一種基于CS-SVM的老年人異常步態(tài)識(shí)別系統(tǒng)

王 琪，王 濤，張 碩，陳金環(huán)

(山東建筑大學(xué) 信息與電氣工程學(xué)院，濟(jì)南250101)

1 引 言

步態(tài)識(shí)別作為老年人監(jiān)護(hù)的一個(gè)重要方面，相比于其他識(shí)別方式，因其有著可遠(yuǎn)距離主動(dòng)識(shí)別、無(wú)侵?jǐn)_性等獨(dú)特優(yōu)勢(shì)，目前已成為備受學(xué)者青睞的研究熱點(diǎn).根據(jù)對(duì)老人異常步態(tài)信號(hào)的采集與識(shí)別實(shí)現(xiàn)老人健康狀況及心理活動(dòng)等特征信息檢測(cè)，可為醫(yī)生提供臨床診斷依據(jù)，為老人更好的了解自己的身體狀況提供參考.

傳統(tǒng)的步態(tài)識(shí)別主要有兩種方法，其一是通過(guò)視頻采集獲取目標(biāo)個(gè)體行走記錄，基于人體形態(tài)學(xué)和運(yùn)動(dòng)學(xué)構(gòu)建模型[1,2]；其二是采用不考慮底層結(jié)構(gòu)，直接從視頻圖像基于輪廓提取步態(tài)特征的非模型方法進(jìn)行步態(tài)識(shí)別.這兩種方法采集成本高，受光照、服裝和佩戴方式等因素的影響，識(shí)別精度難以得到保證.而隨著傳感器技術(shù)的迅速發(fā)展，涌現(xiàn)了一大批體積小、低功耗、適應(yīng)強(qiáng)、價(jià)格低的傳感器，可測(cè)量壓力、加速度、方向等多種數(shù)據(jù)，從而為步態(tài)識(shí)別應(yīng)用提供了一種新的途徑.

就健康檢測(cè)方面來(lái)說(shuō)，步態(tài)識(shí)別主要是應(yīng)用于正常步態(tài)和異常步態(tài)的辨識(shí)，此處異常步態(tài)特指帕金森綜合征步態(tài)、腦卒中步態(tài)等常見(jiàn)于患病老人的病理性步態(tài)[3,4]，這些異常步態(tài)因?yàn)榛颊叩闹袠猩窠?jīng)系統(tǒng)退化性失調(diào)而表現(xiàn)為身體平衡失調(diào)、細(xì)碎步行以及身體顫抖等.分析一段時(shí)間內(nèi)人體步態(tài)數(shù)據(jù)，可以幫助帕金森綜合征等神經(jīng)慢性病的早期診斷評(píng)估[5].由此可見(jiàn)研究老人可能出現(xiàn)的異常步態(tài)具有重要的實(shí)際意義.

隨著人工智能技術(shù)的不斷發(fā)展，國(guó)內(nèi)外學(xué)者在構(gòu)建異常步態(tài)識(shí)別分類模型領(lǐng)域有了顯著的進(jìn)展.Hao J等人基于肌電圖和三軸加速度信號(hào)提出了一種基礎(chǔ)日常步態(tài)識(shí)別方式，該方式首先將從受試者下肢提取到的肌電信號(hào)和三軸加速度信號(hào)經(jīng)過(guò)降噪和融合信號(hào)的分割，通過(guò)基于隱馬爾可夫模型來(lái)識(shí)別五種基本的日常步態(tài)模式，識(shí)別準(zhǔn)確率可達(dá)94.32%[6].Yoneyama M等人使用三軸加速度傳感器結(jié)合步態(tài)峰值檢測(cè)，進(jìn)行了帕金森綜合征的異常步態(tài)檢測(cè)[7].上述研究表明，步態(tài)識(shí)別的研究已經(jīng)日益成熟可以應(yīng)用到日常生活中，但是目前缺乏一種適用于老年人監(jiān)護(hù)的步態(tài)識(shí)別模型.

