基于ELM的人體跌倒預測算法

朱文輝，李偉，洪波

(黑龍江科技大學 電氣與控制工程學院，黑龍江哈爾濱，150022)

0 引言

根據第七次全國人口普查發布的數據，2020年末，中國的65歲及以上老年人口達到1.91億人，65歲及以上人口占13.5%[1]。隨著當今社會老齡化的發展，老人問題也成為社會熱點問題。老人屬于易摔倒人群，在摔倒后很容易造成骨折等后果，其治療將會給家庭帶來嚴重的經濟負擔[2]。并且因跌倒而導致死亡的比率高居前列。在不影響老人正常活動的前提下，通過科學的手段預測跌倒，并利用快速保護裝置觸發，起到保護老人跌倒預防受傷的情況[3]。目前，關于跌倒保護裝置的研究已經成為了新的研究熱點之一。

至今為止，能夠提前預測老年人跌倒的算法并不太完善，目前通常使用跌倒預測方法為合加速度閾值法，該方法通過合成三相加速度或者角速度，然后設定合加速度的閾值來區分跌倒行動和正常運動[4]。該方法能快速檢測出結果并做出判斷，但是其準確性與設定的閾值關聯性強，并且合加速度在跌倒保護裝置設計中的適用性差。因此需要設計一款人體跌倒保護裝置，能夠準確的辨別跌倒行為，保護裝置快速的反應動作，并且能夠具備很好的適用性。

1 特征提取

本文選用MPU6050芯片檢測人體活動加速度信號，MPU6050芯片是InvenSense公司生產的檢測人體姿態和重力加速度的傳感器[5]，該芯片具有便宜，適用性好等優點，而且芯片包含了三軸加速度信號和三軸姿態角信號的獲取。為了更好的應用于跌倒保護裝置，測試實驗選用了腰部，和大多數跌倒保護裝置相同的信號采集部位保持一致。因此，以腰部為坐標原點O建立特征坐標系。為更好的觀測加速度和姿態角的變化情況，分別按X，Y，Z建立三相加速度坐標軸；按Pitch角，Roll角，Yaw角建立三向姿態角坐標系。其中，Pitch角表示人體與上下豎直方向之間的偏移角；Roll角表示人體與左右側向水平方向的偏移角；Yaw表示人體前后水平方向的偏移角[6]。最終建立如圖1所示復合特征坐標系。

圖1 坐標軸定義

按照圖1所示方向安裝的MPU6050陀螺儀芯片，提取各個動作下的三相加速度和角速度的數值進行分析，發現正常行走、前向彎腰、側向彎腰等一般的正常行為與跌倒行為容易區分，就目前的加速度合成閾值法區分成功率也能夠達到100%，但是對于像后仰、坐下后仰以及坐下后躺等類跌倒行為與跌倒行為則不易區分，很容易造成跌倒誤預測。因此，選用多變量時序關聯分析法對采集的三軸加速度數據以及三軸陀螺儀數據進行初步處理，得到利用Pitch角和Roll角合成數值RP_delta和Pitch值以及Y方向和Z方向合成加速度AccYZ_delta和AccZ能夠很好的區分跌倒行為和正常行動[7]。其中RP_delta和AccYZ_delta的表達式如式（1）、（2）所示。

式中：Pitch，Roll——分別表示Pitch角和Roll角數值；

AccY，AccZ——分別表示Y方向和Z方向加速度。

通過測量分別得到后向跌倒、后仰、坐下后仰以及坐下后躺時，RP_delta和AccYZ_delta的數值變化如圖2、圖3所示。

圖2 坐下后仰和坐下后躺的多變量波形

圖3 向后跌倒的多變量波形

2 基于ELM的跌倒預測算法模型建立

2.1 數據預處理

本文選用時間序列如下所示

式中，X表示提取的三軸傳感器數據；

k——表示序列長度。

因此，可得每一時刻的特征值XsT，XsT由四列向量表示。XsT公式為

式中，x1，x2，x3，x4——分別表示 RP_delta、Pitch、AccYZ_delta和AccZ采樣數據。

接著，將數據進行標準化，利用式(5)對序列向量進行歸一化處理

由此得到歸一化序列XN為

2.2 基于ELM的跌倒預測算法

極限學習機（Extreme Learning Machine，ELM）是一種單隱層前饋神經網絡模型下的一種算法[8]。ELM算法的特點在保證學習精度的前提下比傳統的學習算法速度更快。本預測算法選取特征指標為Pitch、RP_delta、AccYZ_delta和AccZ，另外將上一刻的ELM輸出結果作為第五個特征值輸入。其中基于ELM的跌倒預測算法流程圖如圖4所示。

