基于隱馬爾可夫模型的老年人跌倒行為檢測(cè)方法研究

曹薈強(qiáng) 林仲志 吳水才*

1(北京工業(yè)大學(xué)生命科學(xué)與生物工程學(xué)院，北京 100124)2(長(zhǎng)庚大學(xué)資訊工程系，臺(tái)灣 桃園 33302)

基于隱馬爾可夫模型的老年人跌倒行為檢測(cè)方法研究

曹薈強(qiáng)1林仲志2吳水才1*

1(北京工業(yè)大學(xué)生命科學(xué)與生物工程學(xué)院，北京 100124)2(長(zhǎng)庚大學(xué)資訊工程系，臺(tái)灣 桃園 33302)

隨著社會(huì)老齡化程度的加劇，老年人的安全健康監(jiān)護(hù)需求日益增加。跌倒行為在老年人日常生活中比較常見(jiàn)，它會(huì)給老年人帶來(lái)嚴(yán)重的身體及心理傷害。因此，跌倒檢測(cè)對(duì)于保護(hù)老年人的健康及安全具有重要意義。針對(duì)跌倒的運(yùn)動(dòng)過(guò)程，分析人體加速度變化特征，提出基于隱馬爾可夫模型(HMM)的跌倒檢測(cè)方法。將人體跌倒的加速度信號(hào)提取為加速度觀測(cè)序列，并以此為訓(xùn)練樣本訓(xùn)練隱馬爾可夫模型，建立跌倒過(guò)程的概率模型進(jìn)行跌倒檢測(cè)。在驗(yàn)證實(shí)驗(yàn)中，采集10名志愿者共300例樣本，采用5折交叉檢驗(yàn)方法，對(duì)模型的有效性進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果表明，該方法檢測(cè)跌倒的準(zhǔn)確率為98.2%，靈敏度為91.3%，特異性為99.6%，具有良好的檢測(cè)效果，可實(shí)現(xiàn)對(duì)跌倒行為的準(zhǔn)確檢測(cè)。

跌倒檢測(cè)；加速度時(shí)序；隱馬爾可夫模型

引言

我國(guó)老年人口基數(shù)大、增速快，高齡化趨勢(shì)明顯。截至2014年底，我國(guó)60歲及以上的老年人口已達(dá)2.12億人，占總?cè)丝诘?5.5%。高齡人口的增長(zhǎng)致使社會(huì)老齡化的程度加劇，老年人的健康照護(hù)成為嚴(yán)峻的社會(huì)問(wèn)題。跌倒行為是人體姿態(tài)動(dòng)作異常的情況之一，老年人在日常生活中發(fā)生跌倒的幾率較高。研究表明，65歲以上的老年人口中，約1/3的人群均發(fā)生過(guò)跌倒，并且伴隨年齡增長(zhǎng)，發(fā)生跌倒的幾率也會(huì)增加[1-2]。跌倒可致老年人傷殘甚至死亡，給家庭和個(gè)人都帶來(lái)負(fù)面影響。因此，運(yùn)用現(xiàn)代技術(shù)檢測(cè)跌倒行為的發(fā)生對(duì)于老年人的健康照護(hù)至關(guān)重要，跌倒發(fā)生后的及時(shí)救助對(duì)降低老年人的傷殘率和死亡率具有重要意義。

在目前跌倒檢測(cè)的研究中，信號(hào)、數(shù)據(jù)的獲取來(lái)源主要有兩種途徑：基于視覺(jué)圖像設(shè)備[3-6]和基于穿戴式設(shè)備[7-10]。基于視覺(jué)圖像設(shè)備的方法多使用圖像采集設(shè)備(如攝像頭)獲取圖像信息，同時(shí)對(duì)圖像進(jìn)行分析處理，進(jìn)而判斷人的姿態(tài)或者運(yùn)動(dòng)狀態(tài)。這種方法應(yīng)用廣泛，但會(huì)受到采集圖像的清晰程度以及安裝成本的影響，并且監(jiān)護(hù)的覆蓋范圍有限。基于穿戴式設(shè)備的方法多使用運(yùn)動(dòng)傳感器對(duì)人體運(yùn)動(dòng)進(jìn)行感測(cè)，常用的運(yùn)動(dòng)傳感器有加速度傳感器、角速度計(jì)以及磁力計(jì)等，其采集人有效部位的運(yùn)動(dòng)數(shù)據(jù)，以分析運(yùn)動(dòng)信號(hào)的方式解釋人的運(yùn)動(dòng)狀態(tài)，并對(duì)運(yùn)動(dòng)異常情況(如跌倒行為)進(jìn)行判別。穿戴式設(shè)備簡(jiǎn)單易用、成本低廉，并且運(yùn)動(dòng)傳感器的精度提高使得其對(duì)運(yùn)動(dòng)狀態(tài)、運(yùn)動(dòng)行為的反映更為真實(shí)準(zhǔn)確，因此基于穿戴式設(shè)備進(jìn)行跌倒檢測(cè)成為兼具準(zhǔn)確與實(shí)用的方法。

