基于隨機(jī)森林算法和摩擦起電傳感器的人體運(yùn)動(dòng)識別研究

冷寒松，張豐鐸，任立杰，楊大偉，王志華

(1.河北工業(yè)大學(xué)電氣工程學(xué)院，天津市北辰區(qū)西平道5340號 300401；2.河北工業(yè)大學(xué)省部共建電工裝備可靠性與智能化國家重點(diǎn)實(shí)驗(yàn)室，天津市北辰區(qū)西平道5340號 300401；3.國網(wǎng)山東省電力公司濟(jì)南市歷城區(qū)供電公司，山東省濟(jì)南市歷下區(qū)華龍路31號 250000；4.渤海石油裝備承德石油機(jī)械有限公司，河北省承德市雙橋區(qū)開發(fā)區(qū)西區(qū)四號 067000)

檢測運(yùn)動(dòng)狀態(tài)、姿態(tài)的傳感器在物聯(lián)網(wǎng)，無人飛行器，航空航天，智能醫(yī)療等諸多領(lǐng)域發(fā)揮著不可替代的作用[1]?，F(xiàn)有的運(yùn)動(dòng)傳感器由陀螺儀和加速度計(jì)等元件組成，需要微電源和微處理電路的供能，雖然精度很高，但是其制作工藝復(fù)雜，價(jià)格昂貴，維護(hù)相對困難，無法滿足物聯(lián)網(wǎng)對運(yùn)動(dòng)傳感器的龐大需求。同時(shí)由于傳感器的結(jié)構(gòu)復(fù)雜，因此在小型化和集成化上難以有更加深入的推進(jìn)。隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，大量采集運(yùn)動(dòng)狀態(tài)的傳感器需要被安裝在各種儀器[2]、戶外設(shè)備[3]、交通工具，甚至是鞋子、服裝上[4]。這就對傳感器的功能、成本和供能方式提出了新的要求。

摩擦起電不需要電磁發(fā)電那樣固定、復(fù)雜的設(shè)備?；诰酆衔锬Σ疗痣娫碇圃斓脑O(shè)備已經(jīng)被廣泛應(yīng)用于風(fēng)能[5-6]、波浪能[7-8]以及其它機(jī)械能量[9-10]的采集。摩擦起電式運(yùn)動(dòng)狀態(tài)傳感器易于制造，維護(hù)成本低，功能多樣，符合物聯(lián)網(wǎng)的發(fā)展對運(yùn)動(dòng)傳感器的需求。通過研究摩擦起電原理，聚合物材料的摩擦起電性能，從而制造出功能多樣，結(jié)構(gòu)合理的多功能傳感器對于推動(dòng)物聯(lián)網(wǎng)的發(fā)展具有十分重要的意義。

研究人員對不同聚合物材料的摩擦起電水平進(jìn)行了實(shí)驗(yàn)分析[11]。根據(jù)力傳感器和慣性式加速度傳感器在結(jié)構(gòu)和原理上的相似性，陳玉良等[12]提出了一種高彈性梁結(jié)構(gòu)摩擦起電傳感器，實(shí)現(xiàn)了對力、加速度和振動(dòng)的有效傳感。研究人員通過將球形或圓柱型旋轉(zhuǎn)體與慣性式直線傳感器相結(jié)合，開發(fā)了能夠同時(shí)傳感直線和旋轉(zhuǎn)運(yùn)動(dòng)的多功能傳感器。Chengkuo Lee等[13]以商用陀螺儀為結(jié)構(gòu)基礎(chǔ)，提出了一種基于摩擦起電的三軸陀螺儀球，用作三軸加速度和旋轉(zhuǎn)傳感器。這是首個(gè)能夠同時(shí)傳感直線和旋轉(zhuǎn)運(yùn)動(dòng)的摩擦起電傳感器。此外，一種應(yīng)用磁控輔助技術(shù)的多功能運(yùn)動(dòng)傳感器[14]，能夠感知直線和旋轉(zhuǎn)運(yùn)動(dòng)的方向、速度和加速度。一種平移旋轉(zhuǎn)式多功能傳感器[15]，通過慣性旋轉(zhuǎn)軸結(jié)構(gòu)將直線運(yùn)動(dòng)轉(zhuǎn)換為旋轉(zhuǎn)運(yùn)動(dòng)，有效地減小了直線加速度傳感器的體積，同時(shí)實(shí)現(xiàn)了對旋轉(zhuǎn)運(yùn)動(dòng)的有效感知。

