基于噪聲嵌入的跌倒檢測系統設計*

李仲年，臧春華,楊 剛，項 嶸

（南京航空航天大學電子與信息工程學院，南京211106）

基于噪聲嵌入的跌倒檢測系統設計*

李仲年，臧春華,楊 剛，項 嶸

（南京航空航天大學電子與信息工程學院，南京211106）

跌倒會對老人健康產生大的傷害，因此跌倒檢測系統的重要性日益凸顯。針對老人跌倒的復雜運動場景和噪聲數據含有的大量有用信息，提出了一種噪聲嵌入的跌倒檢測系統。系統使用3D加速度傳感器采集運動的加速度數據，分別對數據進行跌倒標注和噪聲強度標注，然后對數據進行特征提取。使用特征和標注信息分別訓練噪聲強度分類和跌倒檢測分類器，最終使用訓練好的兩個分類器實現跌倒檢測。數據采集傳感器設計為可穿戴設備，使用Zigbee進行組網，服務器端使用Java編寫一個服務器程序，實現了對數據的分析與處理。實驗結果表明系統能滿足老年人日常生活中的需求，對一些意外跌倒能夠給予及時的檢測與報警。

噪聲嵌入；跌倒檢測；模式識別；支持向量機；主成份分析；特征提取

1 引言

近年來，隨著物聯網技術的發展，可穿戴設備[1]能夠提供一些人的基本運動數據，一般包括運動量和心率等[2]，但這些基本的運動數據都無法很好滿足老年人的一些特殊需求，例如跌倒檢測，因此在基本數據的基礎上進行深入處理成為跌倒檢測的一種發展方向。在基本數據的基礎上跌倒檢測又可以分為基于設立閾值的跌倒檢測和基于模式識別的跌倒檢測[3]。其中基于模式識別[4]的跌倒檢測更適應復雜的跌倒場景，應用更加廣泛。一般的基于模式識別的跌倒檢測都是將特征向量直接放入分類器進行最終檢測，忽略了具有不同標簽的相似數據所含有的噪聲信息，因此影響檢測的準確率。

基于模式識別的跌倒檢測技術，提出了噪聲嵌入（NE）的跌倒檢測系統，該系統利用特征預先實現噪聲分類，然后將噪聲分類信息加入到另一個分類器實現噪聲嵌入，最后進行跌倒檢測，有效利用了噪聲信息，提高了跌倒檢測準確率。

2 基于N E的跌倒檢測算法

2.1 基于模式識別的跌倒檢測原理

基于模式識別的跌倒檢測原理就是依靠可穿戴設備獲取來的基本數據，對數據進行后續處理，例如進行特征提取和特征選擇，選擇合適的特征然后將特征放入分類器進行學習，學習出能夠進行跌倒檢測的分類器，然后用分類器進行跌倒檢測。

2.2 基于N E的跌倒檢測原理

目前基于模式識別的跌倒檢測其分類器一般采用的算法有K近鄰（KNN）[5]，支持向量機（SVM）[6]，樸素貝葉斯[7]等。由于人體運動的情況復雜，很多運動數據與跌倒類似，然而這些非跌倒的數據一般被看作噪聲數據，目前的方法往往忽略噪聲數據直接進行跌倒檢測，噪聲數據中含有大量近似跌倒的信息，這種情況下很容易將非跌倒判定為跌倒，從而影響跌倒判斷的準確率。

為此，提出了基于NE的跌倒檢測算法，將噪聲數據使用一個多分類的分類器進行分類之后嵌入到特征向量中實現跌倒檢測，這充分利用了數據中的噪聲信息。該方法的實現不僅需要進行正確的樣本標注，而且需要進行噪聲標注。噪聲標注就是在獲取傳感器數據時標注這種噪聲的強度，本算法規定運動越近似跌倒，噪聲越大即其標簽值越大。

NE算法使用兩個分類器先后進行噪聲的識別與跌倒檢測。先利用KNN識別出噪聲類別，再將噪聲類別嵌入特征向量中使用SVM算法檢測是否跌倒。算法的數據流向框圖如圖1所示。

圖1 NE算法數據流向圖

在特征提取方面，選擇主成份分析（PCA）[8]作為特征提取的方法，PCA是目前模式識別的特征提取中效果比較出色的一種特征提取方法，該方法在提取特征的同時進行數據壓縮與降噪。