在跌倒檢測(cè)的算法設(shè)計(jì)方面，使用機(jī)器學(xué)習(xí)或數(shù)學(xué)統(tǒng)計(jì)這兩種方式來(lái)分析數(shù)據(jù)、判斷跌倒較為常見(jiàn)。機(jī)器學(xué)習(xí)方法有支持向量機(jī)(support vector machine, SVM)[7]、BP神經(jīng)網(wǎng)絡(luò)[11]和極限學(xué)習(xí)機(jī)[12]等；數(shù)學(xué)統(tǒng)計(jì)是歸納出跌倒過(guò)程信號(hào)或數(shù)據(jù)的變化特征，設(shè)定閾值來(lái)判斷跌倒[13-16]。這兩種方式存在一定的局限性，機(jī)器學(xué)習(xí)的分類(lèi)特征不容易確定，并且學(xué)習(xí)訓(xùn)練的時(shí)間成本高，不適用于實(shí)時(shí)檢測(cè)；而設(shè)定閾值檢測(cè)跌倒，判斷標(biāo)準(zhǔn)的維度單一，忽略了跌倒行為的運(yùn)動(dòng)特征；同時(shí)，閾值受實(shí)驗(yàn)個(gè)體影響較大，不能描述跌倒過(guò)程的完整信息，因此“閾值法”誤報(bào)率較高。

由于這些局限性的存在，建立數(shù)學(xué)模型來(lái)描述跌倒行為進(jìn)而判斷跌倒的研究越來(lái)越多。隱馬爾可夫模型(hidden Markov model， HMM)是針對(duì)隨機(jī)過(guò)程特點(diǎn)建立的概率模型，其可描述識(shí)別時(shí)序過(guò)程，在語(yǔ)音識(shí)別、行為識(shí)別等多個(gè)領(lǐng)域應(yīng)用廣泛[17-22]。建立跌倒過(guò)程模型來(lái)檢測(cè)跌倒，優(yōu)點(diǎn)是模型由跌倒過(guò)程的數(shù)據(jù)訓(xùn)練建立，完整地描述跌倒過(guò)程的數(shù)據(jù)特點(diǎn)；另外，HMM的學(xué)習(xí)訓(xùn)練過(guò)程簡(jiǎn)單，識(shí)別跌倒所要求的計(jì)算能力低，與機(jī)器學(xué)習(xí)相比具有明顯的優(yōu)勢(shì)，適用于實(shí)時(shí)監(jiān)測(cè)的情況。因此，本研究提出了一種基于隱馬爾可夫模型的跌倒行為檢測(cè)方法，定義跌倒為一種運(yùn)動(dòng)過(guò)程，使用單個(gè)三軸加速度傳感器來(lái)采集人體跌倒過(guò)程的加速度信號(hào)，分析信號(hào)的變化特征，提取跌倒過(guò)程的觀測(cè)序列，使用跌倒過(guò)程觀測(cè)序列進(jìn)行模型訓(xùn)練，建立描述跌倒過(guò)程的HMM，并通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證方法的可行性。

1 材料和方法

1.1 方法原理

1.1.1 跌倒行為的加速度特點(diǎn)

跌倒行為是人身體突然失去平衡、意外倒地的現(xiàn)象。在跌倒過(guò)程中，人的受力情況會(huì)使身體運(yùn)動(dòng)的加速度發(fā)生變化。跌倒過(guò)程依次包括4個(gè)階段：跌倒前階段、失衡階段、跌倒階段和跌倒后階段。其中，跌倒前階段為失衡開(kāi)始前的階段；失衡階段開(kāi)始后，身體在短時(shí)間內(nèi)處于失重狀態(tài)，加速度向0g(g為重力加速度)趨近；跌倒階段，加速度變化反復(fù)，數(shù)值變化幅度大；跌倒后階段，加速度曲線趨于平穩(wěn)。人體跌倒行為加速度曲線如圖1所示。

圖1 跌倒過(guò)程加速度變化曲線Fig.1 Carve characteristic for fall process

在跌倒過(guò)程加速度曲線中，加速度最大值點(diǎn)為跌倒點(diǎn)[12]，將跌倒點(diǎn)及之前0.5 s的運(yùn)動(dòng)過(guò)程定義為跌倒過(guò)程。通過(guò)分析跌倒過(guò)程的加速度曲線可發(fā)現(xiàn)，失衡階段和跌倒點(diǎn)是跌倒過(guò)程中最顯著的特點(diǎn)，其描述了跌倒過(guò)程中人由站立到倒地的變化，體現(xiàn)了跌倒過(guò)程中人運(yùn)動(dòng)狀態(tài)的改變；此外，由于跌倒具有偶然和突發(fā)的動(dòng)作屬性，與日常活動(dòng)已形成的固有行為模式不同，受個(gè)體差異影響小，不同個(gè)體在跌倒時(shí)產(chǎn)生的加速度變化具有相似且一致的變化特征，所以失衡階段和跌倒點(diǎn)是與個(gè)體特征關(guān)聯(lián)較小的可測(cè)量量，具有普適性[20，23]。因此，失衡階段的加速度變化以及跌倒點(diǎn)可作為跌倒檢測(cè)的依據(jù)。