機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度等多門學(xué)科。機(jī)器學(xué)習(xí)算法能夠高效的利用信息來解決傳感器問題[16]。張鐵壁[17]通過采用神經(jīng)網(wǎng)絡(luò)算法，有效的消除了傳感器之間的交叉干擾，提高了傳感器的測量精度和穩(wěn)定性。

文中對聚合物多功能運(yùn)動(dòng)傳感器的結(jié)構(gòu)和工作原理進(jìn)行分析，將傳感器固定在人體上進(jìn)行測試，并采用森林隨機(jī)算法對傳感器輸出電壓進(jìn)行分析，實(shí)現(xiàn)對人體運(yùn)動(dòng)狀態(tài)的識別。

1 基于摩擦起電效應(yīng)的多功能運(yùn)動(dòng)傳感器

1.1 傳感器結(jié)構(gòu)分析

基于摩擦起電原理設(shè)計(jì)的運(yùn)動(dòng)傳感器易于制造且成本較低，同時(shí)無需外部電源供電，維護(hù)方便，滿足了物聯(lián)網(wǎng)對于傳感器的需求。文中提出的自供電多功能運(yùn)動(dòng)傳感器和實(shí)體結(jié)構(gòu)如圖1(a)(b)所示。傳感器的主體由透明樹脂材料制成，尺寸為5cm×5cm×3.3cm，結(jié)構(gòu)為空心圓柱，外殼分為尺寸為5cm×5cm×3cm的容器部分和尺寸為5cm×5cm×0.6cm的頂蓋部分，頂蓋可以拆卸。在頂蓋和底座包圍的空腔中，共設(shè)置有七個(gè)厚度為0.1mm的銅箔電極：頂部電極設(shè)置在頂蓋的下表面，主要用于傳感被測對象垂直方向上的振動(dòng)；4個(gè)方向電極設(shè)置在圓柱體的內(nèi)側(cè)壁上，中間留有縫隙，主要用于傳感被測對象線性運(yùn)動(dòng)的方向，以及發(fā)生旋轉(zhuǎn)運(yùn)動(dòng)時(shí)的轉(zhuǎn)速；在空腔的底部正中央位置，設(shè)置了圓片型的中心電極，環(huán)繞著中心電極還有環(huán)形電極，這兩種電極與方向電極相互配合，共同傳感線性運(yùn)動(dòng)的速度以及加速度。所有電極的表面均覆蓋了10μm厚的聚四氟乙烯薄膜。在外殼的空腔中內(nèi)置了一顆直徑10mm的聚氨酯球。

(a)結(jié)構(gòu)與材料 (b)傳感器實(shí)物圖(a)Structure and material (b)Photo of the sensor圖1 多功能運(yùn)動(dòng)傳感器Fig.1 Multifunctional motion sensor

1.2 傳感器工作原理分析

多功能運(yùn)動(dòng)傳感器檢測物體沿水平方向運(yùn)動(dòng)時(shí)的工作原理如圖2(a)所示。當(dāng)聚氨酯球沿水平方向滑離中心電極時(shí)，電極附近空間瞬間得到大量電子且無法立即得到補(bǔ)償，因此電勢瞬間降低，輸出電壓上出現(xiàn)負(fù)的波峰。在這之后，由于電荷泄漏等外界因素的影響，電極與公共端之間的電勢差迫使電子從中心電極流向公共端，輸出電壓逐漸歸零，從而建立了新的靜電平衡。當(dāng)聚氨酯球滑回中心電極時(shí)，電極附近的空間瞬間失去大量電子且無法立即被消納，電勢則瞬間升高，輸出電壓出現(xiàn)正的波峰。之后，電子在電勢差的驅(qū)動(dòng)下，從公共端流向電極，再次建立新的靜電平衡。

