基于BP神經網絡的人體行為識別方法研究與實現

吳婷+周宇

摘要：針對人體行為識別問題，本文設計實現了基于BP神經網絡的人體行為識別方法。該方法在對原始三維加速度信號預處理后提取出特征值，并將向量空間劃分為訓練樣本集和測試樣本集。通過不斷修正網絡參數優化學習效果。經過學習后的BP神經網絡達到了較高的人體行為識別正確率，并對所研究的7種日常行為都較好識別。

關鍵詞：BP神經網絡；三維加速度；特征值提取

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2016）51-0197-02

隨著物聯網的高速發展，智慧醫療的應用也越來越廣泛，人體行為識別作為智能監測中一個重要的研究方向，也逐漸受到各國學者的廣泛關注。隨著我國人口老齡化不斷加劇，老年人意外摔倒問題受到人們關注，而人體行為識別方法的研究將推進更有效更準確的跌倒檢測算法研究。按照信號的獲取方式，可將現有的人體行為識別方法分為以下兩種：基于計算機視覺的方法和基于傳感器的方法。基于三軸加速度信號的識別方法屬于第二種，第二種方法相較于第一種具有低功耗、高精度、攜帶方便等優點。目前BP神經網絡是目前人工神經網絡中研究最深入、應用最廣泛的一種。本文選用已有的三軸加速度信號數據集，在MATLAB仿真環境下，基于BP神經網絡設計并實現人體行為識別算法。

一、數據預處理

本文選用的三軸加速度數據來源于南加州大學人體行為數據集，這個數據集包括了對14名受測者的12種動作的三軸加速度信號采集。采集過程中，三軸加速度傳感器位于受測者右前臂；采樣頻率為100Hz；12種動作每種動作由每名受測者做5次，即對每種動作采集70個樣本，每個樣本采集時長不定但是足夠捕獲動作的所有信息。考慮實際意義，本文只選取上述14名受測者的7類動作，共計490個加速度數據樣本。在特征值提取前需要對濾波得到的加速度數據再進行加窗處理。選用窗口長度N為512的矩形窗，則結合采樣頻率可得窗口時間跨度為5.12秒，足夠包含單個完整動作。經過預處理后的數據才可以用于后續的特征值的提取，并用來訓練和測試所建立的BP神經網絡。

二、BP神經網絡的建立

BP神經網絡由輸入層、輸出層和隱含層組成，其中輸入層與輸出層各為一層，隱含層可以有多層。在網絡中，相鄰兩層間實現全連接，而處于同一層的神經元之間無連接。BP學習算法需要提供教師信號。BP網絡的學習過程包括工作信號的正向傳播和誤差信號的反向傳播，并通過修改連接兩個神經元的邊的權值來使得誤差函數達到最小。①工作信號的正向傳播。設X■■表示第k層神經元i的輸入總和，Y■■為輸出，第k-1層神經元j到第k層神經元i的權值為Wij，則有如下函數關系：Y■■=f（X■■）X■■=■W■Y■■ （1）

稱f激勵函數，通常取f為非對稱Sigmoid函數，即 f（X■■）=■ （2）

②誤差信號的反向傳播。設輸出層為第m層，則輸出層第i個神經元的實際輸出為Y■■，設對應的教師信號為Yi，定義誤差函數e為 e=■■（Y■■-Y■）■ （3）

定義d■■表示誤差函數e關于U■■的偏導數，可推得 當k=m時，有d■■=Y■■（1-Y■■）（Y■■-Y■）（4）

當k

③權值的修正。設某一次學習權值的修改量為ΔWij，考慮兩次學習的相關性，可定義權值修改量如下：

ΔWij（t+1）=-μ·d■■·Y■■+γ·ΔWij（t）（6）

其中，γ為表示兩次修正間的相關程度的系數， μ為學習速率。綜上，BP神經網絡的學習目標就是：找一組最合適的邊的權值Wij，使得誤差函數滿足 e=min■■（Y■■-Y■）■ （7）