1.1.2 HMM的基本概念

HMM是統(tǒng)計(jì)模型，用來(lái)描述一個(gè)具有隱含未知參數(shù)的馬爾可夫過(guò)程。HMM由雙重隨機(jī)過(guò)程組成，一個(gè)是隱含狀態(tài)轉(zhuǎn)移序列，其中隱含的狀態(tài)不能直接觀察到；另一個(gè)是與隱含狀態(tài)相關(guān)的觀測(cè)序列，每一個(gè)觀測(cè)序列是由具有相應(yīng)概率密度分布的狀態(tài)序列產(chǎn)生[24]。

1.1.2.1 基本要素

1)隱含狀態(tài)數(shù)M，隱含狀態(tài)集合為S={s1,s2,…,sM}。

2)觀測(cè)序列數(shù)N，觀測(cè)序列集合為V={v1,v2,…,vN}。

3)狀態(tài)轉(zhuǎn)移的概率分布A，表示為A={aij}。其中，A表示時(shí)刻t從狀態(tài)si轉(zhuǎn)移到時(shí)刻t+1狀態(tài)sj的轉(zhuǎn)移概率；aij=P{qt+1=sj|qt=si}，1≤i，j≤M，qt為t時(shí)刻的狀態(tài)。

4)觀測(cè)序列的概率分布B，可表示為B={bj(k)}，bj(k)=P{vt|qt=sj}，1≤j≤M，1≤k≤N，表示狀態(tài)sj輸出各觀測(cè)變量的概率。

5)初始狀態(tài)概率分布π，表示為π={πi，1≤i≤M}，πi=P{q1=si}。

1.1.2.2 基本問(wèn)題[24]

1)評(píng)估問(wèn)題。在給定模型λ條件下，計(jì)算λ產(chǎn)生觀測(cè)序列O=O1,O2, …,OL的概率P(O|λ)，P描述了觀測(cè)序列與模型間的匹配程度。

2)解碼問(wèn)題。給定模型λ和觀測(cè)序列O=O1,O2, …,OL，求解對(duì)應(yīng)最大概率的狀態(tài)序列Q。

3)學(xué)習(xí)問(wèn)題。通過(guò)觀測(cè)序列O=O1,O2, …,OL，訓(xùn)練相應(yīng)的HMM，求取模型λ的初始參數(shù)的最優(yōu)解，使P(O|λ)達(dá)到最大。

1.2 跌倒檢測(cè)算法

本研究使用臺(tái)灣長(zhǎng)庚大學(xué)生物資訊實(shí)驗(yàn)室健康智慧衣來(lái)采集人體運(yùn)動(dòng)加速度數(shù)據(jù)，將三軸加速度傳感器安置于人體胸前，采樣頻率設(shè)定為100 Hz。假設(shè)ax、ay和az分別表示三軸傳感器在x軸、y軸和z軸上的原始數(shù)據(jù)，則加速度傳感器的采樣數(shù)據(jù)可計(jì)算為

(1)

式中，asvm作為原始數(shù)據(jù)參與到HMM訓(xùn)練和跌倒行為識(shí)別中。

1.2.1 加速度觀測(cè)序列提取

人在運(yùn)動(dòng)過(guò)程中，由于重力作用、身體活動(dòng)和外力影響，使得自身加速度實(shí)時(shí)變化，分析加速度傳感器所得的采樣數(shù)據(jù)，可辨別身體運(yùn)動(dòng)的不同狀態(tài)。為了分析時(shí)間T內(nèi)的運(yùn)動(dòng)情況，對(duì)T內(nèi)的加速度采樣數(shù)據(jù)進(jìn)行處理，以提取T內(nèi)加速度觀測(cè)序列，表征此時(shí)人體運(yùn)動(dòng)的狀態(tài)變化。設(shè)定T=0.5 s，與跌倒過(guò)程的時(shí)間相同。觀測(cè)序列的提取過(guò)程如下：

1)時(shí)間窗截取0.5 s的加速度采樣數(shù)據(jù)，得到數(shù)據(jù)集{ai}(i=50)。數(shù)據(jù)集{ai}平均分割為10個(gè)數(shù)據(jù)單元，求取每個(gè)數(shù)據(jù)單元中采樣數(shù)據(jù)的平均值o，按時(shí)間順序排列得到時(shí)序{oi}(i=10)。

2)時(shí)序{o}特征值化。由于運(yùn)動(dòng)過(guò)程中加速度采樣數(shù)據(jù)的變化范圍大，為了區(qū)別運(yùn)動(dòng)狀態(tài)的不同等級(jí)，將加速度采樣數(shù)據(jù)的變化值域進(jìn)行區(qū)段劃分，并定義每一區(qū)段的特征值。時(shí)序{o}特征值化，得觀測(cè)序列{Oi}(i=10)，轉(zhuǎn)換公式如下：