(a)水平方向運(yùn)動(dòng)(a)Horizontal movement

(b)垂直方向運(yùn)動(dòng)(b)Vertical movement圖2 傳感器工作原理Fig.2 The principle of sensor

垂直方向的單電極模型是聚氨酯球沿垂直方向振動(dòng)時(shí)的工作模式，如圖2(b)所示，聚氨酯球與底部的聚四氟乙烯膜接觸時(shí)帶正電荷。當(dāng)傳感器垂直振動(dòng)時(shí)，聚氨酯球靠近頂部電極，頂部電極附近的電勢瞬間升高，輸出電壓波形出現(xiàn)正的波峰，靜電平衡被打破。電勢差驅(qū)動(dòng)電子從公共端流向電極。值得注意的是，聚氨酯球在接觸頂部電極的瞬間，撞擊改變了聚氨酯球的運(yùn)動(dòng)方向，使得聚氨酯球迅速遠(yuǎn)離頂部電極。在頂部電極附近的電場尚未達(dá)到靜電平衡時(shí)，聚氨酯球的遠(yuǎn)離又加速了電極附近的電勢降低。因此輸出的電壓波形在出現(xiàn)正的波峰后，沒有靜電平衡就再次轉(zhuǎn)向負(fù)波峰。

2 隨機(jī)森林算法在人體運(yùn)動(dòng)狀態(tài)識別上的應(yīng)用

2.1 傳感器測試

多功能運(yùn)動(dòng)傳感器具有7個(gè)電極，除了能夠傳感機(jī)器設(shè)備的規(guī)律性機(jī)械運(yùn)動(dòng)外，多功能運(yùn)動(dòng)傳感器還可以被安裝在衣服或鞋子中，傳感人體的運(yùn)動(dòng)狀態(tài)。多功能運(yùn)動(dòng)傳感器被固定在實(shí)驗(yàn)人員的腳腕處，分別采集了實(shí)驗(yàn)人員在走路和跑步過程中的輸出電壓，如圖3所示。

圖3 多功能運(yùn)動(dòng)傳感器在傳感走路和跑步時(shí)的輸出電壓Fig.3 The output voltage of multi-functional motion sensor in walking and running

通過圖3可以看出，輸出波形具有周期性。另外，運(yùn)動(dòng)狀態(tài)不同，輸出電壓的頻率、峰值也不相同。在走路時(shí)，波形頻率較低，周期較長，波形的峰值電壓相比跑步時(shí)也較小。此外，不同位置的電極，在同一個(gè)運(yùn)動(dòng)過程中的輸出波形也不相同。前方向電極和后方向電極上，輸出電壓峰值較高，波形頻率相對穩(wěn)定；在環(huán)形電極和頂部電極上，輸出電壓峰值較低，波形沒有明顯的周期性。

2.2 隨機(jī)森林算法識別人體運(yùn)動(dòng)

隨機(jī)森林算法(Random Forest，RF)作為一種新興起的、高靈活度的機(jī)器學(xué)習(xí)算法，在智能醫(yī)療、金融分析等領(lǐng)域具展現(xiàn)出了良好的效果。隨機(jī)森林算法將多棵決策樹合并在一起，每棵樹的建立依賴于一個(gè)獨(dú)立抽取的樣品的過程。相比于其它算法，隨機(jī)森林算法在解決分類問題時(shí)，具有計(jì)算速度快，分類準(zhǔn)確率高的優(yōu)點(diǎn)。