本文提出的基于傳感器網(wǎng)絡(luò)的老年人異常步態(tài)識(shí)別系統(tǒng)，從老年人的生理特點(diǎn)出發(fā)，充分考慮便捷性、非侵?jǐn)_性等非功能性需求的設(shè)計(jì)，通過(guò)可穿戴傳感器網(wǎng)絡(luò)采集老人的步態(tài)信息數(shù)據(jù)，將收集到的原始數(shù)據(jù)進(jìn)行降噪處理，然后進(jìn)行特征提取，針對(duì)步態(tài)特征進(jìn)行分析，使用步態(tài)分類器實(shí)現(xiàn)異常步態(tài)識(shí)別，識(shí)別跛行、踮腳、震顫等異常步態(tài)，通過(guò)步態(tài)統(tǒng)計(jì)做出神經(jīng)性慢性疾病的初步診斷預(yù)警，為老人健康建立第一道防線.

2 步態(tài)信號(hào)提取與其特征提取

對(duì)于被監(jiān)護(hù)的老人來(lái)說(shuō)，如何準(zhǔn)確獲取足夠的步態(tài)數(shù)據(jù)是一個(gè)關(guān)鍵問(wèn)題.數(shù)據(jù)采集系統(tǒng)主要任務(wù)是通過(guò)傳感器網(wǎng)絡(luò)獲取加速度信息等步態(tài)數(shù)據(jù)并通過(guò)低功耗藍(lán)牙通訊將數(shù)據(jù)上傳至PC端，以便進(jìn)行數(shù)據(jù)處理.該系統(tǒng)主要有傳感器模塊、藍(lán)牙模塊和控制模塊組成，能實(shí)時(shí)采集、存儲(chǔ)、傳送傳感數(shù)據(jù)，在進(jìn)行采集時(shí)應(yīng)盡量避免路面、天氣等干擾因素的影響.

2.1 步態(tài)數(shù)據(jù)采集

步態(tài)數(shù)據(jù)采集是步態(tài)識(shí)別至關(guān)重要的一個(gè)步驟，其精度直接影響到步態(tài)識(shí)別后續(xù)步驟的的準(zhǔn)確度和可行性.在步態(tài)識(shí)別研究領(lǐng)域，最常用的步態(tài)數(shù)據(jù)采集器件是慣性傳感器以及壓力傳感器.壓力傳感器可以直接測(cè)得壓力中心，不需要復(fù)雜的數(shù)學(xué)推導(dǎo)即可獲得人體平衡特性.然而，壓力傳感器無(wú)法獲得人體腳步騰空時(shí)的步態(tài)特征，令步態(tài)識(shí)別系統(tǒng)損失部分步態(tài)數(shù)據(jù)，影響系統(tǒng)的識(shí)別精度.慣性傳感器體積小巧，不需附加外界電源，且其頻率響應(yīng)范圍較寬.Din S D等人利用慣性傳感器提取了帕金森患者和健康老人的14個(gè)常用于帕金森評(píng)估的步態(tài)特征，文中使用Bland-Altm an方法評(píng)估上述步態(tài)特征的可靠性，實(shí)驗(yàn)證明，慣性傳感器能夠采集步態(tài)特征，并且獲取的數(shù)據(jù)能夠用于健康和患病的評(píng)估[8].

慣性傳感器通常佩戴在腰部、腿部、手臂、足底，對(duì)于同一種步態(tài)來(lái)說(shuō)，傳感器佩戴位置不同獲取數(shù)據(jù)的準(zhǔn)確度也就不同，從而影響步態(tài)識(shí)別的識(shí)別精度.例如，佩戴在胸前的傳感器由于未被固定，會(huì)存在劇烈的抖動(dòng)，佩戴在手臂的傳感器會(huì)因?yàn)槭值南嚓P(guān)動(dòng)作而造成步態(tài)數(shù)據(jù)的缺失[9].為了保證采集到數(shù)據(jù)的完整性，同時(shí)考慮到盡量避免笨重的傳感器設(shè)備影響被監(jiān)護(hù)老人的正常生活，本文在設(shè)計(jì)步態(tài)識(shí)別方案時(shí)將傳感器固定在最能準(zhǔn)確反映完整步態(tài)信息的腰部以及腿部(大小腿各一).

