基于PSO-GRNN的行人跌倒檢測方法*

劉善良王曉原王瀚卿劉亞奇

（1.青島科技大學機電工程學院 青島 266000）（2.青島科技大學智能綠色制造技術與裝備協同創新中心 青島 266000）

1 引言

隨著社會和經濟的發展，人口預期壽命延長，老年人數量增加，人口老齡化成為必然的趨勢。老年人自身的安全防護意識不足，加之身體機能衰退，使得老年人成為跌倒行為的易發群體，跌倒是造成65歲以上老年人意外傷害和死亡的主要原因［1］。因此，跌倒的準確檢測，及時的報警并救治可挽回老年人生命，避免老年人因跌倒死亡。

跌倒是指突發的、不自主的、非故意的身體位置改變，身體倒在地上或更低的平面［2］，如圖1所示。在人體跌倒檢測研究中，根據安裝在系統中的傳感器的類型，將跌倒檢測方法分為基于視覺的跌倒檢測方法［3～4］、基于環境的跌倒檢測方法［5～6］和基于穿戴設備的跌倒檢測方法［7～8］。基于穿戴設備的跌倒檢測方法依靠傳感器測量來區分跌倒和ADLs［9］，最常用的傳感器有加速度計、陀螺儀、磁力儀和傾斜儀［10～11］。但目前已有的基于穿戴設備對跌倒行為辨識的確率不高。

本研究使用十軸姿態傳感器采集行人跌倒和ADLs的腰部數據，選擇加速度、角速度和高度作為特征參數，提出基于PSO-GRNN的跌倒檢測方法有效提升辨識的準確率。通過Matlab對模型進行了驗證，結果表明：基于PSO-GRNN的跌倒檢測方法辨識精度較高，穩定性好。

2 數據采集及處理

本文使用十軸姿態傳感器（JY901B）采集運動數據。將傳感器佩戴于被測者腰部，采集被測者跌倒和ADLs行為的姿態數據。

2.1 實驗設計

人體跌倒時，身體處于加速狀態，加速度、角度、角速度和高度變化明顯。本研究選擇三軸加速度、三軸角速度、高度作為特征參數。腰部是人體力量的中心，且腰部的加速度計的跌倒檢測精度更高［12］。因此，本研究以腰部為坐標原點，以正前方為Z軸正方向，根據右手法則，建立笛卡爾坐標系，如圖2所示。傳感器佩戴位置，如圖3所示。

圖3 實驗設備佩戴圖

將跌倒分為前側、左側、右側、后側跌倒；將ADLs分為類跌倒行為和正常行為，其中類跌倒行為包括跳躍、下蹲、上下樓梯等，這些行為在一定程度上影響跌倒檢測；正常行為包括行走、跑、坐-躺、站-坐，這些行為與跌倒差異較大。

使用傳感器采集行人跌倒和ADLs的三軸加速度（ax，ay，az）、三軸角速度（ωx，ωy，ωz）和高度（h）數據。招募40名大學生進行實驗，并給與一定報酬。其中女性10人，160cm及以下5人。在地面放置4張90cm*200cm*1.5cm的瑜伽墊，參與者佩戴護膝，防止受傷。每位被測者重復20組各類型跌倒，10組各類型的ADLs。

2.2 數據處理

根據所采集的人體運動的三軸加速度、三軸角速度和高度，求解合加速度、合角速度和高度變化量，公式如下：

1）合加速度

2）合角速度

3）高度變化

在數據集中，4種跌倒和3種類跌倒行為各選擇20個連續的數據點；6種正常行為各選擇10個連續的數據點，組合形成人體不同動作數據特征圖，如圖4所示。

圖4 人體不同動作數據特征

圖4（a）為人體各運動的加速度變化圖，圖4（b）為人體各運動的角速度變化圖，圖4（c）為人體各運動的高度變化圖。

在實驗數據集中，選取200組特征數據點創建數據集。其中160組作為訓練數據集XA，40組作為測試數據集XB，同時建立對應的標簽數據YA、YB。訓練集和測試集中各行為類型對應的數據個數，如表1所示。

