一種基于CS-SVM的老年人異常步態識別系統

2020-04-10 05:15:08陳金環

小型微型計算機系統 2020年4期

王琪，王濤，張碩，陳金環

(山東建筑大學信息與電氣工程學院，濟南250101)

1 引言

步態識別作為老年人監護的一個重要方面，相比于其他識別方式，因其有著可遠距離主動識別、無侵擾性等獨特優勢，目前已成為備受學者青睞的研究熱點.根據對老人異常步態信號的采集與識別實現老人健康狀況及心理活動等特征信息檢測，可為醫生提供臨床診斷依據，為老人更好的了解自己的身體狀況提供參考.

傳統的步態識別主要有兩種方法，其一是通過視頻采集獲取目標個體行走記錄，基于人體形態學和運動學構建模型[1,2]；其二是采用不考慮底層結構，直接從視頻圖像基于輪廓提取步態特征的非模型方法進行步態識別.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，識別精度難以得到保證.而隨著傳感器技術的迅速發展，涌現了一大批體積小、低功耗、適應強、價格低的傳感器，可測量壓力、加速度、方向等多種數據，從而為步態識別應用提供了一種新的途徑.

就健康檢測方面來說，步態識別主要是應用于正常步態和異常步態的辨識，此處異常步態特指帕金森綜合征步態、腦卒中步態等常見于患病老人的病理性步態[3,4]，這些異常步態因為患者的中樞神經系統退化性失調而表現為身體平衡失調、細碎步行以及身體顫抖等.分析一段時間內人體步態數據，可以幫助帕金森綜合征等神經慢性病的早期診斷評估[5].由此可見研究老人可能出現的異常步態具有重要的實際意義.

隨著人工智能技術的不斷發展，國內外學者在構建異常步態識別分類模型領域有了顯著的進展.Hao J等人基于肌電圖和三軸加速度信號提出了一種基礎日常步態識別方式，該方式首先將從受試者下肢提取到的肌電信號和三軸加速度信號經過降噪和融合信號的分割，通過基于隱馬爾可夫模型來識別五種基本的日常步態模式，識別準確率可達94.32%[6].Yoneyama M等人使用三軸加速度傳感器結合步態峰值檢測，進行了帕金森綜合征的異常步態檢測[7].上述研究表明，步態識別的研究已經日益成熟可以應用到日常生活中，但是目前缺乏一種適用于老年人監護的步態識別模型.

本文提出的基于傳感器網絡的老年人異常步態識別系統，從老年人的生理特點出發，充分考慮便捷性、非侵擾性等非功能性需求的設計，通過可穿戴傳感器網絡采集老人的步態信息數據，將收集到的原始數據進行降噪處理，然后進行特征提取，針對步態特征進行分析，使用步態分類器實現異常步態識別，識別跛行、踮腳、震顫等異常步態，通過步態統計做出神經性慢性疾病的初步診斷預警，為老人健康建立第一道防線.

2 步態信號提取與其特征提取

對于被監護的老人來說，如何準確獲取足夠的步態數據是一個關鍵問題.數據采集系統主要任務是通過傳感器網絡獲取加速度信息等步態數據并通過低功耗藍牙通訊將數據上傳至PC端，以便進行數據處理.該系統主要有傳感器模塊、藍牙模塊和控制模塊組成，能實時采集、存儲、傳送傳感數據，在進行采集時應盡量避免路面、天氣等干擾因素的影響.

2.1 步態數據采集

步態數據采集是步態識別至關重要的一個步驟，其精度直接影響到步態識別后續步驟的的準確度和可行性.在步態識別研究領域，最常用的步態數據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得壓力中心，不需要復雜的數學推導即可獲得人體平衡特性.然而，壓力傳感器無法獲得人體腳步騰空時的步態特征，令步態識別系統損失部分步態數據，影響系統的識別精度.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個常用于帕金森評估的步態特征，文中使用Bland-Altm an方法評估上述步態特征的可靠性，實驗證明，慣性傳感器能夠采集步態特征，并且獲取的數據能夠用于健康和患病的評估[8].

慣性傳感器通常佩戴在腰部、腿部、手臂、足底，對于同一種步態來說，傳感器佩戴位置不同獲取數據的準確度也就不同，從而影響步態識別的識別精度.例如，佩戴在胸前的傳感器由于未被固定，會存在劇烈的抖動，佩戴在手臂的傳感器會因為手的相關動作而造成步態數據的缺失[9].為了保證采集到數據的完整性，同時考慮到盡量避免笨重的傳感器設備影響被監護老人的正常生活，本文在設計步態識別方案時將傳感器固定在最能準確反映完整步態信息的腰部以及腿部(大小腿各一).

在設計傳感器模塊時，為了獲取足夠的步態數據，選用慣性傳感器MPU6050采集老人步態的相關信息.MPU6050是一個6軸運動處理組件，包括3軸加速度計以及3軸陀螺儀，可實時輸出每個采樣時刻X/Y/Z軸的加速度值和傾角(俯仰角、滾轉角、偏航角)[10].MPU6050克服了單一加速度傳感器或陀螺儀的缺點，可準確追蹤快速與慢速動作，進一步保證了采集數據的準確性.

