基于SVD特征降維和支持向量機的跌倒檢測算法

白 勇 孫曉雯 秦 昉 孫子文

1(無錫宏創電子有限公司 江蘇 無錫 214072)2(江南大學物聯網工程學院 江蘇 無錫 214122)

基于SVD特征降維和支持向量機的跌倒檢測算法

白 勇1孫曉雯2秦 昉2孫子文2

1(無錫宏創電子有限公司 江蘇 無錫 214072)2(江南大學物聯網工程學院 江蘇 無錫 214122)

為減少跌倒對人體造成的傷害，采用一種基于支持向量機的人體跌倒檢測方法。利用安置于腰上的手機采集人體運動行為加速度數據，提取對跌倒行為敏感的時域及頻域特征，利用奇異值分解方法降維特征和重構跌倒特征，采用支持向量機分類器檢測跌倒行為。仿真實驗表明:該方法能夠有效地識別跌倒和日常行為，具有較高靈敏度和特異度，并可同時提高識別正確率。

跌倒檢測 支持向量機 加速度傳感器 奇異值分解

0 引 言

因意外跌倒導致老年人死亡率迅速上升，給老年人的生理和心理帶來極大危害。在老年人安全監護方面，有效的跌倒檢測方法具有重要意義[1]。目前針對老人跌倒行為檢測方法研究中，主要分為兩種方法，基于閾值方法和基于機器學習方法[2]。

在使用閾值檢測方法方面，文獻[3]分別對合加速度滑動平均值以及差分信號幅度域設定閾值進行跌倒判斷。文獻[4]利用智能手機開發檢測系統，把跌倒過程分為正常狀態、不穩定狀態、自由下落狀態、調整狀態以及穩定狀態5個階段，分別對應設置合加速度閾值，建立跌倒檢測模型。文獻[5]利用手機采集加速度數據，提取跌倒瞬間的失重狀態和觸地瞬間的超重狀態特征，通過閾值方法檢測用戶跌倒。此類閾值方法預算復雜度低，系統響應較快，對于類似姿態的身體動作識別率較低，適應性較差。

機器學習方法可從數據中自動學習獲得規律，并對未知數據進行預測，是一個從未知到已知的過程，是人工智能最前沿的研究領域之一。使用機器學習方法對人體跌倒行為進行檢測具有識別率高、自適應等特點。文獻[6]采用神經網絡方法對傳感器數據分析訓練，進行跌倒動作識別。文獻[7]通過提取加速度數據的時、頻域等30個特征，利用隱馬爾科夫(HMM)方法和身體姿態分析對人體跌倒行為進行檢測。文獻[8]根據智能手機中加速度傳感器以及WiFi模塊，采用決策樹方法進行跌倒檢測并利用WiFi信號強度進行老人位置定位。文獻[9-10]通過決策樹方法提取加速度的時間序列特征，識別區分正常和異常跌倒行為，并在Android手機上驗證了算法的有效性。上述機器學習方法都達到了識別跌倒行為的目的，但卻沒有從特征優化方面考慮解決近似行為的識別問題，以此提高識別準確率。

本文利用支持向量機方法SVM對人體跌倒進行識別。通過智能手機加速度傳感器采集人體行為加速度數據，提取均值、相關性、標準差以及能量等24個時域和頻域特征值，采用奇異值分解SVD(singular value decomposition)方法進行特征重構和降維，奇異值分解方法利用部分特征值反映整個特征空間信息，不僅可以實現降維，并且會改進識別性能[11-12]。

1 特征表達

1.1 跌倒數據表達

有別于正常的人體活動，跌倒是人體在無意識或是失控狀況下，由站立或平坐等直立姿態向躺倒姿態的轉變過程[14]，這一轉變過程可由加速度傳感器有效捕捉并根據檢測信號建模來度量。加速度傳感器所測的加速度信號包含兩部分：一個是由人體動作引起的慣性加速度分量，另一個是受地球重力引起的加速度分量，任何時刻這兩個分量并存, 加速度信號表示為：

(1)

