基于半監督學習的跌倒檢測系統設計*

李仲年， 臧春華, 楊 剛， 項 嶸

(南京航空航天大學 電子與信息工程學院，江蘇 南京 211106 )

?

基于半監督學習的跌倒檢測系統設計*

李仲年， 臧春華, 楊 剛， 項 嶸

(南京航空航天大學 電子與信息工程學院，江蘇 南京 211106 )

針對老人跌倒時的復雜運動情況，進行跌倒標注的較難實現，提出了基于Tri-training半監督算法的跌倒檢測系統。本系統使用3D加速度傳感器采集運動加速度數據，然后對數據進行特征提取與部分樣本標注，使用Tri-training算法訓練分類器，最后使用訓練好的分類器進行跌倒識別。具體的數據采集傳感器設計為可穿戴式設備，服務器端使用Java編寫了一個服務器的程序實現對數據的分析與處理。實驗結果表明：該方法使用了大量無標簽數據的信息，有效提高了跌倒識別的準確率。實驗結果表明：本系統能夠滿足老年人在日常生活中的需求,對于一些意外跌倒能夠給予及時的檢測與報警。

跌倒檢測; 半監督學習; 模式識別; 支持向量機; 特征提取

0 引 言

近年來，一些可穿戴設備能夠提供記錄一些人的基本運動數據的服務，一般包括運動量、心率等。這些基礎的服務都無法很好地滿足了一些老年人的一些特殊需求。基于物聯網的醫療防護技術在技術快速發展的今天受到了廣泛的關注[1]，其中基于物聯網的跌倒檢測技術其識別的準確度與速度較好，并且能夠快速發出報警信號，使其在應用領域有著極大的價值。根據不同的檢測技術，跌倒檢測又可以分為基于設立閾值的跌倒檢測和基于模式識別的跌倒檢測。其中基于模式識別的跌倒檢測更適應與復雜的跌倒場景，應用更加廣泛。一般基于模式識別的檢測方法選用監督學習作為其識別方法，其缺點在于從日常行為中標注出跌倒較困難，所以含有標簽的跌倒數據較稀少，與之相反無標簽數據容易獲得，監督學習忽略了大量無標簽樣本的信息。

本文基于模式識別的跌倒檢測技術，提出了一種新的基于Tri-training半監督學習[2]的跌倒識別方法，可以在無法獲得大量標簽的數據的情況下利用無標簽數據進行學習，有效提高檢測準確率，獲得較好的檢測效果。

1 基于Tri-training的跌倒檢測算法

1.1 基于模式識別的跌倒檢測原理

基于模式識別的跌倒檢測原理就是依靠可穿戴設備獲取來的數據，對數據進行特征提取和特征選擇，選擇合適的特征然后將特征放入分類器進行學習，學習出一個比較適用的分類器，然后用這個分類器進行跌倒的檢測。

1.2 基于Tri-training的跌倒檢測算法原理

目前基于模式識別的跌倒檢測算法其分類器一般采用的算法有K近鄰(KNN)[3]、支持向量機(SVM)[3]、樸素貝葉斯[4]等。由于跌倒的樣本不是很好的獲取，其帶有標簽的樣本并不是很多，這就讓傳統的監督學習容易欠學習，從而影響檢測準確率。

為此，提出了基于Tri-training算法的跌倒檢測從而利用無標簽的數據進行識別。由于傳感器傳出來的數據一般較多且不容易進行數據可視化，很難進行人為的一一標定，或者標定的成本很高，從而如何對盡量少的樣本進行人工標記，并獲得比較好的分類性能是解決跌倒問題的關鍵。

Tri-training算法是半監督學習中的協同訓練方法，該算法采用三個分類器，通過隨機采樣算法 Bootstrap Sampling獲取有差異的訓練數據子集，來保證分類器之間的差異性。Tri-training訓練結束后，采用多數投票法對三個分類器集成，獲得最終分類器模型[5]。該算法被廣泛應用與圖像檢索與文本分類等實際的應用中[6]。由于 Tri-training對樣本屬性集和三個分類器所用監督學習算法都沒有約束，而且不使用交叉驗證來實現，其適用范圍更廣、 效率更高并且容易實現。

Tri-training算法的基分類器選擇使用SVM來進行訓練，SVM在解決分類問題表現較有優勢，假設有一組訓練數據集{xi,yi}，其中xi∈Rn是第i個訓練樣本，yi為第i個樣本的標簽，SVM通過解決最優化問題

