機器學習輔助IMU人體跌倒狀態(tài)識別

，

(上海海事大學 信息工程學院 電子系，上海 201306)

引 言

當今社會人口的老齡化越來越明顯，根據(jù)調(diào)查研究顯示，老年人有著較高的摔倒率，摔倒后很多老人由于沒有及時求救，錯過最佳救治時期導致的癱瘓甚至死亡的案例不在少數(shù)，識別摔倒狀態(tài)成為新的研究熱點，通過科學的手段及時檢測出摔倒并及時求救，對老年人的健康有著至關重要的作用。

目前，研究開發(fā)跌倒檢測系統(tǒng)方面的技術有很多種，主要可分為3類[1]：①基于視頻圖像分析的跌倒檢測系統(tǒng)[2]。通過利用圖像處理對監(jiān)控視頻中的前景目標進行識別判斷人體跌倒情況。但是監(jiān)控只能針對有安裝攝像頭的地方，并且有可能會牽扯到個人隱私問題。②基于聲學的跌倒檢測系統(tǒng)[3-5]，利用跌倒時突然造成的加速度產(chǎn)生一定的頻率而進行檢測，這類方法無法獲得很好的精度，同時資金投入較大，一般為其它識別方法的輔助手段。③基于加速度傳感器的跌倒檢測系統(tǒng)。該類系統(tǒng)通過佩戴加速度傳感器模塊，當人體跌倒時產(chǎn)生的加速度達到一定閾值，就將其判定為摔倒，此系統(tǒng)不受環(huán)境和運動狀態(tài)的限制,更適合對人體跌倒狀態(tài)的識別和檢測。從諸多參考文獻上看，該系統(tǒng)采用單一或多個傳感模塊或者復雜的算法以達到準確判斷的目的，導致實時性較差[6-7]。

本文著力于老年人跌倒的識別研究，從日常活動中識別出跌倒狀態(tài)。本文提出一種基于6軸傳感器的跌倒檢測系統(tǒng)，通過對人體運動的加速度和角度變化來分析跌倒事件是否發(fā)生，實驗驗證該系統(tǒng)非常有效。

1 系統(tǒng)組成

本文所采用的人體跌倒狀態(tài)識別系統(tǒng)主要由3軸MEMS陀螺儀、3軸MEMS加速度計、微處理器、藍牙傳感器模塊、個人電腦(Person Computer, PC)組成。MPU6050采用16位的數(shù)模傳感器對采集的數(shù)據(jù)進行模/數(shù)轉換。系統(tǒng)結構圖如圖1所示。

圖1 系統(tǒng)結構圖

微處理器對采集到的信號進行卡爾曼濾波，以獲得更為精確的數(shù)據(jù)。

2 跌倒檢測算法設計

2.1 數(shù)據(jù)采集部位的選取

2.2 跌倒檢測算法

圖2 坐標系

根據(jù)輸出的加速度、角度特征信息，為了實現(xiàn)簡單有效的狀態(tài)識別，從宏觀的角度考慮特征提取，只考慮一段時間內(nèi)加速度和角度變化值，因為只要保持類似動作重復進行，加速度值和角度變化趨勢就會出現(xiàn)周期性[14]。

設任意時刻 t 時，aSVM的計算公式如下：

為了佩戴方便，按圖2方式建立坐標系。角度說明如表1所列。

表1 角度說明

圖3采集的分別是當人體前-后-左-左前-右-右前傾斜時的角度變化圖。所以用角度變化來輔助判斷人體的運動狀態(tài)是很有效的方法。

圖3 人體傾斜姿態(tài)角度圖

3 支持向量機算法設計

3.1 支持向量機算法

支持向量機(Support Vector Machine,SVM)本質(zhì)為監(jiān)督學習的分類器，分為線性分類器和非線性分類器，根據(jù)本文所研究的跌倒與日常活動狀態(tài)的識別，可將其看做為線性的二分類問題。然而，決策分界面可能存在多個，如圖4所示。

圖4 SVM線性分類圖

最佳決策分界面能達到支持向量與超平面間的最小距離的最大值，即兩類樣本間的距離達到最大，圖5中H界面即為最優(yōu)分類界面。

圖5 最優(yōu)決策分解面圖

N維特征空間中，二分類線性判決函數(shù)為：

d(x)=WTx+b=w1x1+w2x2+,…,+wnxn+b

(1)

對屬于任意一類應滿足：

左小龍蹲趴在地上，依靠著被調(diào)到最暗的橘黃色路的微光，摸索著把散落周圍的引擎部件一片一片拾了起來，滿手都是機油，然后讓泥巴跑到遠處的店里要了一個塑料袋，他將這些殘缺的發(fā)動機瓦，活塞，曲軸，連桿等東西放進了塑料袋里。但因為金屬部件周圍都是棱角，塑料袋一下就穿了，這些東西又散落在了地上。泥巴說：“算了。”

yi(WTx+b)≥1 (i=1,2,…,N)

(2)

則對應的分類界面H為：

WTx+b=0

(3)

樣本點到超平面的距離為：

(4)

為了使pc(w)最大，所以最佳分類界面的約束條件是在條件公式(2)下使||w||最小。使用拉格朗日函數(shù)公式和KKT條件:

(5)

其中λi為拉格朗日乘子,其中λi≥0。

根據(jù)拉格朗日特性，將問題轉化為極值問題即可求解。

3.2 閾值的選取

圖6 人體跌倒算法流程圖

采用機器學習的方法訓練正常活動與狀態(tài)轉移、跌倒的分類閾值，在進行跌倒檢測的過程中，先利用此閾值對待檢測數(shù)據(jù)進行初步分類，然后針對檢測到的疑似跌倒進一步進行分析[6]。日常活動中，一些非跌倒狀態(tài)發(fā)生轉變時，也有可能存在合加速度突然增大的現(xiàn)象,如由靜止到跑步，由站立到突然坐下。有時其峰值會達到跌倒產(chǎn)生的合加速度峰值，因此單靠單一閾值來判斷不夠準確，需要用角度來輔助判斷。

