一種基于小波特征的跌倒行為檢測方法

盧　忱， 韓　娜， 梁　琛

(1. 中興通訊股份有限公司 研發管理部， 陜西 西安 710114；　2. 西安郵電大學 計算機學院， 陜西 西安 710121)

?

一種基于小波特征的跌倒行為檢測方法

盧忱1， 韓娜2， 梁琛2

(1. 中興通訊股份有限公司 研發管理部， 陜西 西安 710114；2. 西安郵電大學 計算機學院， 陜西 西安 710121)

針對跌倒行為檢測方法對疑似跌倒行為存在誤報問題，提出一種基于小波特征的跌倒行為檢測方法。通過小波分解將原始合成加速度信號分解為不同頻率的子信號，從這些子信號的低頻近似系數中提取小波能量、波峰平均值和波峰個數作為特征，使用決策樹分類器進行分類，從疑似跌倒行為和跌倒行為中識別出跌倒行為。對比實驗結果表明，該方法提高了跌倒行為識別的準確率，降低了誤報率。

小波變換；跌倒行為；疑似跌倒行為；決策樹

跌倒是造成老年人群受傷甚至死亡的重要因素之一，若能及時檢測到老年人的跌倒行為，將會為老年人的救助節省寶貴的時間。目前，利用移動終端內置的加速度傳感器進行跌倒行為檢測已經成為主要研究方法[1-5]。

以特定方向將傳感器固定在腰上，通過分析三軸加速度信號各個軸的變化程度來識別跌倒行為的方法[6]，攜帶不方便。以三軸加速度和重力之間的夾角作為姿態角來減弱傳感器方向對跌倒行為的影響[7-9]；利用基于Android平臺的智能手機采集三軸加速度數據，通過提取均值、標準差、變化范圍、能量以及相關系數等特征來識別跌倒行為[10-13]；使用合成加速度信號提取特征和閾值來識別跌倒行為[14-16]，這些方法都是采用加速度的時域信號，從靜止、走路、跑步以及上、下樓等日常行為中識別出跌倒行為，并沒有考慮到疑似跌倒行為會對跌倒行為造成誤報的問題，從而影響跌倒行為識別的準確率。

為了提高跌倒行為識別的準確率，降低誤報率，本文提出一種基于小波特征的跌倒行為檢測方法。利用智能手機采集坐下、下蹲、坐著起立和蹲著起立4種疑似跌倒行為，以及跌倒行為共計5種行為的三軸加速度數據，通過對合成加速度信號進行6層小波分解，檢測出3、4層的低頻近似系數，從中提取小波能量、波峰平均值以及波峰峰值個數作為特征，使用決策樹分類器進行分類，從跌倒行為與疑似跌倒行為中識別出跌倒行為。

1　信號分析與小波分解

利用智能手機內置加速度傳感器可以采集到三軸加速度信號，其時頻域特征對跌倒行為識別的區分度不明顯，需要對加速度信號進行小波變換，通過小波特征區分跌倒行為和疑似跌倒行為。

1.1合成加速度的時頻分析

智能手機內置的加速度傳感器為x軸、y軸、z軸三軸加速度傳感器，手機放置位置和人體姿勢將會對三軸加速度信號產生影響，因此，可利用合成加速度a(t)來消除影響，其表達式為

(1)

其中，ax(t)、ay(t)和az(t)分別是x軸、y軸和z軸的加速度信號。

跌倒、坐下、下蹲、坐著起立和蹲著起立5種行為合成加速度信號的時域及頻域如圖1所示。

由圖1可以看出，坐下、下蹲、坐著起立、蹲著起立等疑似跌倒行為的時頻域特征與跌倒行為的相似，因此，使用時頻域特征不能很好的將跌倒行為與疑似跌倒行為區分開來，而且還可能會增加誤報。

1.2合成加速度的小波變換

小波變換是將信號分解為一系列小波函數的疊加，小波函數可以描述信號時頻域的局部特性，有助于通過合成加速度信號的局部特性區分跌倒行為和疑似跌倒行為。小波函數由1個母小波函數經過平移和尺度伸縮得到。

設小波函數Ψ(t)，對于平方可積的合成加速度信號a(t)的連續小波變換定義[17]為

(2)

式中，t為時間，m為尺度因子，n為平移因子，m>0且m,n均為常數。

(a) 跌倒行為合成加速度信號的時域及頻域

(b) 下蹲行為合成加速度信號的時域及頻域

(c) 坐下行為合成加速度信號的時域及頻域

(d) 坐著起立行為合成加速度信號的時域及頻域

(e) 蹲著起立行為合成加速度信號的時域及頻域

2　基于小波特征的跌倒檢測方法

對合成加速度信號進行小波分解，提取分解后第3、4層低頻近似系數的小波能量、波峰平均值及波峰個數作為特征，使用決策樹分類器進行分類識別，能有效識別出跌倒行為。

2.1小波特征提取方法

對預處理的合成加速度，利用多分辨率分析的小波變換進行分解[18]

(3)

i∈{x,y,z}.