隨機(jī)森林算法屬于Bagging方法的一種。圖4展示了Bagging方法的訓(xùn)練過程。Bagging方法是自舉匯聚法，其基本思想是在原始數(shù)據(jù)集中通過有放回的抽樣方式，選取樣本進(jìn)行數(shù)據(jù)訓(xùn)練，因此，通過Bagging方法所訓(xùn)練的模型存在重復(fù)的數(shù)據(jù)。當(dāng)經(jīng)過Bagging方法訓(xùn)練出的模型在預(yù)測新樣本分類時(shí)，會(huì)使用多數(shù)投票和求均值的方法來統(tǒng)計(jì)最終的分類結(jié)果。

圖4 Bagging法基本訓(xùn)練過程Fig.4 Basic training process of Bagging method

隨機(jī)森林算法可以解決分類和回歸兩類問題，運(yùn)用隨機(jī)森林算法進(jìn)行人體運(yùn)動(dòng)狀態(tài)的識別就是依據(jù)每組數(shù)據(jù)的特征值將數(shù)據(jù)分為走路和跑步兩種類型，屬于典型的分類問題。首先，在樣本集中有放回地選擇N個(gè)樣本，從所有屬性中隨機(jī)選擇K個(gè)屬性，將得到的最佳分割屬性作為節(jié)點(diǎn)創(chuàng)建決策樹。重復(fù)上述步驟M次，即建立了M棵決策樹，通過M棵決策樹形成的隨機(jī)森林，通過投票表決分類結(jié)果。正是因?yàn)殡S機(jī)地選擇了K個(gè)屬性，保證了決策樹的多樣性，形成多樣化的局部最優(yōu)解，最終的分類結(jié)果才具備可靠性。

在所建立的隨機(jī)森林算法模型中，選擇了數(shù)據(jù)的極差以及標(biāo)準(zhǔn)差作為特征值。在走路狀態(tài)下，傳感器中的聚氨酯球隨著腳腕前后運(yùn)動(dòng)，前方向電極與后方向電極輸出電壓峰值較小，波形頻率較低，左電極和右電極輸出平緩；在跑步狀態(tài)下，前、后電極輸出電壓峰值明顯提高，波形頻率周期性變化，左右電極輸出電壓提高。傳感器頂部電極用于檢測垂直方向的振動(dòng)，中心電極和環(huán)形電極用于檢測線性運(yùn)動(dòng)的速度與加速度，在走路與跑步運(yùn)動(dòng)識別中，輸出電壓峰值較低，波形沒有明顯的周期性。所以選用前、后電極輸出來識別走路與跑步狀態(tài)，左、右電極作為輔助識別。這樣用于訓(xùn)練決策樹模型的特征值共有8個(gè)，分別是前、后、左、右電極電壓極差X1，X2，X3，X4，前、后、左、右電極電壓標(biāo)準(zhǔn)差X5，X6，X7，X8。目標(biāo)值為運(yùn)動(dòng)狀態(tài)Y，Y的取值在走路時(shí)設(shè)為0，跑步時(shí)設(shè)為1。為了提高分類的準(zhǔn)確性，應(yīng)用卡方系數(shù)對8個(gè)特征值進(jìn)行相關(guān)性分析。分析結(jié)果顯示左方向電極電壓標(biāo)準(zhǔn)差(X7)與結(jié)果之間相關(guān)性較弱。去除與結(jié)果相關(guān)性較弱的特征值后，剩余7個(gè)特征，連同目標(biāo)值組成了向量(X1，X2，X3，X4，X5，X6，X8，Y)。確定特征值后，利用Python編寫了隨機(jī)森林模型，模型參數(shù)如表1所示。

表1 隨機(jī)森林模型參數(shù)及數(shù)值Tab.1 Parameter types and numerical simulation of Stochastic Forest Model