(2)

式中，oi是轉(zhuǎn)換前的加速度時(shí)序，Oi是轉(zhuǎn)換后的觀測(cè)變量。

1.2.2 跌倒過(guò)程HMM訓(xùn)練

HMM的訓(xùn)練過(guò)程就是解決HMM的學(xué)習(xí)問(wèn)題，采用經(jīng)典的Baum-Welch算法進(jìn)行訓(xùn)練。Baum-Welch算法的核心在于通過(guò)遞歸迭代方式更新?tīng)顟B(tài)概率權(quán)重，使模型參數(shù)更好地解釋訓(xùn)練樣本序列[23]。訓(xùn)練跌倒過(guò)程HMM首先要獲取跌倒過(guò)程的加速度觀測(cè)序列，方法同本文第2.1節(jié)所述，其時(shí)間窗截取的數(shù)據(jù)集為跌倒過(guò)程的采樣數(shù)據(jù)。

1.2.2.1 參數(shù)測(cè)定

要設(shè)定跌倒過(guò)程HMM的初始參數(shù)λ=(M,N,π,A,B)，具體參數(shù)設(shè)定如下：

1)隱含狀態(tài)數(shù)M=3，隱含狀態(tài)分別為平衡，失重、跌倒，隱含狀態(tài)集合S={s1,s2,s3}。

2)觀測(cè)序列數(shù)N=5，與觀測(cè)序列的特征值個(gè)數(shù)相同，特征值與觀測(cè)變量相對(duì)應(yīng)，觀測(cè)變量集合V={vi,vi=i}(i=1,2,…,5)。

3)狀態(tài)轉(zhuǎn)移的概率分布A如下：

s1s2s3

A=s1

s2

(3)

4)觀測(cè)序列的概率分布B如下：

v1v2v3v4v5

(4)

5)初始狀態(tài)概率分布π如下：

(5)

1.2.2.2 訓(xùn)練步驟

跌倒初始模型λ設(shè)定后，采用Baum-Welch算法進(jìn)行模型訓(xùn)練，步驟如下：

1)取跌倒過(guò)程觀測(cè)序列{Oi}(i=10)及跌倒初始模型λ，計(jì)算前向變量αt(i)，其含義為λ在時(shí)刻t處于運(yùn)動(dòng)狀態(tài)si，此時(shí)觀測(cè)序列為{Oi}的概率，后向變量βt(i)，表示λ在時(shí)刻t處于運(yùn)動(dòng)狀態(tài)si，并且輸出t時(shí)刻之后的觀測(cè)序列為{Oi}的概率。前向變量和后向變量的計(jì)算如下：

αt(i)=P(O1,O2,…，O10,qt=si|λ)

(6)

βt(i)=P(O1,O2,…，O10|qt=si,λ)

(7)

應(yīng)用前向變量和后向變量，可得到模型λ產(chǎn)生觀測(cè)序列{Oi}(i=10)的輸出概率P(O|λ)，即解決了HMM的評(píng)估問(wèn)題。該值的含義是觀測(cè)序列與模型的匹配程度，其計(jì)算過(guò)程如下：

(8)

式中，L是觀測(cè)序列的長(zhǎng)度，本研究中取L=10。

2)結(jié)合前向變量和后向變量，計(jì)算在時(shí)刻t處于運(yùn)動(dòng)狀態(tài)si、其時(shí)刻t+1處于運(yùn)動(dòng)狀態(tài)sj的概率γt(i，j)，計(jì)算觀測(cè)序列{Oi}(i=10)在時(shí)刻t處于運(yùn)動(dòng)狀態(tài)為si的概率δt(i)，有

(9)

(10)

3)使用HMM模型的重估公式，對(duì)模型進(jìn)行重估并暫存結(jié)果。取下一個(gè)跌倒過(guò)程觀測(cè)序列，此時(shí)模型參數(shù)為暫存結(jié)果參數(shù);重復(fù)以上所有步驟直至用盡所有訓(xùn)練數(shù)據(jù)集，最終得到最優(yōu)的跌倒過(guò)程模型λFall。HMM模型的重估公式如下：

(11)

(12)

式中，k等于觀測(cè)序列數(shù)N，本研究中k=5。

1.2.3 跌倒檢測(cè)算法應(yīng)用

基于HMM的跌倒算法可實(shí)時(shí)檢測(cè)跌倒行為是否發(fā)生，所處理的資料為實(shí)時(shí)采集的加速度采樣數(shù)據(jù)asvm，跌倒檢測(cè)算法的應(yīng)用流程如圖2所示。