(1)

獲得最優超平面[7]，通過實驗數據發現，使用線性核函數的識別率很差，從而嘗試使用其他核函數，經過實驗，結果表明高斯核效果最好，固以SVM的核函數選擇為高斯核，具體的公式為

(2)

高斯核有效地提高了SVM的泛化能力，并有效避免了維數災難。

1.3 基于Tri-training的跌倒檢測算法步驟

完整的基于Tri-training的跌倒檢測算法步驟主要分為學習部分和檢測部分兩部分組成。

1.3.1 學習部分步驟

1)從傳感器讀入三軸加速度傳感器的數據，數據為三個軸的加速度的值，因為傳感器的值在時間上是連續抽樣所得，所以必須對數據進行切分，用滑動窗口[8]將數據進行分割[9]。

2)對數據進行整理，剔除明顯是錯誤的數據，在此基礎上標記一定量的數據。

3)對數據進行特征提取，特征分為時域特征與頻域特征，本系統提取的特征主要有均值、方差、均值穿越次數、能量等。重要特征具體描述如下：

a.方差用于描述加速度數據的離散程度,其計算公式如下所示

(3)

b.能量的計算方法是對信號做離散傅立葉變換后，各分量的幅度平方和，運動不發生時的能量小于運動的能量，能量的計算公式為

(4)

式中 Fi為數據做傅立葉變換之后的幅度。

c.均值穿越次數用于描述加速度數據時間的波動程度，其計算方法為統計加速度穿越均值的次數[10]。

d.已經提取的特征進行特征選擇，用假設檢驗的方法拒絕了譜質心作為特征，其余特征通過假設檢驗。

e.過假設檢驗的特征進行特征歸一化,歸一化的公式為

(5)

(6)

(7)

所有歸一化之后的特征具有零均值和單位方差，使不同特征值位于相似范圍[11]。

f.用已經處理好的特征進行Tri-training分類器的學習，學習出分類器。

1.3.2 檢測部分步驟

1)將已經學習到的分類器移植到目標平臺;2)使用滑動窗口實現數據的分割，清洗數據;3)將據進行特征提取對提取完的數據進行歸一化;4)將已經歸一化的數據進行跌倒檢測，即將特征向量放入分類器中進行分類，得到跌倒或者非跌倒兩種狀態;5)對測出跌倒行為進行報警。

2 系統設計

基于Tri-training的算法以提高跌倒檢測的準確性，自主研發了基于可穿戴設備的跌倒檢測系統，該跌倒檢測系統有服務器端，智能可穿戴設備和路由器組成[12]，可穿戴設備和路由器系統采用無線局域網進行連接路由器與服務器采用有線連接。

2.1 服務器系統設計

服務器系統運行在Windows7系統的X86計算機，用面向對象的Java實現，主要的功能是將可穿戴設備傳上來的數據進行數據分割與特征提取并運用已經學好的分類器進行檢測，若為跌倒,則報警。服務器主要有檢測算法模塊、數據通信模塊、報警模塊。

2.2 可穿戴設備設計

可穿戴設備為嵌入式設備，其硬件由MCU模塊，通信模塊和傳感器模塊組成[13]。MCU模塊負責將傳感器的數據進行簡單的處理然后經過通信模塊與路由器進行通信。MCU模塊從傳感器讀出數據，通過通信模塊發送出去。通信模塊使用ZigBee協議，通過樹狀組網將終端節點數據(可穿戴設備)采集到的數據傳輸給路由器節點，再由路由節點將數據傳輸給服務器。

2.3 路由器設備

路由器設備為可穿戴設備與服務器連接的橋梁，它的作用是將可穿戴設備組成傳感器網絡，并將數據傳輸給服務器。路由器的使用使得傳感器的網絡很容易添加和刪除可穿戴的設備的節點，使得系統容易擴展。

3 實驗結果與分析

通過實驗數據驗證本系統的檢測性能，并將本系統與KNN，樸素貝葉斯，SVM三種常用的跌倒檢測算法進行對比，實驗一采用200個標簽數據，300個無標簽數據和40個測試數據來完成，KNN和SVM在有標簽的數據上進行學習，本文測得的數據是KNN的準確率為88.5 %,SVM的準確率為93.3 %,使用Tri-training的準確率為94.2 %。