三、BP神經網絡結構設計

1.輸入層。BP神經網絡的輸入即為各種行為的特征向量，因此首先需要選取合適的特征值構建特征向量。根據統計學原理和所選加速度信號數據集的特征，選取5個特征值：均值、方差、相關系數、偏度和峰度。5個特征值均以窗長N為提取單位，特征值的計算直接使用MATLAB已有的函數。以窗長為單位，分別計算三個軸的加速度信號的上述5種特征值，一次特征值提取可得到一個15維的特征向量，將此向量作為BP神經網絡的輸入，則輸入層可有15個神經元。

2.隱含層。隱含層待定的系數包括隱含層的層數和每個隱含層包含的神經元個數。為提高學習速率，通常選用單隱層的神經網絡，但為獲得更好的學習效果，本文考慮單隱層以及雙隱層的BP神經網絡。

關于隱含層神經元的個數n1選取，本文參考公式如下：n■=■+p （13）

其中，n0為輸入層神經元個數，nm為輸出層神經元個數，p為[1，10]之間的一個常數。在利用上述公式估算的基礎上，根據網絡學習的結果對隱含層神經元個數再做調整，以達到最好的學習效果。

3.輸出層。神經網絡的輸出層表示人體行為識別的結果，即判斷該動作屬于哪一類。根據所研究的7類動作，可以構造一個7維的輸出向量。每一個輸出向量對應每一次輸出，向量的每一維對應每一類動作。若輸入特征值來源于第Z類動作，則期望的輸出向量為第Z維置“1”，其余維置“0”，而實際的輸出向量的7個維度的數值分別代表屬于7種動作的可能性大小，取數值最大的維度為分類結果。

四、BP學習算法的執行

在確定上述網絡結構后，使神經網絡執行如下學習算法：（1）首先設定各層的權值Wij的初值，通常選較小的非零隨機數。（2）確定訓練數據集，輸入一個特征向量X=（x1，x2，x3…x15），并向網絡提供對應的教師信號Y=（y1，y2，y3，y4，y5，y6，y7）。（3）正向傳播輸入信號，計算各層的輸出，最終得到實際輸出向量。（4）反響傳播誤差信號，計算各層的學習誤差d■■，并對權值Wij進行修正。（5）計算誤差函數e，判斷是否達到訓練目標，若已達目標或迭代次數達到上限，則學習結束；若尚未達到目標，則返回步驟2循環執行。完成訓練后，便可以利用測試樣本集對神經網絡進行測試，根據測試結果不斷修正網絡參數。

五、結果與分析

通過加窗處理，從選取的原始數據集中可以提取出共490組加速度特征數據，將其中的350組用來訓練神經網絡，剩余的140組用來測試訓練后的神經網絡。在經過仿真后，發現單隱層的網絡雖然學習速率較快但識別準確度總是不夠理想，而雙隱層的網絡可以獲得較為理想的學習效果。經過比較，最終選用的BP神經網絡具有2個隱含層、且每個隱含層神經元個數為31個，此時的總體行為識別準確度可以達到97.14%。每一類動作各測試20次。仿真結果表明，基于BP神經網絡的人體行為識別方法取得了較高的識別準確度，對于日常生活中的7類行為都可以實現較好的識別。

通過對神經網絡參數的不斷修正，訓練后的網絡取得了較好的總體行為識別準確度，并且對數據集中的每一類動作都實現了較好的識別。這一方法在人體行為識別和智能健康監測領域都具有較好的應用前景和研究意義。

參考文獻：

[1]盧先領，徐仙.基于加速度與HGA-BP神經網絡的人體行為識別[J].計算機工程，2015，41（9）.

[2]徐川龍，顧勤龍，姚明海.一種基于三維加速度傳感器的人體行為識別方法[J].計算機系統應用，2013，22（6）.

Research and Implementation of Human Activity Recognition Method Based on BP Neural Networks

WU Ting，ZHOU Yu

（College of Communication and Information Engineering，Nanjing University of Posts and Telecommunications，Nanjing，Jiangsu 210023，China）

Abstract：To address the problem of human activity recognition，this paper designs and implements a human activity recognition method based on BP neural networks. the method extracts feature values from the signals to build feature vectors of human activity and divides the vector space into training set and testing set. During the network training，network parameters are constantly revised in order to optimize the training result. BP neural networks achieves a high correct rate in human activity recognition after training and recognizes the studied seven daily activity well.

Key words：BP neural networks；three-dimensional acceleration；feature extraction