實驗者按照指示方向佩戴裝置，即可檢測前向x軸、側向y軸以及垂直z軸方向上的加速度，其中xi、yi、zi分別表示三軸i時刻的加速度數據，xdi、ydi、zdi為由人體動作引起的三軸加速度分量，xgi、ygi、zgi為受地球重力引起的三軸加速度分量。當發生跌倒異常行為時，加速度在較短時間內發生劇烈變化，據此，提取加速度數據進行分析。

為減小信號噪聲的影響，采用中值濾波濾除加速度傳感器系統噪聲。中值濾波基本原理是：假設x軸時間信號的離散采樣序列為{x(i)|i=1,2,…,n}，以序列中i時刻為中心，取m個數據，按升序或降序方式排列數據，將排序后的中間值作為原序列的第i時刻的值,其中值為：

(2)

其中k為自然數。

圖1為實際跌倒過程中x軸加速度數據曲線，顯示中值濾波濾掉了數據中的孤立噪聲點以及孤立的噪聲尖峰，對數據具有較好的平滑效果。

圖1 跌倒時Z軸加速度數據濾波前后對比

1.2 特征提取及歸一化處理

采用滑動窗口提取時間序列數據，對于滑動窗口內數據進行離散特征提取。

原始數據表示為：

{(x1,y1,z1),(x2,y2,z2),…,(xn,yn,zn)}

選取x軸的特征表達式如式(3)-式(12)所示。 選取y、z軸的特征表達式類似，不予贅述。

(1) 加速度平均值：

(3)

(2) 加速度均方根：

(4)

(3) 加速度標準差：

(5)

(4) 加速度標幅值：

xmax=max(xi)

(6)

(5) 加速度相關性：

(7)

(6) 加速度斜率(計算峰值距離)：

(8)

(7) 加速度平均絕對偏差：

(9)

(8) 三軸合加速度：

(10)

(9) 過均值點個數：

(11)

(10) 加速度能量：

(12)

其中，Ex為頻域傅利葉變換表示。

根據式(3)-式(12)，三軸共提取出24個特征值，特征向量表示為:

Fi={Mx,My,Mz,corx,cory,corz,…,SMV}

(13)

對提取的特征向量分量采用平均數方差法分別進行歸一化處理，特征向量Fi={F1,F2,…,F24}歸一化表示為：

f(Fi)=(Fi-Fmean)/Fstd

(14)

其中，Fmean為特征向量的均值，Fstd為特征向量的標準差，特征向量經歸一化處理之后，每維特征分量都被規范為[-1，1]上的數。

1.3 基于奇異值分解的特征重構方法

時間序列數據降維和特征表示主要是為了提高分類效率, 用盡可能少的特征反應原數據的主要信息,但由于特征之間存在冗余，因此并不是特征越多，包含信息量越大，需要對特征進一步降維及新的特征表示。

奇異值分解具有理想的去相關特性，基于奇異值分解的分析方法可以對特征進行重構，較好地從序列數據中分離出有用的特征信息[13],運用奇異值分解方法對特征序列進一步降維處理, 進而得到保存大部分信息且維數更低的特征序列。

構建訓練矩陣Am×n，表示m個樣本，對應n個特征，秩為r，對矩陣A進行奇異值分解：

(15)

其中U和V分別為和階正交陣，Λ為m×n的非負對角陣：

σ1≥σ2…≥σr>0，以及σr=1=σr+2=…=σn=0構成矩陣A的奇異值，根據主成分思想，奇異值越大，其包含的信息就越多，因此前l個主成分所組成的特征空間對應新的特征空間A′：

(16)

式中U(:,1:l)為中l前列向量對應的矩陣，Λl×l為前l個較大奇異值對應的對角矩陣。

2 支持向量機分類算法

跌倒檢測的本質是兩分類問題，本文將跌倒特征經SVM分類器來檢測跌倒。

SVM通過建立一個超平面作為正例和反例樣本之間的分割，使邊緣最大化，以保證分類正確率最高。設訓練集為：

{(p1,q1),(p2,q2),…,(pn,qn)}

其中p1表示提取的特征向量，即：

pi={Mxi,Myi,Mzi,corxi,coryi,corzi,…,SMVi}，qi∈{-1,1}，1表示正常行為，-1表示跌倒。

構造SVM二分類器，即尋找超平面+b=0。要使超平面間距離最大，即求解：

(17)