圖2 跌倒檢測(cè)算法應(yīng)用流程Fig.2 Diagram of fall detection method

在加速度采樣數(shù)據(jù)中，設(shè)置0.5 s的滑動(dòng)數(shù)據(jù)窗，窗的移動(dòng)步長(zhǎng)為0.01 s。滑動(dòng)數(shù)據(jù)窗截取到的數(shù)據(jù)，按照本文第2.1節(jié)小結(jié)的方法進(jìn)行加速度觀測(cè)序列提取；將觀測(cè)序列輸入到跌倒過(guò)程模型λfall中，按照式(6)～(8)計(jì)算輸出概率P(O|λfall)，即該觀測(cè)序列與跌倒過(guò)程模型相匹配的概率。其中，輸出概率與Pth進(jìn)行比較，當(dāng)大于Pth時(shí)，判斷該觀測(cè)序列為跌倒過(guò)程；否則，就不是跌倒過(guò)程。通過(guò)統(tǒng)計(jì)，跌倒過(guò)程觀測(cè)序列得到的輸出概率最小值為51.4%，故設(shè)定Pth=51.4%。

1.3 實(shí)驗(yàn)驗(yàn)證

1.3.1 數(shù)據(jù)采集

為獲取跌倒過(guò)程和日常活動(dòng)行為的加速度數(shù)據(jù)，設(shè)計(jì)實(shí)驗(yàn)進(jìn)行數(shù)據(jù)采集。實(shí)驗(yàn)者為10名男性學(xué)生，年齡在22～24歲，身高165～178 cm，體重51～76 kg。出于安全考慮，未請(qǐng)老年人參與。實(shí)驗(yàn)者模擬老年人的日常活動(dòng)行為，包括行走、慢跑、坐下起立以及3種不同方向的跌倒行為共6種活動(dòng)動(dòng)作，每種行為重復(fù)5次，除步行和慢跑兩種活動(dòng)的實(shí)驗(yàn)時(shí)長(zhǎng)為20 s，另4種活動(dòng)在5 s內(nèi)完成。實(shí)驗(yàn)者活動(dòng)行為描述見(jiàn)表1。

表1 實(shí)驗(yàn)者活動(dòng)行為描述Tab.1 The description of movements process

1.3.2 跌倒模型驗(yàn)證

圖3 6種活動(dòng)行為跌倒檢測(cè)結(jié)果。(a)步行；(b)慢跑；(c)坐下起立；(d)前向跌倒；(e)后向跌倒；(f)側(cè)向跌倒Fig.3 Detection results of 6 kinds of motion process. (a)Walk；(b)Run；(c)Sit - Up；(d)Fall forward；(e)Fall backward；(f)Fall aside

10名實(shí)驗(yàn)者加速度樣本共300例，其中跌倒行為樣本150例，日常活動(dòng)樣本150例。由于樣本數(shù)量少，因此采用5折交叉檢驗(yàn)來(lái)對(duì)模型的檢測(cè)效果進(jìn)行考察。將跌倒行為樣本平均分為5組，每組的樣本從跌倒行為樣本中隨機(jī)抽取，數(shù)量為30；輪流將其中4組跌倒數(shù)據(jù)用作模型訓(xùn)練，另一組跌倒數(shù)據(jù)與日常活動(dòng)樣本用于模型測(cè)試。

在實(shí)驗(yàn)中，使用準(zhǔn)確率、靈敏度和特異性3項(xiàng)作為跌倒檢測(cè)模型效果的評(píng)價(jià)指標(biāo)，其定義分別為

(13)

(14)

(15)

式中，TP為跌倒樣本中被檢測(cè)為跌倒的數(shù)量；TN為未跌倒樣本中被檢測(cè)為未跌倒的數(shù)量；FP為未跌倒樣本中被檢測(cè)為跌倒的數(shù)量；FN為跌倒樣本中被檢測(cè)為未跌倒的數(shù)量。

2 結(jié)果

圖3為6種活動(dòng)行為的加速度曲線，以及應(yīng)用跌倒檢測(cè)算法檢驗(yàn)樣本各時(shí)間點(diǎn)發(fā)生跌倒的概率曲線。

可以看出，圖3(a)～(f)分別為步行、慢跑、坐下起立、前向跌倒、后向跌倒、側(cè)向跌倒的加速度曲線，以及0.5 s滑動(dòng)數(shù)據(jù)窗經(jīng)由跌倒檢測(cè)模型λfall計(jì)算得到的跌倒概率變化曲線。其中，(a)～(c)均是日常活動(dòng)行為，任意時(shí)刻跌倒概率曲線在0附近波動(dòng)；(d)～(f)均是跌倒行為， 滑動(dòng)時(shí)間窗移動(dòng)到跌倒發(fā)生處，模型計(jì)算所得概率升高，概率曲線呈現(xiàn)上升趨勢(shì)，在特定區(qū)段跌倒概率為100%，此時(shí)檢測(cè)到跌倒發(fā)生，與實(shí)際情況相符。在跌倒發(fā)生之后，身體已與地面接觸，模型計(jì)算跌倒的概率降低至0附近。

