基于MLP神經(jīng)網(wǎng)絡(luò)的優(yōu)化跌倒檢測(cè)模型研究與實(shí)現(xiàn)

王鵬宇 邵卓雅 馬傳輝 王志恒 湯佳杰

(1.南通大學(xué)體育科學(xué)學(xué)院;2.南通大學(xué)信息科學(xué)技術(shù)學(xué)院 江蘇南通 226019)

1 相關(guān)工作

據(jù)中國社會(huì)科學(xué)院預(yù)測(cè)，2050年我國60歲及以上老年人口數(shù)量將達(dá)到4.83億人，80歲及以上老人人口將達(dá)到1.08 億人[1]。隨著老人空巢化等問題日益突出，老人因摔倒而導(dǎo)致的住院率和死亡率不斷攀升，60歲以上的老年人每年跌倒的概率達(dá)33%，70 歲及以上的老人每年跌倒的概率則更高[2]。老人智能健康技術(shù)的研發(fā)受到密切關(guān)注并成為趨勢(shì)[3]，而跌倒檢測(cè)是老人智能健康技術(shù)中較為常見并十分重要的領(lǐng)域。

目前已有多種基于人工智能的跌倒檢測(cè)方案被提出。依據(jù)跌倒檢測(cè)方法可主要分為基于圖像識(shí)別的傳統(tǒng)檢測(cè)方法、基于環(huán)境監(jiān)測(cè)的方法及穿戴式設(shè)備檢測(cè)方法三類。基于圖像識(shí)別的傳統(tǒng)檢測(cè)方法通過部署攝像頭獲取人體運(yùn)動(dòng)圖像信息并分析特征判斷是否發(fā)生跌倒。此檢測(cè)方法應(yīng)用較為廣泛，但會(huì)侵犯老人生活隱私，算法準(zhǔn)確性易受環(huán)境和光照的影響，且攝像頭只能固定在特定位置[4]。基于環(huán)境變量的方法通過在地面布設(shè)震動(dòng)傳感器或紅外線傳感器等，通過分析震動(dòng)波形信號(hào)或電信號(hào)識(shí)別跌倒行為，該方法應(yīng)用場(chǎng)景局限，且布設(shè)成本高，通常作為輔助判斷方案[5-6]。穿戴式設(shè)備檢測(cè)方法通過實(shí)時(shí)檢測(cè)運(yùn)動(dòng)參數(shù)判斷是否發(fā)生跌倒，檢測(cè)設(shè)備與移動(dòng)終端進(jìn)行集成，目前常見應(yīng)用為使用加速度傳感器進(jìn)行姿態(tài)識(shí)別[7-8]。

該文提出了一種基于MLP 神經(jīng)網(wǎng)絡(luò)的跌倒檢測(cè)模型。該模型融合深度學(xué)習(xí)和置于腰間的姿態(tài)傳感器進(jìn)行跌倒檢測(cè)，以MLP 神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，優(yōu)化學(xué)習(xí)率迭代方案；訓(xùn)練跌倒檢測(cè)多層感知器模型并通過量化縮小體積（Fall Detection Multilayer Perceptron，F(xiàn)DMLP）。實(shí)驗(yàn)結(jié)果顯示，該文提出的FDMLP 神經(jīng)網(wǎng)絡(luò)跌倒檢測(cè)模型在使用特征數(shù)據(jù)集時(shí)候的準(zhǔn)確率達(dá)99.99%，優(yōu)于其他同類模型，且結(jié)構(gòu)簡(jiǎn)單，適合部署在邊緣設(shè)備上。

2 FDMLP模型

2.1 搭建FDMLP

首先選擇Sis Fall[9]數(shù)據(jù)集，此數(shù)據(jù)集由線性加速度數(shù)據(jù)和陀螺儀數(shù)據(jù)組成。然后基于原始數(shù)據(jù)集提取數(shù)據(jù)特征。在一個(gè)測(cè)量周期內(nèi)選取一段包含A={N1,…,Ni,…,NA}個(gè)數(shù)據(jù)點(diǎn)的姿態(tài)數(shù)據(jù)流，其中Ni={Axi,Ayi,Azi,Rxi,Ryi,Rzi}，Axi、Ayi、Azi分別表示x、y、z軸加速度數(shù)據(jù)，Rxi、Ryi、Rzi分別表示x、y、z軸陀螺儀數(shù)據(jù)。對(duì)A個(gè)數(shù)據(jù)點(diǎn)的姿態(tài)數(shù)據(jù)流求最大值、平均值、方差，以及Axi與Azi的弧度值、Rxi與Rzi的弧度值。

MLP 模型接收特征值數(shù)據(jù)集作為輸入值，MLP 由全接連層構(gòu)成，全接連層將輸入值投射到隱藏層中進(jìn)行權(quán)重學(xué)習(xí)。每一層的輸入分布都會(huì)隨著前一層參數(shù)的變化而變化[10]。該文改進(jìn)MLP 模型并將Sigmoid 函數(shù)作為激活函數(shù)以支持網(wǎng)絡(luò)的非線性建模能力，將特征值數(shù)據(jù)集用以訓(xùn)練的維度數(shù)量除以批處理尺寸計(jì)算得到訓(xùn)練周期長(zhǎng)度[10]，訓(xùn)練周期長(zhǎng)度計(jì)算如下。

式（1）中，epoch表示訓(xùn)練周期長(zhǎng)度；X_train.shape表示用以訓(xùn)練的維度數(shù)量；batch_size表示批處理尺寸。