對選取的樣本按照60%和40%的比例分成訓練集和測試集。

ΩT： 樣本訓練集(Train Samples)。30次老人跌倒行為(包括側跌及俯仰跌倒)和正常行為數(shù)據(jù)，15次站立、行走及靜止到慢跑等樣本。通過訓練學習，獲取閾值TH。

ΩE：測試集(Experimental Samples)，驗證TH的有效性。人體跌倒算法流程圖如圖6所示。

4 實驗驗證與分析

4.1 實驗設計

為了驗證本文設計的人體跌倒檢測系統(tǒng)的有效性，做了多組動作的實驗，日常生活活動(Activities of Daily Living, ADL)中正常行走、跑步、由靜止到行走、靜止到跑步、靜止到坐下等狀態(tài)轉移數(shù)據(jù)。跌倒模式中的向前、后、左、右方向的跌倒。

4.2 實驗結果分析

圖7、圖8、圖9為當人在行走時，可能出現(xiàn)的一些情況，如向左側或右側轉彎、停頓等。從圖中可以看出，當人在進行正常的行走時，除了繞Y軸的偏航角Yaw變化明顯外，俯仰角和滾轉角變化都很小，加速度變化范圍除呈周期性變化外，合加速度asvm的值也大都在0.6×10～1.6×10 m/s2范圍以內(nèi)。

圖7 各軸加速度值

圖8 asvm的值

圖9 人在正常行走轉彎時各軸角度變化

圖10、圖11、圖12、圖13四張對比圖中可以看出，當加速度大于閾值時候通過判斷俯仰角Roll{AngleX(deg)}可以判斷出是否跌倒。

圖10 人體摔倒時的asvm

圖11 人體摔倒時的各軸角度變化

從圖10和圖11可以看出，t在(5，5.5)時間段為人體摔倒時間，asvm大于人正常運動時的閾值TH, 俯仰角Roll{AngleX(deg)}從t>5 s就開始大幅度變化在5.5 s附近時,角度與最初的角度相比，變化的絕對值超過45°。

圖12 人體由靜止到走到突然坐下時的asvm m

圖13 人體由靜止到走到突然坐下時的各軸角度變化

從圖12和圖13可以看出，人由靜止到行走時，俯仰角Roll{AngleX(deg)}雖然有變化，但范圍較小，t在(13.5,14)區(qū)域時，人的狀態(tài)發(fā)生突變，如突然坐下，此時asvm>TH,通過觀察Roll可以看出角度與最初角度相比，最大變化量的絕對值小于45°，說明人體沒有跌倒。

所以通過asvm和Roll可以識別出人體是否跌倒。通過大量實驗和數(shù)據(jù)證明該系統(tǒng)非常有效,準確率要高于基于單一傳感器的系統(tǒng)。

結 語

[1] Noury N,Fleury A,Rumeau P,et al.Fall detection-principles and methods[C]//International Conference of the IEEE Engineering in Medicine&Biology Society Conf Proc IEEE Eng Med Biol Soc,2007:1663.

[2] Ngo Y T,Nguyen H V,Pham T V.Study on fall detection based on intelligent video analysis[C]//International Conference on Advanced Technologies for Communications IEEE,2012:114-117.

[3] Nyan M N,Tay F E H,Manimaran M,et al.Garment-based detection of falls and activities of daily living using 3-axis MEMS accelerometer[C]//Journal of Physics Conference Series. Journal of Physics Conference Series,2006:1059.

[4] Jeon A Y,Kim J H,Kim I C,et al.Implementation of the Personal Emergency Response System using a 3-axial Accelerometer[C]//International Special Topic Conference on Information Technology Applications in Biomedicine IEEE,2007:223-226.

[5] Wang R,Zhang Y,Chen J X.Design and implementation of fall detection system using tri-axis accelerometer[J].Journal of Computer Applications,2012,32(5):1450-1452.

[6] 高曉娟,徐光輝,張歡,等.基于加速度特征的人體跌倒檢測算法[J].西安工程大學學報,2015(1):90-94.

[7] Purwar A,Jeong D U,Wan Y C.Activity monitoring from real-time triaxial accelerometer data using sensor network[C]//International Conference on Control,Automation and Systems. IEEE,2007:2402-2406.

[8] R E Kalman.A New Approach to Linear Filtering and Prediction Problems[J].Transaction of the ASME-Journal of Basic Engineering,1960,82(3):35-45.

[9] 周道兵,駱鵬,肖國強,等.利用Kalman濾波的視頻運動目標跟蹤[J].西南師范大學學報:自然科學版,2009, 34(6):113-118.

[10] 羅鵬飛.統(tǒng)計信號處理基礎[M].北京:電子工業(yè)出版社,2011.

[11] 馮智勇,曾瀚,張力,等.基于陀螺儀及加速度計信號融合的姿態(tài)角度測量[J].西南師范大學學報:自然科學版,2011,36(4):137-141.

[12] 佟麗娜.基于力學量信息獲取系統(tǒng)的人體摔倒過程識別方法研究[D].合肥:中國科學技術大學, 2011.

[13] 李娜,侯義斌,黃樟欽,等.基于三軸加速度信號的實時人體狀態(tài)識別算法[J]. 北京工業(yè)大學學報,2012,38(11):1689-1693.

[14] MATHIE Merryn.Monitoring and interpreting humanmovement patterns using a triaxial accelerometer[D].Sydney Australia:School of Electrical Engineering andTelecommunications,University of New South Wales,2003.