在設(shè)計(jì)傳感器模塊時(shí)，為了獲取足夠的步態(tài)數(shù)據(jù)，選用慣性傳感器MPU6050采集老人步態(tài)的相關(guān)信息.MPU6050是一個(gè)6軸運(yùn)動(dòng)處理組件，包括3軸加速度計(jì)以及3軸陀螺儀，可實(shí)時(shí)輸出每個(gè)采樣時(shí)刻X/Y/Z軸的加速度值和傾角(俯仰角、滾轉(zhuǎn)角、偏航角)[10].MPU6050克服了單一加速度傳感器或陀螺儀的缺點(diǎn)，可準(zhǔn)確追蹤快速與慢速動(dòng)作，進(jìn)一步保證了采集數(shù)據(jù)的準(zhǔn)確性.

針對(duì)于人體步態(tài)識(shí)別的傳感器，采樣頻率設(shè)置時(shí)應(yīng)當(dāng)依據(jù)人體行為頻率設(shè)置，若采樣頻率設(shè)置過(guò)低，則無(wú)法全面表達(dá)信號(hào)本身的變化，若設(shè)置過(guò)高則會(huì)產(chǎn)生多余數(shù)據(jù)，對(duì)計(jì)算和存儲(chǔ)造成負(fù)擔(dān).人類日?；顒?dòng)的頻率一般小于10Hz，由香農(nóng)定理可知，采樣頻率至少應(yīng)為原始信號(hào)最大頻率的2倍，因此本文在進(jìn)行老人日常步態(tài)識(shí)別時(shí)將采樣頻率設(shè)置為20Hz[11].

在設(shè)計(jì)控制模塊時(shí)，選擇STM32F103系列芯片，該芯片具有高性能的ARMCortex-M3 32位RISC內(nèi)核，內(nèi)置高速存儲(chǔ)器，能夠提供充足的I/O接口以及標(biāo)準(zhǔn)通信接口[12]，實(shí)現(xiàn)系統(tǒng)高性能和低功率消耗并存，能夠很好地滿足本系統(tǒng)數(shù)據(jù)采集的要求.MPU6050將采集到的數(shù)據(jù)通過(guò)I2C傳輸?shù)轿⑻幚砥?，存放在本地存?chǔ)器中，微處理器通過(guò)低功耗藍(lán)牙實(shí)現(xiàn)與PC端的通訊.因?yàn)閿?shù)據(jù)采集量多，預(yù)處理步驟也多，在微控制器STM32F103上實(shí)現(xiàn)系列操作具有一定的難度，因此本文在PC端實(shí)現(xiàn)改進(jìn)算法，盡可能降低嵌入式系統(tǒng)的復(fù)雜程度.由于傳感器輸出的都是電壓值，故需通過(guò)A/D轉(zhuǎn)換再傳輸數(shù)據(jù)，PC端最終收到的步態(tài)數(shù)據(jù)都是16進(jìn)制的數(shù)字量.

2.2 數(shù)據(jù)預(yù)處理

本系統(tǒng)中傳感器采集的數(shù)據(jù)都是時(shí)間序列信息，這類數(shù)據(jù)往往包含很多噪聲和干擾，如果直接使用原始數(shù)據(jù)進(jìn)行分析計(jì)算，將影響數(shù)據(jù)處理的效率以及算法識(shí)別的精度，因此需對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理操作.

MPU6050采集數(shù)據(jù)時(shí)，加速度傳感器中除了人體運(yùn)動(dòng)加速度信號(hào)之外，還存在著重力加速度、人體抖動(dòng)產(chǎn)生的噪聲等無(wú)用信號(hào)；同樣的在陀螺儀的輸出信號(hào)中，除了包含身體運(yùn)動(dòng)角速度這樣的有用信號(hào)之外，還包含測(cè)量過(guò)程中產(chǎn)生的噪聲等無(wú)用信號(hào).為了減小無(wú)用信號(hào)對(duì)識(shí)別結(jié)果產(chǎn)生的影響，需要先對(duì)收集到的數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理.信號(hào)預(yù)處理影響著步態(tài)識(shí)別系統(tǒng)的整體性能，尤其是影響識(shí)別分類的效率.預(yù)處理的原則應(yīng)當(dāng)在保證再現(xiàn)原有信號(hào)的同時(shí)保留信號(hào)中與人體運(yùn)動(dòng)有關(guān)的信息.