針對于人體步態識別的傳感器，采樣頻率設置時應當依據人體行為頻率設置，若采樣頻率設置過低，則無法全面表達信號本身的變化，若設置過高則會產生多余數據，對計算和存儲造成負擔.人類日常活動的頻率一般小于10Hz，由香農定理可知，采樣頻率至少應為原始信號最大頻率的2倍，因此本文在進行老人日常步態識別時將采樣頻率設置為20Hz[11].

在設計控制模塊時，選擇STM32F103系列芯片，該芯片具有高性能的ARMCortex-M3 32位RISC內核，內置高速存儲器，能夠提供充足的I/O接口以及標準通信接口[12]，實現系統高性能和低功率消耗并存，能夠很好地滿足本系統數據采集的要求.MPU6050將采集到的數據通過I2C傳輸到微處理器，存放在本地存儲器中，微處理器通過低功耗藍牙實現與PC端的通訊.因為數據采集量多，預處理步驟也多，在微控制器STM32F103上實現系列操作具有一定的難度，因此本文在PC端實現改進算法，盡可能降低嵌入式系統的復雜程度.由于傳感器輸出的都是電壓值，故需通過A/D轉換再傳輸數據，PC端最終收到的步態數據都是16進制的數字量.

2.2 數據預處理

本系統中傳感器采集的數據都是時間序列信息，這類數據往往包含很多噪聲和干擾，如果直接使用原始數據進行分析計算，將影響數據處理的效率以及算法識別的精度，因此需對原始數據進行預處理操作.

MPU6050采集數據時，加速度傳感器中除了人體運動加速度信號之外，還存在著重力加速度、人體抖動產生的噪聲等無用信號；同樣的在陀螺儀的輸出信號中，除了包含身體運動角速度這樣的有用信號之外，還包含測量過程中產生的噪聲等無用信號.為了減小無用信號對識別結果產生的影響，需要先對收集到的數據進行相應的預處理.信號預處理影響著步態識別系統的整體性能，尤其是影響識別分類的效率.預處理的原則應當在保證再現原有信號的同時保留信號中與人體運動有關的信息.

處理傳感數據典型的數字濾波器主要包括中值濾波器、互補濾波器、卡爾曼濾波器、空域相關濾波、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系數為最佳，但是當巴特沃斯帶通濾波器校正了延遲，它的性能將優于卡爾曼濾波器[13].此外，巴特沃斯帶通濾波器還具有最廣泛的應用范圍以及最光滑的頻率響應曲線，故本文選用巴特沃斯帶通濾波器作為降噪工具，設置階數為二階.

使用巴特沃斯帶通濾波器時，截止頻率的選擇十分重要.由于5～20Hz頻段的數據被認為是人體活動信號的主要組成部分，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，從圖中可以明顯看出消噪之后的步態信號更加光滑.

2.3 特征提取

經過預處理的數據并不能很好地反映人體步態的特點，因此還需從原始步態數據中提取出能反映人體步態特點的特征值進行識別.本文進行特征提取的時候應該依據步態識別的特點針對性的進行選擇，特征選擇的好壞將直接影響后續步態分類的結果.在基于慣性傳感器的人體行為識別研究中，常見的特征提取方法主要分為三大類：基于頻域、基于時域和基于時頻.

傳統的數據特征提取過程中，一般只選擇單一時域特征或者頻域特征進行分析，例如時域中的均方根、平均值、中值等，頻域中的FFT系數前(前32位、64位)、譜密度等.由于步態信號的非平穩的特性，這些方法提取的信息并不能充分表現步態數據的特征.小波變換是一種典型的時頻分析方法，能夠更全面的描述原始步態數據的特征.然而考慮到部分采集到的數據會進行時延處理，這樣做與未做時延處理的信號同時進行小波變換時會造成很大的差異.因而，本文選用雙樹復小波變化進行特征提取，該方法是對小波變化的延伸與改進，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軸數據巴特沃斯濾波前后效果圖Fig.1 Lumbar acceleration sensor x-axis data butterworthfilter before and after renderings

雙樹復小波變換(Dual-tree Complex Wavelet Transform，DTCWT)是基于復小波變換的離散小波的衍生，它不僅具有復小波變換的優良特性，同時兼備雙樹濾波器的完全重構性、抗混疊性，其函數表達式如式(1)所示.

θc(t)=θs(t)+jθr(t)

(1)

DTCWT結構上是將復小波分為實部和虛部兩路的二叉樹，其小波變換系數由兩組并行的實數濾波器實現獲取.DTCWT的原理主要是在進行第一層分解時，虛部樹中二抽取能夠恰好采樣得到實部樹二抽取時遺失的信息.這就要求虛部樹前需設置一個延時器，使得虛實兩樹間的延遲為一個采樣間隔.此外，對于在第二層以及第二層往后的分解中，虛實兩樹間需要設定一個相對于各自采樣速率的半個樣值間隔的差距[14].

根據希爾伯特變換，將式(1)函數轉換至頻域可得：

(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出現的混疊效應.