根據(jù)模型的復(fù)雜程度，將決策樹的最大深度設(shè)置為3，這樣包含根節(jié)點(diǎn)在內(nèi)，決策樹的層數(shù)為4層。考慮訓(xùn)練樣本的數(shù)量，確定決策樹的數(shù)量為100，度量指標(biāo)為默認(rèn)值，即基尼系數(shù)。通過240個(gè)訓(xùn)練樣本對隨機(jī)森林中的100棵決策樹進(jìn)行訓(xùn)練，從中隨機(jī)選擇一顆決策樹，通過代碼可視化的方法展示其訓(xùn)練流程如圖5所示。

圖5 隨機(jī)森林模型中的決策樹訓(xùn)練流程可視化Fig.5 Visualization of decision tree training process in random forest model

從圖5可以看出，決策樹隨機(jī)選取到的特征量為X1，X4，X8，即前方向電極電壓極差、右方向電極電壓極差、右方向電極電壓標(biāo)準(zhǔn)差。因?yàn)槊靠脹Q策樹都隨機(jī)地從7個(gè)特征量中選擇其中的3個(gè)，保證了隨機(jī)森林中決策樹的多樣性。通過將樣本反復(fù)代入決策樹進(jìn)行訓(xùn)練，每棵決策樹都形成了獨(dú)有的區(qū)分走和跑的判斷標(biāo)準(zhǔn)。由于樹與樹之間在特征量以及訓(xùn)練樣本上存在或多或少的差異，所以它們在進(jìn)行運(yùn)動(dòng)狀態(tài)分類時(shí)得出的結(jié)果也不完全相同。最終的分類結(jié)果通過所有決策樹共同投票產(chǎn)生。

利用多功能運(yùn)動(dòng)傳感器采集60組運(yùn)動(dòng)數(shù)據(jù)，其中包含30組的走路數(shù)據(jù)和30組的跑步數(shù)據(jù)，代入到訓(xùn)練完成的隨機(jī)森林模型中，對得到的分類結(jié)果Y1和真實(shí)值Y進(jìn)行比較。結(jié)果顯示，隨機(jī)森林模型的分類正確樣本數(shù)為58個(gè)，分類錯(cuò)誤樣本數(shù)為2個(gè)，分類準(zhǔn)確率為98.3%，滿足日常監(jiān)測需求。

傳統(tǒng)的二分類算法如邏輯回歸也能夠?qū)崿F(xiàn)對走路和跑步的識別。邏輯回歸算法屬于概率型非線性回歸，將走路和跑步數(shù)據(jù)引入進(jìn)行訓(xùn)練，應(yīng)用值域?yàn)?0，1)的sigmoid函數(shù)進(jìn)行分類，函數(shù)輸出值大于0.5的輸出為1，小于0.5的輸出為0，通過損失函數(shù)來度量預(yù)測錯(cuò)誤程度，最后利用梯度下降法優(yōu)化參數(shù)。將數(shù)據(jù)代入訓(xùn)練后準(zhǔn)確度達(dá)到93.5%。對比傳統(tǒng)的邏輯回歸算法，隨機(jī)森林模型的分類準(zhǔn)確率能夠達(dá)到98.3%，對走路和跑步的識別更加精準(zhǔn)。

3 結(jié)論

文中對多功能運(yùn)動(dòng)傳感器的結(jié)構(gòu)和電荷轉(zhuǎn)移特性進(jìn)行了分析。所提出的傳感器通過7個(gè)電極采集人體水平和垂直運(yùn)動(dòng)信號?；陔S機(jī)森林算法對傳感器的輸出電壓信號進(jìn)行分類，識別人體的運(yùn)動(dòng)狀態(tài)。將傳感器安裝在測試人員腳踝處可測得多個(gè)電壓信號，隨機(jī)選出前電極電壓極差X1、右電極電壓極差X4和右電極電壓標(biāo)準(zhǔn)差X8為特征量，利用Python編制隨機(jī)森林算法程序。通過分析跑步和走路時(shí)的輸出電壓各30組，采用隨機(jī)森林算法對走路和跑步狀態(tài)的分類準(zhǔn)確率可達(dá)98.3%，具有良好的識別效果。