φjk(n)=2j/2φ(2jn-k)。

其中,djk是高頻細節系數，ajk是低頻近似系數，φjk(n)是小波函數，φjk(n)是尺度函數，j為伸縮尺度因子，k為時間坐標軸變量，J為小波分解的層數。

令小波分解層數J=6，使用DB3小波函數作為母小波函數，對用戶發生跌倒時的原始合成加速度信號進行6層分解，得到各層近似系數，如圖2所示。

圖2　跌倒行為原始加速度信號及6層分解后各層的近似系數

由圖2可以看出，通過小波分解后的前4層低頻近似系數很好的保留了原始合成加速度信號的特性，不僅對原始合成加速度信號進行了平滑處理，而且對原始信號進行了高頻噪聲濾波處理。因此，可使用經過分解后的第3、4層低頻近似系數的小波能量WE、波峰平均值HAP及波峰個數NP共計6種特征作為識別跌倒行為的特征。

將小波能量WE定義為1到6層每層細節系數的平方和，可表示為[19]

(4)

波峰的平均值定義為[19]

(5)

波峰個數NP在MATLAB的命令窗口程序為

fork=1：sampleNum

NP=NP+1;

end if

end for

其中T為閾值。

2.2識別模型

利用決策樹作為行為識別模型，如圖3所示，其中Energy_3(4)、peakMean_3(4)分別表示小波分解后第3、4層的小波能量與波峰的平均值。

圖3　小波特征訓練的決策樹模型

3　實驗及結果分析

3.1實驗數據采集

通過模擬老年人跌倒和疑似跌倒行為來采集加速度傳感器的數據。數據采集分為以下兩個部分。

(1)讓采集者模擬老年人跌倒行為，由于人在跌倒發生時，在倒地的瞬間會下意識的用胳膊或膝蓋等來緩沖，所以在模擬跌倒行為時，使用胳膊或膝蓋等作為緩沖，然后倒下。

(2)采集疑似跌倒行為的數據，疑似跌倒行為都是日常行為中與跌倒行為在識別過程中不易于區分的行為，分別為靜止坐下、靜止下蹲、坐著起立以及蹲著起立。

實驗對象共有6人，分別為3名女生和3名男生，平均年齡為23歲，平均身高為168 cm，平均體重為60 kg。每個人分別模擬4種跌倒行為和4種日常疑似跌倒行為，4種跌倒行為分別為向前跌倒、向后跌倒、向左跌倒以及向右跌倒，每種跌倒行為每人分別采集10次；4種疑似跌倒行為分別為靜止坐下、靜止下蹲、坐著起立以及蹲著起立，每種疑似跌倒行為每人分別采集40次。采樣頻率為100 Hz，采樣時間為5 s。將4種跌倒行為作為一種行為處理，即不區分方向的跌倒行為，那么采集的行為包括4種疑似跌倒與跌倒行為，共計5種行為，表1為每種行為的采樣情況。基于Android手機的加速度數據采集軟件界面如圖4所示。

表1　每種行為描述與樣本數

圖4　加速度數據采集界面

3.2實驗方法

對原始合成加速度信號進行濾波處理后，提取小波特征，分別為小波分解后的第3、4層低頻近似系數的小波能量、波峰平均值及波峰個數，決策樹作為分類器。將特征數據的2/3數據作為構建決策樹模型的訓練數據，另外1/3的數據用于對決策樹模型的測試。

3.3實驗結果對比分析

時頻域特征分別包括平均值、標準差、范圍、均方根以及頻譜能量[20]，圖5為合成加速度信號時頻域特征折線。

圖5　時頻域特征折線

從圖5可以看出，跌倒行為與其他疑似跌倒行為的時頻域特征中存在交叉點，跌倒行為與疑似跌倒行為之間的區分度比較低。依據這些時頻域特征不僅跌倒行為的識別準確率低，而且還會造成將坐下、下蹲、坐著起立、蹲著起立等疑似跌倒行為誤判為跌倒行為。圖6為小波特征折線。