處理傳感數(shù)據(jù)典型的數(shù)字濾波器主要包括中值濾波器、互補(bǔ)濾波器、卡爾曼濾波器、空域相關(guān)濾波、巴特沃斯帶通濾波器等.其中，卡爾曼濾波器的信噪比及相關(guān)系數(shù)為最佳，但是當(dāng)巴特沃斯帶通濾波器校正了延遲，它的性能將優(yōu)于卡爾曼濾波器[13].此外，巴特沃斯帶通濾波器還具有最廣泛的應(yīng)用范圍以及最光滑的頻率響應(yīng)曲線，故本文選用巴特沃斯帶通濾波器作為降噪工具，設(shè)置階數(shù)為二階.

使用巴特沃斯帶通濾波器時(shí)，截止頻率的選擇十分重要.由于5～20Hz頻段的數(shù)據(jù)被認(rèn)為是人體活動(dòng)信號(hào)的主要組成部分，因此本文中將巴特沃斯帶通濾波器的高低截止頻率分別設(shè)置為20Hz以及5Hz.圖1為人體腰部MPU6050中的加速度傳感器的X軸信號(hào)，從圖中可以明顯看出消噪之后的步態(tài)信號(hào)更加光滑.

2.3 特征提取

經(jīng)過(guò)預(yù)處理的數(shù)據(jù)并不能很好地反映人體步態(tài)的特點(diǎn)，因此還需從原始步態(tài)數(shù)據(jù)中提取出能反映人體步態(tài)特點(diǎn)的特征值進(jìn)行識(shí)別.本文進(jìn)行特征提取的時(shí)候應(yīng)該依據(jù)步態(tài)識(shí)別的特點(diǎn)針對(duì)性的進(jìn)行選擇，特征選擇的好壞將直接影響后續(xù)步態(tài)分類的結(jié)果.在基于慣性傳感器的人體行為識(shí)別研究中，常見(jiàn)的特征提取方法主要分為三大類：基于頻域、基于時(shí)域和基于時(shí)頻.

傳統(tǒng)的數(shù)據(jù)特征提取過(guò)程中，一般只選擇單一時(shí)域特征或者頻域特征進(jìn)行分析，例如時(shí)域中的均方根、平均值、中值等，頻域中的FFT系數(shù)前(前32位、64位)、譜密度等.由于步態(tài)信號(hào)的非平穩(wěn)的特性，這些方法提取的信息并不能充分表現(xiàn)步態(tài)數(shù)據(jù)的特征.小波變換是一種典型的時(shí)頻分析方法，能夠更全面的描述原始步態(tài)數(shù)據(jù)的特征.然而考慮到部分采集到的數(shù)據(jù)會(huì)進(jìn)行時(shí)延處理，這樣做與未做時(shí)延處理的信號(hào)同時(shí)進(jìn)行小波變換時(shí)會(huì)造成很大的差異.因而，本文選用雙樹(shù)復(fù)小波變化進(jìn)行特征提取，該方法是對(duì)小波變化的延伸與改進(jìn)，可以很好的解決小波變換的敏感性.

圖1 腰部加速度傳感器X軸數(shù)據(jù)巴特沃斯濾波前后效果圖Fig.1 Lumbar acceleration sensor x-axis data butterworthfilter before and after renderings

雙樹(shù)復(fù)小波變換(Dual-tree Complex Wavelet Transform，DTCWT)是基于復(fù)小波變換的離散小波的衍生，它不僅具有復(fù)小波變換的優(yōu)良特性，同時(shí)兼?zhèn)潆p樹(shù)濾波器的完全重構(gòu)性、抗混疊性，其函數(shù)表達(dá)式如式(1)所示.

