基于ELM的人體跌倒預(yù)測算法

朱文輝，李偉，洪波

(黑龍江科技大學(xué) 電氣與控制工程學(xué)院，黑龍江哈爾濱，150022)

0 引言

根據(jù)第七次全國人口普查發(fā)布的數(shù)據(jù)，2020年末，中國的65歲及以上老年人口達(dá)到1.91億人，65歲及以上人口占13.5%[1]。隨著當(dāng)今社會老齡化的發(fā)展，老人問題也成為社會熱點問題。老人屬于易摔倒人群，在摔倒后很容易造成骨折等后果，其治療將會給家庭帶來嚴(yán)重的經(jīng)濟負(fù)擔(dān)[2]。并且因跌倒而導(dǎo)致死亡的比率高居前列。在不影響老人正常活動的前提下，通過科學(xué)的手段預(yù)測跌倒，并利用快速保護裝置觸發(fā)，起到保護老人跌倒預(yù)防受傷的情況[3]。目前，關(guān)于跌倒保護裝置的研究已經(jīng)成為了新的研究熱點之一。

至今為止，能夠提前預(yù)測老年人跌倒的算法并不太完善，目前通常使用跌倒預(yù)測方法為合加速度閾值法，該方法通過合成三相加速度或者角速度，然后設(shè)定合加速度的閾值來區(qū)分跌倒行動和正常運動[4]。該方法能快速檢測出結(jié)果并做出判斷，但是其準(zhǔn)確性與設(shè)定的閾值關(guān)聯(lián)性強，并且合加速度在跌倒保護裝置設(shè)計中的適用性差。因此需要設(shè)計一款人體跌倒保護裝置，能夠準(zhǔn)確的辨別跌倒行為，保護裝置快速的反應(yīng)動作，并且能夠具備很好的適用性。

1 特征提取

本文選用MPU6050芯片檢測人體活動加速度信號，MPU6050芯片是InvenSense公司生產(chǎn)的檢測人體姿態(tài)和重力加速度的傳感器[5]，該芯片具有便宜，適用性好等優(yōu)點，而且芯片包含了三軸加速度信號和三軸姿態(tài)角信號的獲取。為了更好的應(yīng)用于跌倒保護裝置，測試實驗選用了腰部，和大多數(shù)跌倒保護裝置相同的信號采集部位保持一致。因此，以腰部為坐標(biāo)原點O建立特征坐標(biāo)系。為更好的觀測加速度和姿態(tài)角的變化情況，分別按X，Y，Z建立三相加速度坐標(biāo)軸；按Pitch角，Roll角，Yaw角建立三向姿態(tài)角坐標(biāo)系。其中，Pitch角表示人體與上下豎直方向之間的偏移角；Roll角表示人體與左右側(cè)向水平方向的偏移角；Yaw表示人體前后水平方向的偏移角[6]。最終建立如圖1所示復(fù)合特征坐標(biāo)系。

圖1 坐標(biāo)軸定義

按照圖1所示方向安裝的MPU6050陀螺儀芯片，提取各個動作下的三相加速度和角速度的數(shù)值進行分析，發(fā)現(xiàn)正常行走、前向彎腰、側(cè)向彎腰等一般的正常行為與跌倒行為容易區(qū)分，就目前的加速度合成閾值法區(qū)分成功率也能夠達(dá)到100%，但是對于像后仰、坐下后仰以及坐下后躺等類跌倒行為與跌倒行為則不易區(qū)分，很容易造成跌倒誤預(yù)測。因此，選用多變量時序關(guān)聯(lián)分析法對采集的三軸加速度數(shù)據(jù)以及三軸陀螺儀數(shù)據(jù)進行初步處理，得到利用Pitch角和Roll角合成數(shù)值RP_delta和Pitch值以及Y方向和Z方向合成加速度AccYZ_delta和AccZ能夠很好的區(qū)分跌倒行為和正常行動[7]。其中RP_delta和AccYZ_delta的表達(dá)式如式（1）、（2）所示。

式中：Pitch，Roll——分別表示Pitch角和Roll角數(shù)值；

AccY，AccZ——分別表示Y方向和Z方向加速度。

通過測量分別得到后向跌倒、后仰、坐下后仰以及坐下后躺時，RP_delta和AccYZ_delta的數(shù)值變化如圖2、圖3所示。

圖2 坐下后仰和坐下后躺的多變量波形

圖3 向后跌倒的多變量波形

2 基于ELM的跌倒預(yù)測算法模型建立

2.1 數(shù)據(jù)預(yù)處理

本文選用時間序列如下所示

式中，X表示提取的三軸傳感器數(shù)據(jù)；

k——表示序列長度。

因此，可得每一時刻的特征值XsT，XsT由四列向量表示。XsT公式為

式中，x1，x2，x3，x4——分別表示 RP_delta、Pitch、AccYZ_delta和AccZ采樣數(shù)據(jù)。

接著，將數(shù)據(jù)進行標(biāo)準(zhǔn)化，利用式(5)對序列向量進行歸一化處理

由此得到歸一化序列XN為

2.2 基于ELM的跌倒預(yù)測算法

極限學(xué)習(xí)機（Extreme Learning Machine，ELM）是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)模型下的一種算法[8]。ELM算法的特點在保證學(xué)習(xí)精度的前提下比傳統(tǒng)的學(xué)習(xí)算法速度更快。本預(yù)測算法選取特征指標(biāo)為Pitch、RP_delta、AccYZ_delta和AccZ，另外將上一刻的ELM輸出結(jié)果作為第五個特征值輸入。其中基于ELM的跌倒預(yù)測算法流程圖如圖4所示。