圖6　小波特征折線

從圖6中可以看出，跌倒行為的小波能量、小波波峰特征與疑似跌倒行為的小波特征完全沒有交叉點，跌倒行為與其他疑似跌倒行為之間的界限很明確。

采用時頻域特征和小波特征進行跌倒識別的實驗結果分別如表2和表3所示。跌倒行為的訓練樣本數為160，測試樣本數為80，疑似跌倒行為的訓練樣本數共計為640，測試樣本數為320。表4為時頻域特征與小波特征檢測跌倒行為的識別結果對比。

表2　時頻域特征跌倒識別結果

表3　小波特征跌倒識別結果

表4　時頻域法與小波分解方法結果對比

由表4可以看出，采用時頻域特征的方法對于跌倒行為識別的準確率為93.75%，但是誤報率卻高達24.17%。然而，基于小波分解提取特征的方法對于跌倒行為的準確率為98.75%，誤報率僅為4.06%，誤報率降低了20%多。

4　結語

基于小波特征的跌倒行為檢測方法，通過采集疑似跌倒以及跌倒行為的加速度數據，對合成加速度信號進行6層小波分解，以第3、4層的低頻近似系數的小波能量、波峰平均值及波峰個數為特征，利用決策樹分類器從跌倒行為以及疑似跌倒行為中識別出跌倒行為。對比實驗結果表明，該方法的跌倒行為識別的準確率為98.75%，誤報率僅為4.06%。無論在準確率，還是誤報率方面都要優于時頻域特征方法。

[1]ZHANG Q B, TIAN G H, DING N N, et al. A Fall Detection Study Based on Neural Network Algorithm Using AHRS[C/OL]// 2013 IEEE International Conference on Information and Automation (ICIA), Yinchuan:IEEE, 2013:773-779[2016-03-10]. http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=6720398.DOI: 10.1109/ICInfA.2013.6720398.

[2]TONG L, SONG Q J, GE Y J, et al. HMM-Based Human Fall Detection and Prediction Method Using Tri-Axial Accelerometer[J/OL]. IEEE Sensors Journal, 2013, 13(5):1849-1856[2016-03-10]. http://dx.doi.org/10.1109/JSEN.2013.2245231.

[3]薛洋. 基于單個加速度傳感器的人體運動模式識別[D/OL]. 廣州: 華南理工大學, 2011：5-129[2016-03-10]. http://cdmd.cnki.com.cn/Article/CDMD-10561-1011188711.htm.

[4]何振宇. 基于三軸加速度傳感器的人運動識別研究[D/OL]. 廣州：華南理工大學, 2009: 1-131[2016-03-10]. http://d.wanfangdata.com.cn/Thesis_Y1595806.aspx.

[5]霍宏偉，張宏科. 基于室內無線傳感器網絡射頻信號的老年人跌倒檢測研究[J/OL].電子學報，2011,39(1) :195-200[2016-03-10]. http://d.wanfangdata.com.cn/Periodical/dianzixb201101034.

[6]CHEN B R, GWIN J. Fall detection and risk of falling assessment with wearable sensors[C/OL]//Proceedings of the conference on Wireless Health, New York, NY, USA:ACM, 2012: 1-2[2016-03-10]. http://dl.acm.org/citation.cfm?id=2448109.DOI: 10.1145/2448096.2448109.

[7]李娜, 侯義斌, 黃樟欽. 基于人體加速度特征的實時跌倒識別算法[J/OL]. 小型微型計算機系統, 2012, 33(11): 2410-2413[2016-03-10]. http://dx.chinadoi.cn/10.3969/j.issn.1000-1220.2012.11.017.

[8]王榮，章韻, 陳建新. 基于三軸加速度傳感器的人體跌倒檢測系統設計與實現[J/OL]. 計算機應用, 2012, 32(5):1450-1452,1456[2016-03-10]. http://dx.chinadoi.cn/10.3724/SP.J.1087.2012.01450.

[9]BAEK W S, KIM D M, BASHIR F, et al. Real life applicable fall detection system based on wireless body area network[C/OL]//2013 IEEE 10th Consumer Communications and Networking Conference (CCNC), Las Vegas, NV :IEEE, 2013:62-67[2016-03-10]. http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6488426.DOI: 10.1109/CCNC.2013.6488426.