由上述分析可知，DTCWT的優越性能必須滿足兩個小波濾波器都符合希爾伯特變換的前提條件.但是實際使用過程中，小波函數長度有限，造成兩個樹之間頻率響應的差異，增大運算量.

Kennel P等人在DTCWT的基礎上做出了Q-shift改進，與原方案相比，改進的基于Q-shift的雙樹復小波變換從第二層開始，都采用偶小波函數作為濾波器[15].為了保證樹A和樹B延遲都為1/2采樣周期，將實樹和虛樹的濾波器設計為相反的模式，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標記的濾波器設定1/4采樣周期的延遲，3q標記的濾波器設定3/4采樣周期的延遲.

圖2 基于Q-shift的雙樹復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展示了步態信號分別經過層基于Q-shift的DTCWT與基于離散小波變換后的輸出信號.可以看出在階躍點附近，離散小波變換的輸出存在畸變，而基于Q-shift的DTCWT輸出隨著層數的增加逐漸趨于平滑，可以清晰明確的展現輸入信號的特點.

圖3 步態信號分別經過基于Q-shift的DTCWT與基于離散小波變換后的輸出信號對比Fig.3 Gait signal is compared with the output signal based onQ-shift based DTCWT and discrete wavelet transform

使用雙樹復小波變換進行特征提取時，常用的參數主要有表1中的四個，選擇哪幾個作為本文的特征參數，決定了整體步態識別的時長以及后續步態分類的精度.研究證明，legall和qshift_b構成的小波基函數具有最小的重構誤差，因此本文在使用基于Q-Shift的雙樹復小波變換進行步態特征提取時，選用legall和qshift_b作為參數[16].

表1 雙樹復小波主要參數
Table 1 Double tree complex wavelet main parameters

參數名稱含義dot表示每個實例包含的數據條數,每個實例都需要做雙樹復小波變換,所以dot的值為2的冪次方.nlevel表示雙樹復小波的層數.biortType表示雙樹復小波變換第一層使用的小波類型.常見的有:antonini,legall,near_sym_a, near_sym_b.qshiftType表示DTCWT第二層及以后使用的時移變換小波類型.常見的有: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據計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 代價敏感支持向量機分類器建模

前文進行的數據預處理、特征選擇等步驟只是在為步態識別打基礎，步態識別中最重要的還是分類模型的建立.

本文選用支持向量機(SVM)模型在Matlab上對特征進行識別，SVM分類模型可以很好地解決非線性問題.由于本系統需要對跛行、踮腳、震顫、正常四種行為進行識別，故需要四個兩類SVM分類器，訓練第i個分類器時，將第i類標記為+1，其余標記為-1.

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

(7)

s.t.yi[k(x,xi)+b]≥1-ξi,i=1,2,…,n;

ξi≥0;

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

引入拉格朗日乘子αi和αj，將優化問題轉化為對偶問題：

(8)

s.t.0≤αi≤CC1;

0≤αi≤CC2;

本文選取徑向基函數(Radial Basis Function，RBF)作為核函數，RBF核函數無論樣本大小，都可以較好的擬合非線性映射問題，其結構如式(9)所示.核函數的引入令高維空間中的內積運算能夠通過輸入空間中的核函數實現，能有效避免維數災害.

(9)

4 實驗仿真

本文為了研究CS-SVM的優越性能，使用SVM分類器對同樣的數據樣本進行訓練，使得經過訓練之后的分類器模型能夠根據采集到的數據進行步態識別，二者的識別效果通過識別率進行對比.具體步驟如下：利用位于腰部與腿部的傳感器網絡獲取老人步態數據，在數據采集階段，征集了15位學生作為數據采集者采集其步態數據，其中男生8位，女生7位.分別采集他們跛行、踮腳、震顫、正常四個種類的步態，每位同學每類步態采集200組數據；然后對采集到的數據進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識別模型屬于二分類問題，識別四類步態就需要4個二分類器，每個二分類器識別的一類步態標記為1，其余三類標記為-1，步態識別系統步驟如圖4所示.

圖4 步態識別系統步驟圖Fig.4 Gait recognition system step diagram

表2 SVM模型識別結果Table 2 SVM model recognition result

其中，步態識別率=(正確識別次數/總次數) 100%.

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

表2和表3對比可知，相比與SVM模型，CS-SVM模型進行步態識別的識別效果更好，主要表現為識別準確率高，穩定性好，表明CS-SVM在老年人異常步態識別領域有著廣闊的應用前景.其主要原因是因為CS-SVM模型中將不同類型行為的代價因子考慮在內，更符合日常生活中健康人群多于患病人群的實際情況.

表3 CS-SVM模型識別結果
Table 3 CS-SVM model recognition result

跛行踮腳訓練樣本數10516520589179236測試樣本數53821014792121識別樣本數5078964589117步態識別率0.9430.9510.9500.9570.9670.967平均識別率94.8%96.4%震顫正常訓練樣本數95134199100187252測試樣本數7881965394133識別樣本數7578935294132步態識別率0.9620.9630.9690.9811.0000.992平均識別率96.5%99.1%