)

其中ai、aj為拉格朗日乘子，求解以上對偶問題得到ω和b，得到分類器：

(18)

ai=0時，樣本pi稱為非支持向量，若ai>0時pi稱為支持向量，如果f(x)返回值是1，那么未知樣本劃分到正常行為類，否則劃分到跌倒類。

3 仿真與結(jié)果分析

實(shí)驗(yàn)使用基于安卓系統(tǒng)的三星GT-S7562型號手機(jī)為硬件平臺進(jìn)行數(shù)據(jù)采集，采集的行為加速度數(shù)據(jù)保存于手機(jī)中，再傳到PC機(jī)上，用Matlab軟件分析。行為測試主要包括正常的日?；顒樱涸靥S、跑步、彎腰、躺、快速坐下等幾種日常行為，其次為幾種典型的跌倒：前后方向前跌倒、側(cè)向跌倒以及跌倒后轉(zhuǎn)身掙扎等動作，為避免被測試者在測試過程中摔傷，所有跌倒實(shí)驗(yàn)在墊上進(jìn)行。

本實(shí)驗(yàn)數(shù)據(jù)由六名(女性三名、男性三名)年齡在22～28歲之間的健康青年人采集，實(shí)驗(yàn)共采集加速度行為數(shù)據(jù)1000組，其中跌倒數(shù)據(jù)有400組(前后、側(cè)向跌倒各200組)；5種正常行為活動每種采集120組，共600組。將實(shí)驗(yàn)數(shù)據(jù)中每類樣本取一半訓(xùn)練SVM，另一半樣本用作測試。

3.1SVD仿真分析

運(yùn)用奇異值分解方法對特征空間降維，初始特征空間為24維，通過對特征維度的不斷減少，檢測對應(yīng)特征維度的識別結(jié)果，圖2中實(shí)線表示SVD進(jìn)行特征空間重構(gòu)后對跌倒識別效果的影響。

圖2 采用SVD降維處理對識別效果影響

根據(jù)圖2所示，當(dāng)特征空間未進(jìn)行降維處理時，檢測識別率為97.2%，當(dāng)SVM方法在維數(shù)降為6時，算法分類識別率最高，達(dá)到99.0%，這是由于特征個數(shù)過多時，冗余特征以及相關(guān)度高的特征對支持向量機(jī)的分類造成了干擾，特征在10個以上時，識別率波動較小，在10個以下時，識別率隨著特征個數(shù)的減小而增加，特征為6個時識別率最大，特征少于6個時，不足以全面反映人體運(yùn)動狀態(tài)，降低了識別率。

表1 行為識別結(jié)果

表1為運(yùn)用SVD的SVM分類方法與未運(yùn)用SVD的SVM分類方法識別效果對比，其中未運(yùn)用SVD的SVM特征空間為24維，運(yùn)用SVD進(jìn)行特征重構(gòu)的SVM方法特征空間為6維。運(yùn)用SVD后，算法整體平均識別率從97.6%上升到98.6%，同樣驗(yàn)證了SVD提高了SVM分類方法的準(zhǔn)確性。

采用算法的平均運(yùn)行時間考察算法的實(shí)時性，未使用SVD降維的SVM分類方法對一組數(shù)據(jù)進(jìn)行檢測所需的平均運(yùn)行時間為0.06s，使用SVD降維的SVM方法時，所需的平均運(yùn)行時間為0.04s，驗(yàn)證了本文算法的實(shí)時性。

3.2 對比試驗(yàn)

使用采集的加速度信號，應(yīng)用K-近鄰 (KNN)[14]，簡易貝葉斯(Nbays)[15]方法進(jìn)行相同實(shí)驗(yàn)次數(shù)的檢測，本文方法與KNN方法、Nbays方法的對比結(jié)果如圖3所示。

圖3 算法正確識別率對比

由圖3可知，本文提出利用奇異值分解對特征進(jìn)行重構(gòu)的SVM分類方法整體識別率高于文獻(xiàn)[14-15]的算法。且運(yùn)用SVD對特征進(jìn)行重構(gòu)后，KNN方法和Nbays方法的識別效果分別得到提升，驗(yàn)證了SVD在降低特征維數(shù)同時能提高檢測精度。

4 結(jié) 語

本文利用智能手機(jī)內(nèi)置加速度傳感器采集人體行為數(shù)據(jù)，提取相關(guān)性、標(biāo)準(zhǔn)差以及能量等構(gòu)成24維特征空間，并對構(gòu)成的特征空間進(jìn)行規(guī)范化處理。利用奇異值分解方法進(jìn)行特征重構(gòu)和降維，優(yōu)化特征空間信息，采用SVM分類識別跌倒行為。理論分析和仿真結(jié)果表明，SVD能有效降低特征緯度同時保留對跌倒敏感的信心，降低了計(jì)算消耗，提升分類器的識別性能，較好區(qū)分出跌倒和日常行為活動。

[1]MubashirM,ShaoL,SeedL.Asurveyonfalldetection:Principlesandapproaches[J].Neurocomputing,2013,100:144-152.