θc(t)=θs(t)+jθr(t)

(1)

DTCWT結(jié)構(gòu)上是將復(fù)小波分為實(shí)部和虛部?jī)陕返亩鏄?shù)，其小波變換系數(shù)由兩組并行的實(shí)數(shù)濾波器實(shí)現(xiàn)獲取.DTCWT的原理主要是在進(jìn)行第一層分解時(shí)，虛部樹(shù)中二抽取能夠恰好采樣得到實(shí)部樹(shù)二抽取時(shí)遺失的信息.這就要求虛部樹(shù)前需設(shè)置一個(gè)延時(shí)器，使得虛實(shí)兩樹(shù)間的延遲為一個(gè)采樣間隔.此外，對(duì)于在第二層以及第二層往后的分解中，虛實(shí)兩樹(shù)間需要設(shè)定一個(gè)相對(duì)于各自采樣速率的半個(gè)樣值間隔的差距[14].

根據(jù)希爾伯特變換，將式(1)函數(shù)轉(zhuǎn)換至頻域可得：

(2)

由式(2)可知，ω>0為θc(t)的頻域支撐域，利用這一頻域信息，我們可以避免小波變換的敏感性以及采樣時(shí)出現(xiàn)的混疊效應(yīng).

由上述分析可知，DTCWT的優(yōu)越性能必須滿足兩個(gè)小波濾波器都符合希爾伯特變換的前提條件.但是實(shí)際使用過(guò)程中，小波函數(shù)長(zhǎng)度有限，造成兩個(gè)樹(shù)之間頻率響應(yīng)的差異，增大運(yùn)算量.

Kennel P等人在DTCWT的基礎(chǔ)上做出了Q-shift改進(jìn)，與原方案相比，改進(jìn)的基于Q-shift的雙樹(shù)復(fù)小波變換從第二層開(kāi)始，都采用偶小波函數(shù)作為濾波器[15].為了保證樹(shù)A和樹(shù)B延遲都為1/2采樣周期，將實(shí)樹(shù)和虛樹(shù)的濾波器設(shè)計(jì)為相反的模式，如圖2所示，其中h0和h1分別為低通濾波器和高通濾波器，用q標(biāo)記的濾波器設(shè)定1/4采樣周期的延遲，3q標(biāo)記的濾波器設(shè)定3/4采樣周期的延遲.

圖2 基于Q-shift的雙樹(shù)復(fù)小波變換分解步驟圖Fig.2 Schematic diagram of double-tree complex wavelettransform decomposition based on Q-shift

圖3展示了步態(tài)信號(hào)分別經(jīng)過(guò)層基于Q-shift的DTCWT與基于離散小波變換后的輸出信號(hào).可以看出在階躍點(diǎn)附近，離散小波變換的輸出存在畸變，而基于Q-shift的DTCWT輸出隨著層數(shù)的增加逐漸趨于平滑，可以清晰明確的展現(xiàn)輸入信號(hào)的特點(diǎn).

圖3 步態(tài)信號(hào)分別經(jīng)過(guò)基于Q-shift的DTCWT與基于離散小波變換后的輸出信號(hào)對(duì)比Fig.3 Gait signal is compared with the output signal based onQ-shift based DTCWT and discrete wavelet transform

使用雙樹(shù)復(fù)小波變換進(jìn)行特征提取時(shí)，常用的參數(shù)主要有表1中的四個(gè)，選擇哪幾個(gè)作為本文的特征參數(shù)，決定了整體步態(tài)識(shí)別的時(shí)長(zhǎng)以及后續(xù)步態(tài)分類的精度.研究證明，legall和qshift_b構(gòu)成的小波基函數(shù)具有最小的重構(gòu)誤差，因此本文在使用基于Q-Shift的雙樹(shù)復(fù)小波變換進(jìn)行步態(tài)特征提取時(shí)，選用legall和qshift_b作為參數(shù)[16].