考察算法的檢測(cè)效果采用了5折交叉檢驗(yàn)的方法，各測(cè)試集的驗(yàn)證結(jié)果見(jiàn)表2。

表2 基于HMM跌倒檢測(cè)算法有效性結(jié)果Tab.2 The effectiveness of HMM fall detection method

在5組測(cè)試集對(duì)算法進(jìn)行驗(yàn)證的結(jié)果中，方法的準(zhǔn)確率均達(dá)到了95%，第2組測(cè)試集的準(zhǔn)確率達(dá)到了98.9%，為5組測(cè)試集中的最高值；第1、4組的準(zhǔn)確率最低，為97.8%。第1、2組測(cè)試中的靈敏度為93.3%，為5組中最高；最低值為90%。特異性的結(jié)果中有3組達(dá)到了100%，第1組結(jié)果最低，為98.7%。基于HMM的跌倒行為檢測(cè)算法，準(zhǔn)確率、靈敏度和特異性評(píng)估為測(cè)試集檢驗(yàn)?zāi)Ｐ偷母黜?xiàng)結(jié)果的平均值，即準(zhǔn)確率為98.2%、靈敏度為91.3%、特異性為99.6%。

3 討論

現(xiàn)如今，隨著我國(guó)老年人口的持續(xù)增長(zhǎng)，社會(huì)老齡化程度加劇。對(duì)于老年人而言，身體條件日益下降，保持身體平衡的能力越來(lái)越差，跌倒十分容易發(fā)生。跌倒與其所造成的影響已是身體健康與生活獨(dú)立的最大的威脅，輕則身體外傷，嚴(yán)重會(huì)導(dǎo)致死亡。因此，研究一種有效的跌倒檢測(cè)方法尤為重要。跌倒檢測(cè)方法不僅可以為老年人提供安全保護(hù)，而且保證了日常生活的健康獨(dú)立；在醫(yī)護(hù)環(huán)境下，跌倒檢測(cè)使醫(yī)護(hù)人員能立即獲知病患跌倒，從而提供及時(shí)的醫(yī)療救助以及病情的快速評(píng)估，這對(duì)于提高醫(yī)護(hù)質(zhì)量同樣意義重大。穿戴式設(shè)備結(jié)合加速度傳感器可準(zhǔn)確表達(dá)人的運(yùn)動(dòng)狀態(tài)，用其進(jìn)行跌倒檢測(cè)具有簡(jiǎn)單易用的優(yōu)勢(shì)，相比圖像處理實(shí)用性更高。相比機(jī)器學(xué)習(xí)進(jìn)行分類(lèi)或者設(shè)置閾值的跌倒檢測(cè)算法設(shè)計(jì)，建立隱馬爾可夫模型，用數(shù)學(xué)概率模型描述跌倒加速度過(guò)程，并用模型進(jìn)行跌倒檢測(cè)，不僅是一種新的探索，更在保證準(zhǔn)確率、提高特異性上具有優(yōu)勢(shì)。

隱馬爾可夫模型是描述時(shí)間序列過(guò)程的概率模型。跌倒的加速度數(shù)據(jù)被定義為跌倒前階段、失衡階段到跌倒階段的轉(zhuǎn)化過(guò)程，對(duì)加速度數(shù)據(jù)進(jìn)行序列提取，得到加速度觀測(cè)序列，并以此訓(xùn)練跌倒模型。通過(guò)計(jì)算給定觀測(cè)序列與跌倒模型的匹配程度，以判斷跌倒是否發(fā)生。實(shí)驗(yàn)結(jié)果表明，建立隱馬爾可夫模型對(duì)跌倒行為的加速度數(shù)據(jù)進(jìn)行分析是有效的。在移動(dòng)時(shí)間窗處理所有數(shù)據(jù)點(diǎn)的過(guò)程中，只有時(shí)間窗中的加速度數(shù)據(jù)滿足跌倒過(guò)程特點(diǎn)時(shí)，其與跌倒模型的匹配程度才會(huì)明顯升高。圖3(a)～(c)的3種活動(dòng)行為均未發(fā)生跌倒，滑動(dòng)時(shí)間窗在任何時(shí)刻提取出的加速度觀測(cè)序列都不滿足跌倒過(guò)程特點(diǎn)，因此任意時(shí)刻的跌倒概率均為0。圖3(d)～(f)是跌倒行為，跌倒發(fā)生后，身體失衡，之后與低勢(shì)面碰撞，加速度數(shù)值劇烈變化并且出現(xiàn)跌倒點(diǎn)。當(dāng)時(shí)間窗移動(dòng)到該處，加速度觀測(cè)序列滿足了跌倒過(guò)程特點(diǎn)，因此時(shí)間窗內(nèi)數(shù)據(jù)變化與跌倒模型的匹配程度增大，甚至概率曲線在某時(shí)段內(nèi)為100%，表明這段數(shù)據(jù)完全符合跌倒過(guò)程。在跌倒點(diǎn)產(chǎn)生之后，身體接觸地面，運(yùn)動(dòng)狀態(tài)不再滿足跌倒過(guò)程，因此與模型的匹配程度大幅降低。實(shí)驗(yàn)結(jié)果表明，基于隱馬爾可夫模型進(jìn)行跌倒檢測(cè)的方法準(zhǔn)確率高，并且具備優(yōu)秀的特異性。Nyan等應(yīng)用三軸加速度傳感器與陀螺儀搭建了基于穿戴式設(shè)備的跌倒檢測(cè)系統(tǒng)，方法檢測(cè)的準(zhǔn)確度為95.2%[7]；Li等使用加速度傳感器與陀螺儀分析姿勢(shì)體態(tài)進(jìn)行跌倒檢測(cè)，靈敏度為91%，特異性為92%[8]；王之瓊等為基于極限學(xué)習(xí)機(jī)進(jìn)行跌倒檢測(cè)，準(zhǔn)確度為93%，靈敏度為87.5%，特異性為91.7%[12]。對(duì)比這些研究，基于隱馬爾可夫模型的跌倒檢測(cè)方法不僅能保證95%以上的檢測(cè)準(zhǔn)確度，而且特異性表現(xiàn)十分突出，這意味著方法的誤報(bào)率極低。分析其原因，隱馬爾可夫模型表達(dá)了所描述時(shí)序過(guò)程的特點(diǎn)，跌倒模型兼顧了跌倒中加速度在時(shí)間與幅值上的變化特征，以檢測(cè)加速度過(guò)程變化的方式判別跌倒，提高了特異性。驗(yàn)證實(shí)驗(yàn)結(jié)果表明，基于隱馬爾可夫模型的跌倒檢測(cè)方法檢測(cè)效果優(yōu)異。