[2]BagalàF,BeckerC,CappelloA,etal.Evaluationofaccelerometer-basedfalldetectionalgorithmsonreal-worldfalls[J].PLoSOne,2012,7(5):e37062.

[3] 劉鵬,盧潭城,呂愿愿,等.基于MEMS三軸加速度傳感器的摔倒檢測[J].傳感技術(shù)學(xué)報(bào),2014,27(4):570-574.

[4]ShiY,ShiY,WangX.Falldetectiononmobilephonesusingfeaturesfromafive-phasemodel[C]//2012 9thInternationalConferenceonUbiquitousIntelligenceandComputingand9thInternationalConferenceonAutonomicandTrustedComputing(UIC/ATC).IEEE,2012:951-956.

[5]DaiJ,BaiX,YangZ,etal.PerFallD:Apervasivefalldetectionsystemusingmobilephones[C]//PervasiveComputingandCommunicationsWorkshops(PERCOMWorkshops),2010 8thIEEEInternationalConferenceon.IEEE,2010:292-297.

[6]SixsmithA,JohnsonN.Asmartsensortodetectthefallsoftheelderly[J].IEEEPervasiveComputing,2004,3(2):42-47.

[7]ChengH,LuoH,ZhaoF.Afalldetectionalgorithmbasedonpatternrecognitionandhumanpostureanalysis[C]//IETInternationalConferenceonCommunicationTechnologyandApplication(ICCTA2011).IET,2011:853-857.

[8]ZhaoZ,ChenY,WangS,etal.Fallalarm:smartphonebasedfalldetectingandpositioningsystem[J].ProcediaComputerScience,2012,10:617-624.

[9]KhawandiS,BallitA,DayaB.Applyingmachinelearningalgorithminfalldetectionmonitoringsystem[C]//ComputationalIntelligenceandCommunicationNetworks(CICN),2013 5thInternationalConferenceon.IEEE,2013:247-250.

[10]OlivieriDN,CondeIG,SobrinoXAV.Eigenspace-basedfalldetectionandactivityrecognitionfrommotiontemplatesandmachinelearning[J].ExpertSystemswithApplications,2012,39(5):5935-5945.

[11]LiC,LinM,YangLT,etal.Integratingtheenrichedfeaturewithmachinelearningalgorithmsforhumanmovementandfalldetection[J].TheJournalofSupercomputing,2014,67(3):854-865.

[12]LiCH,ParkSC.Anefficientdocumentclassificationmodelusinganimprovedbackpropagationneuralnetworkandsingularvaluedecomposition[J].ExpertSystemswithApplications,2009,36(2):3208-3215.

[13] 李海林,楊麗彬.時間序列數(shù)據(jù)降維和特征表示方法[J].控制與決策,2013,28(11):1718-1722.

[14]ErdoganSZ,BilginTT.Adataminingapproachforfalldetectionbyusingk-nearestneighboralgorithmonwirelesssensornetworkdata[J].IETCommunications,2012,6(18):3281-3287.

[15]KansizAO,GuvensanMA,TurkmenHI.Selectionoftime-domainfeaturesforfalldetectionbasedonsupervisedlearning[C]//ProceedingsoftheWorldCongressonEngineeringandComputerScience,SanFrancisco,CA,USA,2013,2.

THE FALLING DETECTION ALGORITHM BASED ON SVD FEATURE DIMENSION REDUCTION AND SVM

Bai Yong1Sun Xiaowen2Qin Fang2Sun Ziwen2

1(WuxiHongChuangElectronicCo.,Ltd,Wuxi214072,Jiangsu,China)2(SchoolofInternetofThingsEngineering,JiangnanUniversity,Wuxi214122,Jiangsu,China)

A falling detection method based on support vector machine(SVM) is proposed to reduce the harm to human body which caused by falling down. The acceleration sensor data are collected by the mobile phone which is located on the waist, and the features which are sensitive to the falling action are extracted from the time and frequency domain. The extracted features are further processed by singular value decomposition singular value decomposition (SVD) to reduce the dimension and be rebuilt. Then, the SVM is adopted to detect the falling behavior. The simulation results show that the proposed method can effectively identify the falling behavior and the daily behavior, which achievesa higher sensitivity and specificity, improving the detection rate at the same time.

Falling detection SVM Acceleration sensor SVD

2015-10-15。國家自然科學(xué)基金項(xiàng)目(61373126)；江蘇省自然科學(xué)基金項(xiàng)目(BK20131107)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金(JUSRP51510)。白勇，工程師，主研領(lǐng)域：模式識別與人工智能，控制工程。孫曉雯，碩士生。秦昉，碩士。孫子文，教授。

TP273

A

10.3969/j.issn.1000-386x.2017.01.045