表1 雙樹(shù)復(fù)小波主要參數(shù)
Table 1 Double tree complex wavelet main parameters

參數(shù)名稱含 義dot表示每個(gè)實(shí)例包含的數(shù)據(jù)條數(shù),每個(gè)實(shí)例都需要做雙樹(shù)復(fù)小波變換,所以dot的值為2的冪次方.nlevel表示雙樹(shù)復(fù)小波的層數(shù).biortType表示雙樹(shù)復(fù)小波變換第一層使用的小波類型.常見(jiàn)的有:antonini,legall,near_sym_a, near_sym_b.qshiftType表示DTCWT第二層及以后使用的時(shí)移變換小波類型.常見(jiàn)的有:qshift_06,qshift_a,qshift_b.

除了這些特征之外，本文還選擇一些基于原始數(shù)據(jù)計(jì)算得出的信息作為特征，主要包含以下幾種：

(3)

(4)

(5)

最大最小差值DIFF=max(x)-min(x)

(6)

3 代價(jià)敏感支持向量機(jī)分類器建模

前文進(jìn)行的數(shù)據(jù)預(yù)處理、特征選擇等步驟只是在為步態(tài)識(shí)別打基礎(chǔ)，步態(tài)識(shí)別中最重要的還是分類模型的建立.

本文選用支持向量機(jī)(SVM)模型在Matlab上對(duì)特征進(jìn)行識(shí)別，SVM分類模型可以很好地解決非線性問(wèn)題.由于本系統(tǒng)需要對(duì)跛行、踮腳、震顫、正常四種行為進(jìn)行識(shí)別，故需要四個(gè)兩類SVM分類器，訓(xùn)練第i個(gè)分類器時(shí)，將第i類標(biāo)記為+1，其余標(biāo)記為-1.

SVM模型在被使用時(shí)，要求正反標(biāo)記的樣本相差不大，但是日常生活中健康的人群要遠(yuǎn)大于患病的人群，也就是說(shuō)，采集到的數(shù)據(jù)中，健康樣本與異常樣本數(shù)目相差較大.將會(huì)造成SVM模型傾向于數(shù)目較多的一類樣本，影響分類模型的準(zhǔn)確度.基于此本文引入了代價(jià)敏感支持向量機(jī)(CS-SVM，Cost Sensitive Support Vector Machine)，該方法在建模時(shí)將不同類別樣本的誤分類代價(jià)考慮在內(nèi)，并將這些誤分類代價(jià)嵌入到標(biāo)準(zhǔn)SVM算法中.

(7)

s.t.yi[k(x,xi)+b]≥1-ξi,i=1,2,…,n;

ξi≥0;

其中，C1、C2表示誤分類代價(jià)參數(shù)，它們的取值依賴于yi；k(x,xi)表示核函數(shù)，ξi表示松弛變量，C表示懲戒因子，其值均大于0，它決定著模型對(duì)誤差的容忍能力[17].

引入拉格朗日乘子αi和αj，將優(yōu)化問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題：

(8)

s.t.0≤αi≤CC1;

0≤αi≤CC2;

本文選取徑向基函數(shù)(Radial Basis Function，RBF)作為核函數(shù)，RBF核函數(shù)無(wú)論樣本大小，都可以較好的擬合非線性映射問(wèn)題，其結(jié)構(gòu)如式(9)所示.核函數(shù)的引入令高維空間中的內(nèi)積運(yùn)算能夠通過(guò)輸入空間中的核函數(shù)實(shí)現(xiàn)，能有效避免維數(shù)災(zāi)害.

(9)

4 實(shí)驗(yàn)仿真

本文為了研究CS-SVM的優(yōu)越性能，使用SVM分類器對(duì)同樣的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，使得經(jīng)過(guò)訓(xùn)練之后的分類器模型能夠根據(jù)采集到的數(shù)據(jù)進(jìn)行步態(tài)識(shí)別，二者的識(shí)別效果通過(guò)識(shí)別率進(jìn)行對(duì)比.具體步驟如下：利用位于腰部與腿部的傳感器網(wǎng)絡(luò)獲取老人步態(tài)數(shù)據(jù)，在數(shù)據(jù)采集階段，征集了15位學(xué)生作為數(shù)據(jù)采集者采集其步態(tài)數(shù)據(jù)，其中男生8位，女生7位.分別采集他們跛行、踮腳、震顫、正常四個(gè)種類的步態(tài)，每位同學(xué)每類步態(tài)采集200組數(shù)據(jù)；然后對(duì)采集到的數(shù)據(jù)進(jìn)行降噪處理和特征值提取.