4 結(jié)論

跌倒檢測(cè)對(duì)保護(hù)老年人的健康及安全具有重要意義。本研究提出了一種基于隱馬爾可夫模型對(duì)跌倒行為進(jìn)行檢測(cè)的新方法，分析了人體活動(dòng)過(guò)程的加速度信息特點(diǎn)，采集了人體上軀干的加速度信息，并進(jìn)行了觀測(cè)序列的提取。將提取的、可代表跌倒過(guò)程的加速度觀測(cè)序列作為訓(xùn)練樣本，建立可描述跌倒過(guò)程的隱馬爾可夫模型，把隱馬爾可夫模型計(jì)算所得的輸出概率作為跌倒風(fēng)險(xiǎn)的檢測(cè)依據(jù)。實(shí)驗(yàn)結(jié)果表明，本方法可以準(zhǔn)確檢測(cè)出跌倒行為，并且能夠有效區(qū)分跌倒過(guò)程與其他日常活動(dòng)行為，其準(zhǔn)確率達(dá)到98.2%，靈敏性達(dá)到91.3%，特異性達(dá)到99.6%。受到樣本種類(lèi)和數(shù)量的影響，本研究所訓(xùn)練的跌倒模型在實(shí)際應(yīng)用中還需要進(jìn)一步優(yōu)化，驗(yàn)證實(shí)驗(yàn)的數(shù)據(jù)均以模擬老年人的運(yùn)動(dòng)方式進(jìn)行采集，而真實(shí)情況下的老年人跌倒檢測(cè)未能予以充分實(shí)驗(yàn)，這將是今后主要完善的工作。

[1] 朱月妹, 袁浩斌, 陳雷． 老年人跌倒危險(xiǎn)因素的調(diào)查 [J]． 護(hù)理實(shí)踐與研究, 2007, 4(10): 5-7.

[2] 郝燕萍, 劉雪琴, 靳海如． 老年人跌倒傷殘情況分析 [J]． 護(hù)理研究, 2006, 20(8): 2017-2018.

[3] Rougier C, Meunier J. Demo: Fall detection using 3D head trajectory extracted from a single camera video sequence [J]. Journal of Telemedicine and Telecare, 2005, 11(4): 37-42.

[4] Shoaib M, Dragon R, Ostermann J. View-invariant fall detection for elderly in real home environment [C] //2010 Fourth Pacific-Rim Symposium on Image and Video Technology. Singapore: IEEE, 2010: 52-57.

[5] Qian Huimin, Mao Yaobin, Xiang Wenbo, et al. Recognition of human activities using SVM multi-class classifier [J]. Pattern Recognition Letters, 2010, 31(2): 100-111.

[6] Khan Z A, Sohn W. Abnormal human activity recognition system based on R-transform and kernel discriminant technique for elderly home care [J]. IEEE Transactions on Consumer Electronics, 2011, 57(4): 1843-1850.

[7] Nyan MN, Tay FE, Murugasu E. A wearable system for pre-impact fall detection [J]. Journal of Biomechanics, 2008, 41(16):3475-3481.

[8] Li Q, Stankovic JA, Hanson MA, et al. Accurate, fast fall detection using gyroscopes and accelerometer-derived posture information[C]//2009 6th International Workshop on Wearable and Implantable Body Sensor Networks. Berkeley: IEEE, 2009:138 - 143.