“學(xué)習(xí)率范圍測(cè)試”可以估計(jì)初始學(xué)習(xí)率的上下邊界值[11]。首先運(yùn)行短期迭代來調(diào)整架構(gòu)和超參數(shù)。平均損失函數(shù)（Avg Loss）隨學(xué)習(xí)率的變化如圖1 所示。圖像左區(qū)平均損失函數(shù)收斂趨勢(shì)穩(wěn)定；右區(qū)學(xué)習(xí)率過大，模型無法收斂。模型學(xué)習(xí)以最小化損失函數(shù)為目標(biāo)，因此設(shè)置初始學(xué)習(xí)率的范圍在區(qū)間[1e-4，1e-3]。

圖1 學(xué)習(xí)率范圍測(cè)試

為解決模型訓(xùn)練過程中陷入局部極小點(diǎn)問題，學(xué)習(xí)過程中以最小化損失函數(shù)為目標(biāo)，采用自適應(yīng)學(xué)習(xí)率的方法優(yōu)化學(xué)習(xí)率和權(quán)重衰減。首先使用較大學(xué)習(xí)率加速訓(xùn)練[12]，快速得到較優(yōu)解，然后隨迭代次數(shù)指數(shù)衰減學(xué)習(xí)率，使模型在訓(xùn)練后期損失函數(shù)穩(wěn)定收斂。

訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率與損失值具體見圖2，F(xiàn)DMLP模型的準(zhǔn)確率達(dá)99.99%，損失為0.0004%。

圖2 訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率與損失值

2.2 網(wǎng)絡(luò)性能評(píng)估

通過使用原始姿態(tài)數(shù)據(jù)集和自建的特征值數(shù)據(jù)集，將FDMLP 神經(jīng)網(wǎng)絡(luò)模型與多種模型進(jìn)行性能對(duì)比。對(duì)比神經(jīng)網(wǎng)絡(luò)模型及評(píng)估性能如表1及圖3所示。

表1 使用原始姿態(tài)數(shù)據(jù)集訓(xùn)練的神經(jīng)網(wǎng)絡(luò)性能評(píng)估表

首先評(píng)估使用原始姿態(tài)數(shù)據(jù)集訓(xùn)練的九種模型進(jìn)行性能，混淆矩陣如圖3 所示，訓(xùn)練結(jié)果如表1 所示。在使用原始姿態(tài)數(shù)據(jù)集的情況下，與準(zhǔn)確率達(dá)到89%的KNN相比，F(xiàn)DMLP模型的準(zhǔn)確率只有81%。而在同等條件下，DT 的準(zhǔn)確率也達(dá)到了84%，優(yōu)于提出的FDMLP。但是FDMLP的準(zhǔn)確率相比于LR、LSVC、SGD和GB這幾種經(jīng)典模型仍然有很大的性能提升。

對(duì)原始數(shù)據(jù)集進(jìn)行處理并建立特征值數(shù)據(jù)集。使用特征數(shù)據(jù)集進(jìn)行訓(xùn)練，混淆矩陣具體見圖4，使用特征值數(shù)據(jù)集訓(xùn)練的神經(jīng)網(wǎng)絡(luò)性能見表2。

表2 使用特征值數(shù)據(jù)集訓(xùn)練的神經(jīng)網(wǎng)絡(luò)性能評(píng)估表

圖4 使用特征值數(shù)據(jù)集訓(xùn)練的神經(jīng)網(wǎng)絡(luò)混淆矩陣

使用自建的特征值數(shù)據(jù)集，每種神經(jīng)網(wǎng)絡(luò)的性能都得到了顯著提升。除了在使用原始數(shù)據(jù)集時(shí)性能最差的SGD外，都達(dá)到了90%以上。FDMLP使用SGD后準(zhǔn)確率提升了15%，達(dá)到了85%。LR的準(zhǔn)確率則提升了23%，達(dá)到了95%。由此可見特征值數(shù)據(jù)集在增強(qiáng)數(shù)據(jù)特征并提高網(wǎng)絡(luò)性能方面具有良好貢獻(xiàn)。

與其余算法相比，F(xiàn)DMLP在各項(xiàng)性能指標(biāo)中都具有更好的表現(xiàn)。其中FDMLP的準(zhǔn)確率提升了18%，達(dá)到了99%，優(yōu)于其他模型。此外，F(xiàn)DMLP 的查準(zhǔn)率提升了49%，查全率提升了46%，F(xiàn)1值提升0.48，混淆矩陣在各個(gè)類別上的表現(xiàn)提升顯著。

3 結(jié)語

該文提出了一種基于MLP，神經(jīng)網(wǎng)絡(luò)的FDMLP模型。該模型基于開源姿態(tài)數(shù)據(jù)集進(jìn)行特征強(qiáng)化和標(biāo)簽分類；提出了全整數(shù)量化的優(yōu)化策略，優(yōu)化學(xué)習(xí)過程中的學(xué)習(xí)率，實(shí)現(xiàn)模型量化，并成功部署量化后的FDMLP 到嵌入式設(shè)備上，聯(lián)合完善的跌倒檢測(cè)系統(tǒng)，實(shí)現(xiàn)安全、低功耗、高準(zhǔn)確率的邊緣計(jì)算。通過對(duì)比同類模型，驗(yàn)證了FDMLP算法的有效性和準(zhǔn)確性。在未來，該系統(tǒng)可通過完善硬件性能以提升信噪比；提升FDMLP神經(jīng)網(wǎng)絡(luò)的泛化能力。