本文使用CS-SVM建立的老人異常步態(tài)識(shí)別模型屬于二分類問(wèn)題，識(shí)別四類步態(tài)就需要4個(gè)二分類器，每個(gè)二分類器識(shí)別的一類步態(tài)標(biāo)記為1，其余三類標(biāo)記為-1，步態(tài)識(shí)別系統(tǒng)步驟如圖4所示.

圖4 步態(tài)識(shí)別系統(tǒng)步驟圖Fig.4 Gait recognition system step diagram

表2 SVM模型識(shí)別結(jié)果Table 2 SVM model recognition result

其中，步態(tài)識(shí)別率=(正確識(shí)別次數(shù)/總次數(shù)) 100%.

從每類行為樣本集中任意選取三組作為SVM和CS-SVM分類器訓(xùn)練樣本集，然后從剩下的樣本集中每類各抽三組作為測(cè)試樣本集以測(cè)試分類器的準(zhǔn)確率，表2、表3給出了兩種分類器得出的識(shí)別結(jié)果.

表2和表3對(duì)比可知，相比與SVM模型，CS-SVM模型進(jìn)行步態(tài)識(shí)別的識(shí)別效果更好，主要表現(xiàn)為識(shí)別準(zhǔn)確率高，穩(wěn)定性好，表明CS-SVM在老年人異常步態(tài)識(shí)別領(lǐng)域有著廣闊的應(yīng)用前景.其主要原因是因?yàn)镃S-SVM模型中將不同類型行為的代價(jià)因子考慮在內(nèi)，更符合日常生活中健康人群多于患病人群的實(shí)際情況.

表3 CS-SVM模型識(shí)別結(jié)果
Table 3 CS-SVM model recognition result

跛行踮腳訓(xùn)練樣本數(shù)10516520589179236測(cè)試樣本數(shù)53821014792121識(shí)別樣本數(shù)5078964589117步態(tài)識(shí)別率0.9430.9510.9500.9570.9670.967平均識(shí)別率94.8%96.4%震顫正常訓(xùn)練樣本數(shù)95134199100187252測(cè)試樣本數(shù)7881965394133識(shí)別樣本數(shù)7578935294132步態(tài)識(shí)別率0.9620.9630.9690.9811.0000.992平均識(shí)別率96.5%99.1%

其中，步態(tài)識(shí)別率=(正確識(shí)別次數(shù)/總次數(shù)) 100%.

5 總結(jié)與展望

基于MPU6050組成的傳感器網(wǎng)絡(luò)提取老年人的日常生活步態(tài)數(shù)據(jù)，使用巴特沃斯帶通濾波器對(duì)采集到的原始步態(tài)數(shù)據(jù)降噪，剔除干擾信號(hào)；經(jīng)過(guò)降噪的數(shù)據(jù)并不能完全展示步態(tài)數(shù)據(jù)的特征，采用雙樹(shù)復(fù)小波變換進(jìn)行步態(tài)特征提取，針對(duì)雙樹(shù)復(fù)小波存在的預(yù)設(shè)條件難以滿足的問(wèn)題，提出使用基于Q-shift的雙樹(shù)復(fù)小波變換，，提高了小波系數(shù)的平穩(wěn)性.最后，考慮到實(shí)際生活中，健康人群遠(yuǎn)大于患病人群的事實(shí)，將各類樣本的代價(jià)因子考慮在內(nèi)，使用代價(jià)敏感支持向量機(jī)進(jìn)行步態(tài)識(shí)別分類，步態(tài)識(shí)別率大大提高，可以為老年人慢性神經(jīng)疾病預(yù)判提供重要的依據(jù).