具體來說，x為輸入傳感器采集的數據向量，即??R ，求取x的自相關矩陣?R ? E???,將R做特征值分解，得到特征值 ?,i ?1,2,...,m，m，對 ?i進行歸一化，即 ，將 ?i從大到小依次排序，選擇?中最大的 個值對應的特征向量為基向量構造投影子空間V???v ,v ,..,v?，將任一目標數據x對投影子空間投影?xx Vx，可得到表征該目標的數據i 維特征向量 xx?。

經過實驗論證，KNN在噪聲強度標記方面效果較好，噪聲識別使用KNN來實現，KNN算法直觀且容易實現多類別分類。KNN算法的原理為給定一個訓練樣本集，對于輸入的數據實例，在訓練集中找到與該實例最近的k個實例，這k個實例多數屬于某個類，就把這個實例輸入分為這個類。

SVM在解決分類問題方面較有優勢，跌倒檢測的識別算法選?用 SVM，假設有一組訓練?數據集??xi, yi?，其中 ??Rn是第i個訓練樣本，y i 為第i個樣本的標簽，SVM通過解決最優化問題見下。

獲得最優超平面。通過實驗數據發現，使用線性核函數的識別率很差，從而嘗試使用其他核函數。經過實驗，結果表明高斯核效果最好，故SVM的核函數我們選擇為高斯核，具體公式為：

高斯核有效提高了SVM的泛化能力，并且有效避免了維數災難，使用高斯核SVM的結構如圖2所示。

圖2 使用核函數的SVM結構圖

2.3 基于噪聲嵌入的跌倒檢測步驟

完整的噪聲嵌入跌倒檢測算法由學習與檢測兩部分組成。

2.3.1 學習部分步驟

（1）從傳感器讀入三軸加速度傳感器的數據，數據為三個軸的加速度值，因為傳感器的值在時間上是連續抽樣所得，所以必須對數據進行切分，用滑動窗口將數據進行分割;

（2）對數據進行整理，剔除明顯錯誤的數據，標記數據;

（3）對數據進行特征提取，這里采用的特征提取方法為主成份分析（PCA），得到特征向量；

（4）將所有特征向量進行歸一化[9]，歸一化公式為：

（5）用得到的特征向量和噪聲標注學習；

（6）將噪聲數據嵌入特征向量，本方案將分類出的噪聲放在特征的最后一位，學習跌倒檢測的分類器，分類器選擇為SVM。

2.3.2 檢測部分步驟：（1）將已經學習到的分類器移植到目標平臺;（2）使用滑動窗口實現數據分割，清洗數據；（3）將數據進行特征提取對提取完的數據進行歸一化；

（4）將歸一化的數據進行跌倒檢測，即將特征向量放入分類器中進行分類；

（5）對測出的跌倒行為進行報警。

3 系統設計

3.1 系統架構

跌倒檢測系統主要包括三部分，一部分是可穿戴模塊，負責人體運動數據的采集，包括一個三維加速度傳感器和一個無線發送模塊，這部分佩戴在身上；另一部分是路由節點，負責接收傳感器的數據，路由部分由無線模塊和MCU模塊組成負責將傳感器的數據傳輸到服務器；服務器部分對數據進行分析與計算，檢測是否發生跌倒。

3.2 數據流向架構

采集身體運動加速度數據之后將數據傳輸給路由器節點，這兩部分通過無線模塊進行通信，這里使用Zigbee模塊[10]作為無線傳輸模塊。路由器的數據通過USB與服務器進行數據通信。服務器由基于Windows7操作系統的PC構成，使用Java編寫一個服務器端程序，服務器對數據進行分割及特征提取和跌倒檢測。

圖3 數據流向架構圖

4 實驗結果及分析

通過實驗數據驗證本系統的檢測性能，并將本系統與KNN，樸素貝葉斯，SVM三種常用的跌倒檢測算法進行對比。實驗采用200組數據進行學習，表1前兩行給出了NE算法和KNN與SVM作為跌倒檢測算法的實驗結果。其中KNN和SVM分別是僅僅使用PCA做特征提取后的直接檢測，NE為做噪聲嵌入之后的跌倒檢測，實驗結果表明噪聲嵌入的算法提高了識別精度。表1后兩行給出了將KNN的噪聲提取算法換成多項邏輯斯蒂回歸[11]（MLR）時的實驗結果，KNN作為噪聲提取的算法精度比MLR要高。