其中ai、aj為拉格朗日乘子，求解以上對偶問題得到ω和b，得到分類器：

(18)

ai=0時，樣本pi稱為非支持向量，若ai>0時pi稱為支持向量，如果f(x)返回值是1，那么未知樣本劃分到正常行為類，否則劃分到跌倒類。

3 仿真與結果分析

實驗使用基于安卓系統的三星GT-S7562型號手機為硬件平臺進行數據采集，采集的行為加速度數據保存于手機中，再傳到PC機上，用Matlab軟件分析。行為測試主要包括正常的日常活動：原地跳躍、跑步、彎腰、躺、快速坐下等幾種日常行為，其次為幾種典型的跌倒：前后方向前跌倒、側向跌倒以及跌倒后轉身掙扎等動作，為避免被測試者在測試過程中摔傷，所有跌倒實驗在墊上進行。

本實驗數據由六名(女性三名、男性三名)年齡在22～28歲之間的健康青年人采集，實驗共采集加速度行為數據1000組，其中跌倒數據有400組(前后、側向跌倒各200組)；5種正常行為活動每種采集120組，共600組。將實驗數據中每類樣本取一半訓練SVM，另一半樣本用作測試。

3.1SVD仿真分析

運用奇異值分解方法對特征空間降維，初始特征空間為24維，通過對特征維度的不斷減少，檢測對應特征維度的識別結果，圖2中實線表示SVD進行特征空間重構后對跌倒識別效果的影響。

圖2 采用SVD降維處理對識別效果影響

根據圖2所示，當特征空間未進行降維處理時，檢測識別率為97.2%，當SVM方法在維數降為6時，算法分類識別率最高，達到99.0%，這是由于特征個數過多時，冗余特征以及相關度高的特征對支持向量機的分類造成了干擾，特征在10個以上時，識別率波動較小，在10個以下時，識別率隨著特征個數的減小而增加，特征為6個時識別率最大，特征少于6個時，不足以全面反映人體運動狀態，降低了識別率。

表1 行為識別結果

表1為運用SVD的SVM分類方法與未運用SVD的SVM分類方法識別效果對比，其中未運用SVD的SVM特征空間為24維，運用SVD進行特征重構的SVM方法特征空間為6維。運用SVD后，算法整體平均識別率從97.6%上升到98.6%，同樣驗證了SVD提高了SVM分類方法的準確性。

采用算法的平均運行時間考察算法的實時性，未使用SVD降維的SVM分類方法對一組數據進行檢測所需的平均運行時間為0.06s，使用SVD降維的SVM方法時，所需的平均運行時間為0.04s，驗證了本文算法的實時性。

3.2 對比試驗

使用采集的加速度信號，應用K-近鄰 (KNN)[14]，簡易貝葉斯(Nbays)[15]方法進行相同實驗次數的檢測，本文方法與KNN方法、Nbays方法的對比結果如圖3所示。

圖3 算法正確識別率對比

由圖3可知，本文提出利用奇異值分解對特征進行重構的SVM分類方法整體識別率高于文獻[14-15]的算法。且運用SVD對特征進行重構后，KNN方法和Nbays方法的識別效果分別得到提升，驗證了SVD在降低特征維數同時能提高檢測精度。

4 結 語

本文利用智能手機內置加速度傳感器采集人體行為數據，提取相關性、標準差以及能量等構成24維特征空間，并對構成的特征空間進行規范化處理。利用奇異值分解方法進行特征重構和降維，優化特征空間信息，采用SVM分類識別跌倒行為。理論分析和仿真結果表明，SVD能有效降低特征緯度同時保留對跌倒敏感的信心，降低了計算消耗，提升分類器的識別性能，較好區分出跌倒和日常行為活動。

[1]MubashirM,ShaoL,SeedL.Asurveyonfalldetection:Principlesandapproaches[J].Neurocomputing,2013,100:144-152.

[2]BagalàF,BeckerC,CappelloA,etal.Evaluationofaccelerometer-basedfalldetectionalgorithmsonreal-worldfalls[J].PLoSOne,2012,7(5):e37062.

[3] 劉鵬,盧潭城,呂愿愿,等.基于MEMS三軸加速度傳感器的摔倒檢測[J].傳感技術學報,2014,27(4):570-574.