實驗一驗證Tri-training算法使用了無標簽數據的信息提高了精度,實驗二在不同無標簽樣本的個數的情況下完成。無標簽樣本分別為200個時，準確率為93.9 %，無標簽樣本為300個時，準確率為94.2 %，無標簽樣本為400個時，準確率為94.6 %。

實驗結果表明，利用沒有標簽的數據可以提高識別準確率，使得數據在不容易獲得標簽的時候能更好地發揮作用。

4 結 論

提出Tri-Traning半監督的跌倒檢測系統，僅僅用監督學習進行跌倒檢測會使沒有標簽的數據被浪費，針對這個缺點提出應用Tri-Traning半監督學習來訓練分類器有效地提高了檢測的精度。該算法有效地結合了SVM在分類中的優勢，使得整體檢測精度有了提高。

實現了基于Tri-Traning半監督的跌倒檢測系統，經過實驗，結果表明：使用該算法提高了對跌倒的檢測，使得整個系統更加準確。本系統能滿足日常生活中的跌倒檢測，能為老年人的健康提供有效保護。

[1] 萬喬喬,張俊然,趙 斌.無線傳感器網絡通信協議及其在醫學領域的研究進展[J].傳感器與微系統,2015,34(7):11-13,20.

[2]ZhouZH,LiM.Tri-training:Exploitingunlabeleddatausingthreeclassifiers[J].IEEETransactionsonKnowledge&DataEngineering, 2005, 17(11):1529-1541.

[3]BishopC.Patternrecognitionandmachinelearning[M].BerlinHeidelberg:Springer,2006.

[4] 蔣良孝.樸素貝葉斯分類器及其改進算法研究[D].武漢：中國地質大學，2009:17-29.

[5] 張 雁，吳丹桔，吳保國.基于Tri-training半監督分類算法的研究[J].計算機技術與發展，2013，23(7)：77-79，83.

[6] 張晨光，張 燕.半監督學習[M].北京：中國農業科學技術出版社，2013:32-33.

[7] 李昆侖, 張 偉, 代運娜. 基于Tri-training的半監督SVM[J].計算機工程與應用, 2009, 45(22):103-106.

[8]LaraOD,LabradorMA.Asurveyonhumanactivityrecognitionusingwearablesensors[J].IEEECommunicationsSurveys&Tutorials, 2013,15(3):1192-1209.

[9] 黃 帥.老年人跌倒檢測系統中相關算法的研究與應用[D].北京：清華大學，2011:20-24.

[10] 汪 亮.基于可穿戴傳感器網絡的人體行為識別技術研究[D].南京：南京大學，2014:22-23.

[11]LeCunY,BottouL,OrrGB,etal.EfficientbackProp,neuralnetworks:Tricksofthetrade[M].BerlinHeidelberg:Springer,1998.

[12] 張 迅, 黎 偉, 周建國,等. 基于傳感器的室內測試軌跡系統[J]. 傳感器與微系統, 2015,34(6):43-45.

[13] 劉向舉, 劉麗娜. 基于物聯網的室內環境監測系統的研究[J].傳感器與微系統, 2013, 32(3):37-39.

李仲年(1990- )，男，碩士研究生，主要研究方向為模式識別，計算機應用。

Design of fall detection system based on semi-supervised learning*

LI Zhong-nian, ZANG Chun-hua, YANG Gang, XIANG Rong

(College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics,Nanjing 211106，China)

Aiming at problem that falling down movement of the elderly is very complex and falling down label is difficult to achieve,a stumbling and falling system based on Tri-training semi-supervised algorithm is proposed. The system uses the 3D acceleration sensor to collect movement accelerating data, and extraction of feature is done on the data and partial sample is labeled.Tri-training algorithm is used to train the classifier in the next step. Trained classifier is served to recognize stumbling and falling. The sensor of data acquisition is designed as a wearable device in particular and the server uses Java to write a program for data processing and analyzing. The test results show that the proposed method can effectively improve the accuracy of the recognition by applying a large number of unlabeled data. The experimental results demonstrate that the system can meet the needs of the elderly in their daily lives, and some unexpected falls are able to give timely detection and alarm.

fall detection; semi-supervised learning; pattern recognition; support vector machine(SVM); feature extraction

2016—08—11

南京航空航天大學研究生創新基地(實驗室)開放基金資助項目(KFJJ20150401)

10.13873/J.1000—9787(2016)10—0067—03

TP 391

A

1000—9787(2016)10—0067—03