如圖4所示，首先將預處理后的數據進行動作分割，本文采用滑動窗口的分割方法，對時間窗口長度以及移動步長進行設定，通過實驗發現時間窗口設定為20個采樣點，步長為5個采樣點時，訓練效果最好。由于采樣芯片MPU6050采樣頻率為100Hz，因此采樣100s的數據信息，即采樣10000個數據信息，然后對10000個采樣點進行滑動窗口的分割，得到1996個數據集，其中正常行動有1328個，后向跌倒203個，坐下后仰235個，坐下后躺230個。接著將帶有標簽的數據集導入ELM算法網絡中，利用50%的數據集進行訓練，用訓練后的模型對所有的數據集測試。

圖4 基于ELM的跌倒預測算法流程

通過實驗發現隱含層神經元個數對于基于ELM的跌倒預測算法的預測準確度有著極大的影響，因此，如圖5所示為選用不同神經元數目的隱藏層，觀察對預測結果的影響。由圖5可知，當隱含層神經元個數為400時，基于ELM的跌倒預測最準確，預測準確度能達到99.7%。

圖5 ELM算法隱藏層對預測準確性影響

因此，選取隱含層神經元個數為400時，進行后續的測試實驗。通過基于ELM的跌倒預測算法模型得到的預測值與數據集實際值對比如表1所示。

表1 各個標簽動作下的數據集個數

3 算法的驗證

3.1 算法特性分析

為了體現ELM跌倒預測算法的特性，本文引入Maso ud H等[9]提出的多指標理論，其中指標包括特異度（specificity）、靈敏度（sensitivity）、準確度（accuracy）和精度（precision）等。在跌倒預測中，特異度表示為正常行為未誤判的比率；靈敏度表示為對跌倒行為正確預測的比率；準確度表示為所有正確預測的比率；精度表示為正確預測跌倒行為占所有正確預測的比率。當給定一組具有P個跌倒行為的數據和N個正常行為的數據，TP和TN分別定義為跌倒行為和正常行為的正確預測數量，而FP和FN分別定義為跌倒行為和正常行為的錯誤預測數量。因此，specificity、sensitivity、accuracy和precision的計算公式如下：

分別進行基于ELM的跌倒預測算法和合加速度閾值算法的實驗，通過多指標進行對比。如圖6所示。

圖6 基于ELM的跌倒預測算法與傳統算法的四指標對比

由圖6可知，合加速度閾值算法僅僅在靈敏度方面略優于基于ELM的算法，兩種算法在精度方面基本一致，而在特異度方面，基于ELM的跌倒預測算法明顯優于合加速度閾值算法2%左右，跌倒預測準確度更是能達到97.6%。因此，基于ELM的跌倒預測算法能夠很好的替代傳統的合加速度閾值算法完成跌倒預測。

3.2 算法快速性分析

本文提出的基于ELM的跌倒預測算法旨在更好的應用于跌倒保護裝置，為了滿足跌倒行為出現就能夠及時的輸出跌倒判定信號，所以算法的快速性需要進行分析。

由于實驗選取的采樣芯片的采樣頻率為10Hz，并且選取的滑動窗口長度為20個采樣點，因此每個標簽數據集的時間長度為0.2s。當穿戴上跌倒保護裝置時，時間采樣窗口實時傳輸出人體姿態信號。根據研究顯示，人體在跌倒過程中持續時間大約為0.8s左右，在此期間，跌倒保護裝置需要完成跌倒預測、信號處理和氣囊展開等步驟。其中，信號處理歸咎于核心處理器的功能，一般在0.1s內能夠完成，氣囊需要引爆展開，現有的高速氣囊展開時間約在0.1s左右，而本文提出的跌倒預測算法預測跌倒時間在0.2s左右，整體時間能夠滿足跌倒保護裝置的設計。即基于ELM的跌倒預測算法能夠滿足快速性要求。

4 結束語

本文根據跌倒預測保護裝置設計了一種基于ELM的跌倒預測方法，通過傳感器提取人體行為三軸信號，通過多變量關聯分析獲取了特征值，依據信號處理方法對提取特征值進行預處理，結合滑動窗口數據以及ELM算法提出了基于ELM的跌倒預測算法。通過多指標理論分析了基于ELM的跌倒預測算法，得出該算法較于傳統的合加速度閾值算法具備了更好的準確性等，并且滿足跌倒保護裝置設計的快速性要求，為后續設計跌倒保護裝置提供了有效的保障。