表1 嗓聲嵌入算法與其他檢測準確率比較表

5 結束語

NE算法是將噪聲信息加入到檢測之中，實現對噪聲的感知，提高檢測跌倒的魯棒性。僅僅使用單分類器進行檢測往往忽略了噪聲，對非常接近跌倒的行為很容易被誤識別為跌倒，從而影響識別精度。NE算法可以理解為對數據做了一次有目的的特征提取，使用分類器，實現了非常有效的特征提取。NE算法先學習一個分類器，識別出里面的噪聲信息，并將識別出的信息作為輸入特征的一部分，有目的的使用數據中的噪聲，從而充分利用了數據信息，在不同環境下實現了檢測的魯棒性。

有效的特征提取是跌倒檢測準確率的關鍵，實驗結果表明有目的的使用噪聲信息提高了識別精度，充分利用了數據中不同部分的信息。

[1]Castillejo P,Martinez J F,Rodriguez-Molina J,et al.Integration of wearable devices in a wireless sensor network for an E-health application[J].IEEE Wireless Communications, 2013,20(4):38-49.

[2]Lara O D,Labrador M A.A Survey on Human Activity Recognition using Wearable Sensors[J].IEEE Communications Surveys&Tutorials,2013,15(3):1192-1209.

[3]Mubashir M,Shao L,Seed L.A survey on fall detection: Principles and approaches[J].Neurocomputing,2013,100 (2):144-152

[4]Burges C J C.A Tutorial on Support Vector Machines for Pattern Recognition[J].Data Mining&Knowledge Discovery, 1998,2(2):121-167.

[5]Aslam MW,Zhu Z,Nandi A K.Automatic modulation classification using combination of genetic programming and KNN[J].IEEE Transactions on Wireless Communications, 2012,11(11):2742-2750.

[6]Cortes C,Vapnik V.Support-Vector Networks[J].Machine Learning,1995,20(3):273-297.

[7]Bishop C M.Pattern Recognition and Machine Learning[M]. Springer,2006.

[8]Shlens J.A Tutorial on Principal Component Analysis[J]. Eprint Arxiv,2014,58(3):219-226.

[9]Y.LeCun,L.Bottou,G.Orr,and K.Muller,Efficient Backprop[J].Neural Networks:Tricks of the Trade,G.Orr and M. Klaus-Robert,eds.,Springer,1998.

[10]ZhengL.ZigBee Wireless Sensor Network in Industrial Applications[C].//SICE-ICASE,2006.International Joint Conference.2006:1067-1070.

[11]Milena Kuehnast,Valentin Wagner,Eugen Wassiliwizky, Thomas Jacobsen,Winfried Menninghaus.Being moved: linguistic representation and conceptual structure[J].Frontiers in Psychology,2014,5:1242-1242.

Design of Fall Detection System Based on Embedded Noise

Li Zhongnian,Zang Chunhua,Yang Gang,Xiang Rong
（College of Electronic and Information Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China）

Fall will be a great harm to the health of the elderly,so the importance of fall detection system has become increasingly prominent.A fall detection system based on noise embedded algorithm is proposed in this paper,since the old man fall movement is very complex and the noise data contains a large amount of useful information.The 3D acceleration sensor is used to collect the movement of accelerating data,the samples are labeled by intensity of fall and noise and extraction of feature is done on the data.The feature and label are used as train classifiers of fall detection and intensity of noise.At last the trained classifier is served to recognition of fall.The sensor of data acquisition is designed as a wearable device,using Zigbee for the network and Java for writing a program to process and analyze the data.The experimental results demonstrate that the system can meet the needs of the elderly in their daily lives,and some unexpected falls are able to be detected and alarmed timely.

Noise Embedding;Fall Detection;Pattern Recognition;Support Vector Machine; Principal Component Analysis;Feature Extraction

10.3969/j.issn.1002-2279.2017.02.017

TP391

A

1002-2279-（2017）02-0074-03

南京航空航天大學研究生創新基地（實驗室）開放基金（kfjj20150401）

李仲年（1990-），男，江蘇省徐州市人，碩士研究生，主研方向：模式識別。臧春華（1964-），男，副教授，主研方向：數字系統設計與計算機應用。

2016-09-06