[10] ZHAO Z T, CHEN Y Q, WANG S Q, et al. FallAlarm: Smart Phone Based Fall Detecting and Positioning System[J/OL]. Procedia Computer Science, 2012, 10(4):617-624[2016-03-10]. http://dx.doi.org/10.1016/j.procs.2012.06.079.

[11] 周敏. 基于移動終端的跌倒檢測方法研究[D/OL]. 湘潭: 湘潭大學, 2013:7-36[2016-02-10]. http://d.wanfangdata.com.cn/Thesis/D352338.

[12] 吳志強. 基于智能手機的人體跌倒檢測技術的研究與應用[D/OL]. 廣州: 南方醫科大學, 2014:3-69 [2016-03-10].http://cdmd.cnki.com.cn/Article/CDMD-90023-1014335125.htm

[13] 衡霞, 王忠民. 基于手機加速度傳感器的人體行為識別[J/OL]. 西安郵電大學學報, 2014,19(6):76-79[2016-03-10].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2014.06.015.

[14] FANG S H, LIANG Y C, CHIU K M. Developing a Mobile Phone-based Fall Detection System on Android Platform[C/OL]// 2012 Computing, Communications and Applications Conference (ComComAp), Hong Kong: IEEE, 2012:143-146[2016-03-10]. http://dx.doi.org/10.1109/ComComAp.2012.6154019.

[14] DAI J, BAI X, YANG Z, et,al.Mobile phone-based pervasive fall detection[J/OL]. Personal and Ubiquitous Computing, 2010,14(7):633-643[2016-03-10]. http://dx.doi.org/10.1007/s00779-010-0292-x.

[15] ZHOU M, WANG S, CHENh Y, et al. An Activity Transition Based Fall Detection Model on Mobile Devices[C/OL]// Human Centric Technology and Service in Smart Space,[s.l.]:Springer Netherlands, 2012: 1-8[2016-03-10]. http://link.springer.com/10.1007/978-94-007-5086-9_1.

[16] AGUIAR B, ROCHA T, SILVA J, et al. Accelerometer-Based Fall Detection for Smartphones[C/OL]// 2014 IEEE International Symposium on Medical Measurements and Applications (MeMeA), Lisboa:IEEE, 2014:1-6[2016-03-10].http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=6860110.DOI: 10.1109/MeMeA.2014.6860110.

[17] 王大凱，彭進業. 小波分析及其在信號處理中的應用[M]. 北京：電子工業出版社，2006:24-28.

[18] BURRVS C S, GOPINATH R A, GUO H T. 小波與小波變換導論[M]. 程正興,譯.北京：機械工業出版社，2007:5-10.

[19] 孫延奎.小波分析及其應用[M].北京:機械工業出版社，2005:135-138.

[20] 王忠民, 曹棟. 基于蟻群算法的行為識別特征優選方法[J/OL]. 西安郵電大學學報, 2014,19(1):73-77[2016-03-10]. http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2014.01.016.

[責任編輯:祝劍]

A fall behavior detection method based on wavelet features

LU Chen1,HAN Na2,LIANG Chen2

(1.Research and Development Management Department, Zhongxing Telecommunication Equipment Corporation, Xi’an 710114, China;2.School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

A fall behavior recognition method based on wavelet decomposition is proposed to deal with problems that the traditional fall identification algorithm can easily mistake suspected acts such as sit down, squat, etc. for the fall behavior. This new method decomposes the original synthetic acceleration signal into different frequency sub-signal according to the wavelet decomposition, and then extracts wavelet energy, average peak amplitude and the number of peak from low-frequency approximation wavelet coefficients of these sub-signals. The decision tree model is then used with wavelet features for classification. Experimental results show that the proposed method can not only identify the fall behavior from suspected behaviors effectively but also improve the accuracy rate and reduce the false alarm rate.

wavelet transform, fall behavior, suspected fall behavior, decision tree

10.13682/j.issn.2095-6533.2016.05.009

2016-05-15

國家自然科學基金資助項目(61373116)；陜西省科技統籌創新工程計劃項目(2016KTZDGY04-01)

盧忱(1965-)，男，博士，副教授，從事智能終端及無線通信安全研究。E-mail: lu.chen@zte.com.cn

韓娜(1991-)，女，碩士研究生，研究方向為移動情景感知。E-mail:1198064502@qq.com

TP391

A

2095-6533(2016)05-0043-07