[9] Tong Lina, Chen Wei, Song Quanjun, et al. A research on automatic human fall detection method based on wearable inertial force information acquisition system [C] //2009 IEEE International Conference on Robotics and Biomimetics. Bangkok: IEEE, 2009: 949-953.

[10] Chen GC, Huang CN, Chiang CY, et al. A reliable fall detection system based on wearable sensor and signal magnitude area for elderly residents [C] //International Conference on Smart Homes and Health Telematics. Seoul: Springer, 2010: 267-270.

[11] Goh ATC. Back-propagation neural networks for modeling complex systems [J]. Artificial Intelligence in Engineering, 1995, 9(3): 143-151.

[12] 王之瓊, 曲璐渲, 隋雨彤, 等. 基于極限學(xué)習(xí)機(jī)的跌倒檢測(cè)分類(lèi)識(shí)別研究 [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2014, 33(4): 418-424.

[13] Li Yanjun, Chen Gan, Shen Yueyun, et al. Accelerometer-based fall detection sensor system for the elderly [C] //2012 2nd International Conference on Cloud Computing and Intelligence Systems. Hangzhou: IEEE, 2012, 3: 1216-1220.

[14] Sorvala A, Alasaarela E, Sorvoja H, et al. A two-threshold fall detection algorithm for reducing false alarms [C] //2012 6th International Symposium on Medical Information and Communication Technology. La Jolla: IEEE, 2012: 1-4.

[15] Dumitrache M, Pasca S. Fall detection algorithm based on triaxial accelerometer data [C] //2013 E-Health and Bioengineering Conference. Iasi: IEEE, 2013: 1-4.

[16] Bourke AK, O’brien JV, Lyons GM. Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm [J]. Gait & posture, 2007, 26(2): 194-199.

[17] Yamato J, Ohya J, Ishii K. Recognizing human action in time-sequential images using hidden markov model [C] //1992 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Champaign: IEEE, 1992: 379-385.

[18] Lee KF, Hon HW. Speaker-independent phone recognition using hidden Markov models [J]. Acoustics, Speech and Signal Processing, IEEE Transactions on, 1989, 37(11): 1641-1648.

[19] Nathasitsophon Y, Auephanwiriyakul S, Theera-Umpon N. Fall detection algorithm using linear prediction model [C] //2013 IEEE International Symposium on Industrial Electronics. Taipei: IEEE, 2013: 1-6.

[20] Tong Lina, Song Quanjun, Ge Yunjian, et al. HMM-based human fall detection and prediction method using tri-axial accelerometer [J]. IEEE Sensors Journal, 2013, 13(5): 1849-1856.

[21] He Jin, Li Huanming, Tan Jindong. Real-time daily activity classification with wireless sensor networks using hidden markov model [C] //29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Lyon: IEEE, 2007: 3192-3195.

[22] 盧先領(lǐng), 王洪斌, 王瑩瑩, 等. 一種基于加速度傳感器的人體跌倒識(shí)別方法 [J]. 計(jì)算機(jī)應(yīng)用研究, 2013, 30(4): 1109-1111.

[23] 佟麗娜, 宋全軍, 葛運(yùn)建. 基于時(shí)序分析的人體摔倒預(yù)測(cè)方法 [J]. 模式識(shí)別與人工智能, 2012, 25(2): 273-279.

[24] Rabiner LR, Juang BH. An introduction to hidden Markov models [J]. IEEE ASSP Magazine, 1986, 3(1): 4-16.

A Detection Method for the Fall Behavior of Elders Based on Hidden Markov Model

Cao Huiqiang1Lin Chungchih2Wu Shuicai1*

1(CollegeofLifeScienceandBio-engineering,BeijingUniversityofTechnology,Beijing100124，China)2(DepartmentofComputerScienceandInformationEngineering,ChangGungUniversity,Taoyuan33302,Taiwan,China)

As the social aging process quickened, the demand to care the elderly′s health and safety is increasing. The fall in the elderly population is a very common phenomenon; it has been a major health risk that diminishes the quality of life among the elderly people. In this paper, we proposed a new method using acceleration observation series to build a hidden Markov model (HMM)to detect the fall behavior. The method extracted acceleration characteristic time series from human fall course to describe the fall process, and used the acceleration characteristic time series to train HMM in order to build a random process mathematical model. The 300 samples of experimental data from 10 volunteers were obtained, and 5-fold cross-validation was used to estimate the model. Results showed that the accuracy of the method was 98.2%, the sensitivity was 91.3%, and the specificity was 99.6%, showing that the proposed method gets good result in detecting fall events.

fall detection; acceleration time series; hidden Markov model

10.3969/j.issn.0258-8021. 2017. 02.006

2016-04-18， 錄用日期:2016-12-31

國(guó)家自然科學(xué)基金(71661167001)；臺(tái)灣科技部科技研究項(xiàng)目(MOST 104-2218-E-182-005-MY3)

R318

A

0258-8021(2017) 02-0165-07

*通信作者(Corresponding author)，E-mail: wushuicai@bjut.edu.cn