如圖4所示，首先將預(yù)處理后的數(shù)據(jù)進行動作分割，本文采用滑動窗口的分割方法，對時間窗口長度以及移動步長進行設(shè)定，通過實驗發(fā)現(xiàn)時間窗口設(shè)定為20個采樣點，步長為5個采樣點時，訓(xùn)練效果最好。由于采樣芯片MPU6050采樣頻率為100Hz，因此采樣100s的數(shù)據(jù)信息，即采樣10000個數(shù)據(jù)信息，然后對10000個采樣點進行滑動窗口的分割，得到1996個數(shù)據(jù)集，其中正常行動有1328個，后向跌倒203個，坐下后仰235個，坐下后躺230個。接著將帶有標(biāo)簽的數(shù)據(jù)集導(dǎo)入ELM算法網(wǎng)絡(luò)中，利用50%的數(shù)據(jù)集進行訓(xùn)練，用訓(xùn)練后的模型對所有的數(shù)據(jù)集測試。

圖4 基于ELM的跌倒預(yù)測算法流程

通過實驗發(fā)現(xiàn)隱含層神經(jīng)元個數(shù)對于基于ELM的跌倒預(yù)測算法的預(yù)測準(zhǔn)確度有著極大的影響，因此，如圖5所示為選用不同神經(jīng)元數(shù)目的隱藏層，觀察對預(yù)測結(jié)果的影響。由圖5可知，當(dāng)隱含層神經(jīng)元個數(shù)為400時，基于ELM的跌倒預(yù)測最準(zhǔn)確，預(yù)測準(zhǔn)確度能達(dá)到99.7%。

圖5 ELM算法隱藏層對預(yù)測準(zhǔn)確性影響

因此，選取隱含層神經(jīng)元個數(shù)為400時，進行后續(xù)的測試實驗。通過基于ELM的跌倒預(yù)測算法模型得到的預(yù)測值與數(shù)據(jù)集實際值對比如表1所示。

表1 各個標(biāo)簽動作下的數(shù)據(jù)集個數(shù)

3 算法的驗證

3.1 算法特性分析

為了體現(xiàn)ELM跌倒預(yù)測算法的特性，本文引入Maso ud H等[9]提出的多指標(biāo)理論，其中指標(biāo)包括特異度（specificity）、靈敏度（sensitivity）、準(zhǔn)確度（accuracy）和精度（precision）等。在跌倒預(yù)測中，特異度表示為正常行為未誤判的比率；靈敏度表示為對跌倒行為正確預(yù)測的比率；準(zhǔn)確度表示為所有正確預(yù)測的比率；精度表示為正確預(yù)測跌倒行為占所有正確預(yù)測的比率。當(dāng)給定一組具有P個跌倒行為的數(shù)據(jù)和N個正常行為的數(shù)據(jù)，TP和TN分別定義為跌倒行為和正常行為的正確預(yù)測數(shù)量，而FP和FN分別定義為跌倒行為和正常行為的錯誤預(yù)測數(shù)量。因此，specificity、sensitivity、accuracy和precision的計算公式如下：

分別進行基于ELM的跌倒預(yù)測算法和合加速度閾值算法的實驗，通過多指標(biāo)進行對比。如圖6所示。

圖6 基于ELM的跌倒預(yù)測算法與傳統(tǒng)算法的四指標(biāo)對比

由圖6可知，合加速度閾值算法僅僅在靈敏度方面略優(yōu)于基于ELM的算法，兩種算法在精度方面基本一致，而在特異度方面，基于ELM的跌倒預(yù)測算法明顯優(yōu)于合加速度閾值算法2%左右，跌倒預(yù)測準(zhǔn)確度更是能達(dá)到97.6%。因此，基于ELM的跌倒預(yù)測算法能夠很好的替代傳統(tǒng)的合加速度閾值算法完成跌倒預(yù)測。

3.2 算法快速性分析

本文提出的基于ELM的跌倒預(yù)測算法旨在更好的應(yīng)用于跌倒保護裝置，為了滿足跌倒行為出現(xiàn)就能夠及時的輸出跌倒判定信號，所以算法的快速性需要進行分析。

由于實驗選取的采樣芯片的采樣頻率為10Hz，并且選取的滑動窗口長度為20個采樣點，因此每個標(biāo)簽數(shù)據(jù)集的時間長度為0.2s。當(dāng)穿戴上跌倒保護裝置時，時間采樣窗口實時傳輸出人體姿態(tài)信號。根據(jù)研究顯示，人體在跌倒過程中持續(xù)時間大約為0.8s左右，在此期間，跌倒保護裝置需要完成跌倒預(yù)測、信號處理和氣囊展開等步驟。其中，信號處理歸咎于核心處理器的功能，一般在0.1s內(nèi)能夠完成，氣囊需要引爆展開，現(xiàn)有的高速氣囊展開時間約在0.1s左右，而本文提出的跌倒預(yù)測算法預(yù)測跌倒時間在0.2s左右，整體時間能夠滿足跌倒保護裝置的設(shè)計。即基于ELM的跌倒預(yù)測算法能夠滿足快速性要求。

4 結(jié)束語

本文根據(jù)跌倒預(yù)測保護裝置設(shè)計了一種基于ELM的跌倒預(yù)測方法，通過傳感器提取人體行為三軸信號，通過多變量關(guān)聯(lián)分析獲取了特征值，依據(jù)信號處理方法對提取特征值進行預(yù)處理，結(jié)合滑動窗口數(shù)據(jù)以及ELM算法提出了基于ELM的跌倒預(yù)測算法。通過多指標(biāo)理論分析了基于ELM的跌倒預(yù)測算法，得出該算法較于傳統(tǒng)的合加速度閾值算法具備了更好的準(zhǔn)確性等，并且滿足跌倒保護裝置設(shè)計的快速性要求，為后續(xù)設(shè)計跌倒保護裝置提供了有效的保障。