基于深度學習的人體行為檢測系統設計

文/丁紅 饒萬賢

人體行為是人類生活的重要組成部分。摔倒已成為我國人員傷亡的第四大因素，意外摔倒則對人類的健康產生重要威脅。據不完全統計，約有一部分人從意外摔倒中受到的傷害導致其殘疾，甚至死亡，其中老年人占60%。因此，研究人類行為檢測算法，對縮短摔倒救助時間、提高安全保障，促進社會穩定具有重要意義。目前，研究開發人體摔倒檢測系統方面的技術有多種，最常見的是圖像分析和加速度分析。前者是基于視頻圖像分析的摔倒自動檢測系統，這種技術準確性高，人體動作清晰可見，但需要多部攝像機同時工作，容易暴露用戶隱私。后者主要基于微機電系統(Micro-Εlectromechanical System，MΕMS)傳 感 器。目前國內一些基于MΕMS技術的行為檢測，大多計算量較大、價格昂貴，難以推廣。本工作提出的基于深度學習的人體行為檢測系統，基于樹莓派開發版，搭載加速度傳感器ADXL345，用小波降噪技術對加速度信號進行自適應的小波閾值降噪，再使用PCA主成份分析技術對降噪后的數據進行降維，使用DBN深度神經網絡對降維后的數據進行訓練，最后將訓練模型用于檢測即時的人體行為狀態。本系統具有對人體行為檢測精確度高，對摔倒等行為及時發出報警信號，使特殊群體及時獲得救助等特點。

圖1：摔倒、跑步、走路加速度變化圖

1 人體行為采集數據及分析

本工作采用基于樹莓派的三軸加速度傳感器采集人體行為的加速度信號。每個采集器里包含兩個平行放置的三軸加速度傳感器，目的是防止其中一個傳感器數據丟失。在采集過程中，加速度傳感器分別放置在采集者的腰帶、褲子口袋、上衣口袋位置。加速度傳感器產生的數據是以時間為自變量的數據，包括X軸的數據（實線波形），Y軸的數據（虛線波形），和Z軸的數據（點狀波形）。不同行為狀態的原始數據樣本如圖1所示。

圖1中，橫軸0～70代表摔倒時的加速度變化，橫軸80～120代表跑步時的加速度變化，橫軸130～170代表走路時的加速度變化。

數據分析顯示，不同行為狀態的加速度數據具有不同的波形圖。可以以此對人體行為狀態進行識別。

2 主要算法

2.1 自適應閾值的小波域降噪算法

本工作采用自適應閾值的小波全頻域降噪算法對三軸加速度傳感器數據進行降噪。首先基于小波去相關識別采集信號的噪聲類型，然后根據識別的噪聲進行自適應閾值的小波全頻域降噪。具體過程如下：使用MATLAB小波工具箱，采用對上述采集信號做小波變換，設定閾值，清除所有大于閾值的小波系數，保留所有小于閾值的小波系數；最后采用小波逆變換重構生成經小波去除相關后的生成的估計的噪聲信號。通過求出估計噪聲的自相關系數，識別出采集數據所包含的噪聲類型主要為白噪聲。自相關系數計算公式如下：

圖2：本工作采用的DBN深度信念網絡結構圖

其中，{ρk，k=1,2,…,m}是序列自相關系數，當N充分大后，和都近似服從 x2(m)分布。給定顯著水平α，查自由度為F(m,m)分布表，得到臨界值Fα，當實際計算結果>Fα時，則否定原假設。具體過程詳見文獻[9]。

2.2 基于DBN深度信念網絡的人體行為預測算法

圖3：人體行為檢測流程圖

DBN深度信念網絡由若干層受限玻爾茲曼機（RBM）構成。即將若干個RBM“串聯”起來則構成了一個DBN，上一個RBM的輸出即為下一個RBM的輸入。訓練過程中，需要充分訓練上一層的RBM后才能訓練當前層的RBM，直至最后一層。本工作采用的DBN網絡，由1個輸入層，3個隱含層（即3個RBM）及1個輸出層組成，每個隱含層包含100個神經元。

本工作采用的DBN深度神經網絡結構圖如圖2所示。

在人體行為識別任務中，每組輸入3*100*1列（三軸加速度傳感器ADXL345以50Hz的頻率采集2秒的數據），采用主成份分析對數據進行降維至100列，輸出為5個類別：行走、靜止、快跑、慢跑以及摔倒等。本工作采用9000組人體行為數據進行訓練，測試集為100組（2秒，即每一個人體行為的識別時長約2秒）行為數據。DBN主要參數設置如下：學習速率為0.9，動量因子為0.1，最大訓練次數20，每批次的訓練樣本數為100組。測試過程中，如果檢測出摔倒行為，系統進行報警。具體行為識別過程如圖3所示。

3 系統實現

圖4：人體行為檢測系統總體設計框架圖

本系統由樹莓派、ADXL345加速度傳感器、TDA2030功放模塊等硬件，以及Android Things物聯網操作系統、檢測算法、服務器云平臺等軟硬件共同構成。在樹莓派硬件上，使用ADXL345三軸加速度傳感器采集用戶的運動狀態數據。將采集的數據經過小波降噪、降維后輸入到DBN網絡進行訓練。再對檢測數據進行識別，如出現摔倒行為即發出警報，同時把信息同步到云服務器，由Web應用短信通知用戶親屬。系統總體設計框架如圖4所示。

ADXL加速度傳感器與樹莓派的連接方式為：ADXL的5V連接樹莓派的5V，GND連接樹莓派的GND，SCL連接樹莓派的SCL.1，SDA連接樹莓派的另一個SDA.1引腳。由于樹莓派的音頻輸出口為3.5mm接口，需使用功放模塊來增大它的音頻輸出，通過揚聲器來播放報警聲音。

4 實驗結果及結論

為了測試系統的性能，我們重點對摔倒行為的檢測。將設備放在胸口、腰間、胯部進行了仰摔、側摔、跑步、行走測試100組，檢測出摔倒行為的有效率為99%。同時我們將設備做自由落體運動和做平拋運動，系統并未檢測出摔倒行為。即系統能有效識別假摔。

本工作研究設計了基于深度學習的人體行為檢測系統，通過基于樹莓派的三軸加速度傳感器采集人體行為數據，再利用深度神經網絡對于數據進行訓練，進而有效識別即時的人體行為狀態。本系統設計成本低廉，且有助于社會的特殊群體如老年人、病人的看護等工作，對構建合協社會具有積極意義。