[4]ShiY,ShiY,WangX.Falldetectiononmobilephonesusingfeaturesfromafive-phasemodel[C]//2012 9thInternationalConferenceonUbiquitousIntelligenceandComputingand9thInternationalConferenceonAutonomicandTrustedComputing(UIC/ATC).IEEE,2012:951-956.

[5]DaiJ,BaiX,YangZ,etal.PerFallD:Apervasivefalldetectionsystemusingmobilephones[C]//PervasiveComputingandCommunicationsWorkshops(PERCOMWorkshops),2010 8thIEEEInternationalConferenceon.IEEE,2010:292-297.

[6]SixsmithA,JohnsonN.Asmartsensortodetectthefallsoftheelderly[J].IEEEPervasiveComputing,2004,3(2):42-47.

[7]ChengH,LuoH,ZhaoF.Afalldetectionalgorithmbasedonpatternrecognitionandhumanpostureanalysis[C]//IETInternationalConferenceonCommunicationTechnologyandApplication(ICCTA2011).IET,2011:853-857.

[8]ZhaoZ,ChenY,WangS,etal.Fallalarm:smartphonebasedfalldetectingandpositioningsystem[J].ProcediaComputerScience,2012,10:617-624.

[9]KhawandiS,BallitA,DayaB.Applyingmachinelearningalgorithminfalldetectionmonitoringsystem[C]//ComputationalIntelligenceandCommunicationNetworks(CICN),2013 5thInternationalConferenceon.IEEE,2013:247-250.

[10]OlivieriDN,CondeIG,SobrinoXAV.Eigenspace-basedfalldetectionandactivityrecognitionfrommotiontemplatesandmachinelearning[J].ExpertSystemswithApplications,2012,39(5):5935-5945.

[11]LiC,LinM,YangLT,etal.Integratingtheenrichedfeaturewithmachinelearningalgorithmsforhumanmovementandfalldetection[J].TheJournalofSupercomputing,2014,67(3):854-865.

[12]LiCH,ParkSC.Anefficientdocumentclassificationmodelusinganimprovedbackpropagationneuralnetworkandsingularvaluedecomposition[J].ExpertSystemswithApplications,2009,36(2):3208-3215.

[13] 李海林,楊麗彬.時間序列數據降維和特征表示方法[J].控制與決策,2013,28(11):1718-1722.

[14]ErdoganSZ,BilginTT.Adataminingapproachforfalldetectionbyusingk-nearestneighboralgorithmonwirelesssensornetworkdata[J].IETCommunications,2012,6(18):3281-3287.

[15]KansizAO,GuvensanMA,TurkmenHI.Selectionoftime-domainfeaturesforfalldetectionbasedonsupervisedlearning[C]//ProceedingsoftheWorldCongressonEngineeringandComputerScience,SanFrancisco,CA,USA,2013,2.

THE FALLING DETECTION ALGORITHM BASED ON SVD FEATURE DIMENSION REDUCTION AND SVM

Bai Yong1Sun Xiaowen2Qin Fang2Sun Ziwen2

1(WuxiHongChuangElectronicCo.,Ltd,Wuxi214072,Jiangsu,China)2(SchoolofInternetofThingsEngineering,JiangnanUniversity,Wuxi214122,Jiangsu,China)

A falling detection method based on support vector machine(SVM) is proposed to reduce the harm to human body which caused by falling down. The acceleration sensor data are collected by the mobile phone which is located on the waist, and the features which are sensitive to the falling action are extracted from the time and frequency domain. The extracted features are further processed by singular value decomposition singular value decomposition (SVD) to reduce the dimension and be rebuilt. Then, the SVM is adopted to detect the falling behavior. The simulation results show that the proposed method can effectively identify the falling behavior and the daily behavior, which achievesa higher sensitivity and specificity, improving the detection rate at the same time.

Falling detection SVM Acceleration sensor SVD

2015-10-15。國家自然科學基金項目(61373126)；江蘇省自然科學基金項目(BK20131107)；中央高校基本科研業務費專項資金(JUSRP51510)。白勇，工程師，主研領域：模式識別與人工智能，控制工程。孫曉雯，碩士生。秦昉，碩士。孫子文，教授。

TP273

A

10.3969/j.issn.1000-386x.2017.01.045