表1 各行為樣本數量表

3 PSO-GRNN跌倒辨識模型的構建方法

3.1 GRNN原理

GRNN［13］由輸入層、模式層、求和層和輸出層構成，如圖5所示。

圖5 GRNN網絡結構圖

1）輸入層

選擇合加速度ai、合角速度ωi和高度?i為特征參數，對應網絡輸入

2）模式層神經元傳遞函數

式中，σ為光滑因子。

3）求和層

式中：yij為第i個輸出Yi中的第j個元素。

4）輸出層

3.2 PSO算法

PSO算法［14］通過粒子調整自己的位置來搜索最優解。粒子的最優解記為pbest，粒子群的最優解記為gbest。粒子的速度為vi，粒子的位置為zi，每個粒子根據下式更新自己的速度和位置。

式中，vi(t+1)表示第i個粒子在t+1次迭代的速度，ω為慣性權重，c1和c2為加速度因子，r1和r2為[0,1]間的隨機數。

3.3 PSO-GRNN模型

通過粒子群算法尋優，找到最優光滑因子，構建PSO-GRNN神經網絡模型［15］。導入XA、XB和標簽數據YA、YB，進行模型訓練和測試，步驟如圖6所示。

圖6 PSO優化GRNN網絡的基本框架圖

1）初始化種群及粒子的速度和位置，設置粒子群算法的基本參數。

2）將粒子位置映射到GRNN網絡中：以gbest為光滑因子spread，構建GRNN網絡模型：net=newgrnn(P,T,spread)。P為神經網絡的輸入，T為神經網絡的輸出。

3）訓練GRNN，并計算粒子所在位置的適應度值。適應度表示為輸出值和實際值的均方根誤差，計算公式如下：

式中：為中的第i組數據對應的標簽，yA為網絡實際輸出。

4）更新pbest、gbest，若適應度優于之前的最優適應度，則更新pbest、gbest。

5）根據式（9）和式（10）對粒子的當前位置和速度進行更新和調整。

6）判斷是否達到最大迭代次數，如果達到則保存最優GRNN模型，并進行模型的測試，如沒有則返回2）。

4 模型驗證與對比

本研究使用Matlab對構建的PSO-GRNN跌倒檢測模型進行訓練和驗證。最后，選擇支持向量機模型和BP神經網絡模型進行對比實驗。

4.1 PSO-GRNN模型的訓練和測試

1）模型的訓練

（1）設置PSO算法基本參數，如圖7所示。將粒子位置映射到網絡，并將XA及YA導入網絡。為防止盲目搜索，將粒子位置和速度限制在

圖7 模型參數設置圖

（2）通過訓練，在迭代至第121次時達到最優位置92.948；在迭代至第146次時達到最優適應度值0.0038。如圖8所示。

圖8 模型訓練結果圖

2）模型的測試

（1）將XB和YB導入網絡，進行網絡測試。重復20次測試，其中一組測試結果如圖9所示，其中輸出值為1表示行人跌倒；輸出值為0表示行人未跌倒。圖9中，第1和10組數據測試值與實際值差異較大，可確定為辨識錯誤；第25和36組數據的測試值與實際值存在可接受誤差，故不屬于辨識錯誤。

圖9 訓練結果圖

經過測試，目標精度為0.005的情況下，平均正確率為0.95。

（2）為了驗證粒子群參數對PSO-GRNN網絡預測結果的影響，更改粒子Vmax、Vmin，c1、c2對跌倒行為進行預測，平均預測結果如表2所示。由表2可知，在PSO-GRNN跌倒檢測的模型中，當粒子速度在[- 20,20]時，c1=c2=0.75時，跌倒檢測的平均正確率最高，效果最好，誤差最低。

表2 不同粒子群參數下的預測結果

（3）在除XA和XB外的實驗數據中，提取前側、右側、左側、后側跌倒數據各50組，構建新測試數據集，導入訓練好的模型中測試，結果如圖10所示。

圖10 各類型跌倒辨識的正確率

由圖10可得，PSO-GRNN模型對各類跌倒的辨識正確率分別為前側96%；右側98%；后側98%；左側僅為92%。初步分析出現這種現象可能是，實驗時率先進行的左側跌倒，被測者在跌倒時可能有一些防備，導致跌倒的數據出現偏差。

4.2 對比實驗

為驗證PSO-GRNN的優越性，將XA、YA、XB、YB導入支持向量機（SVM）［16］和BP神經網絡（BPNN）檢測模型進行對比。

1）SVM跌倒檢測模型

選擇徑向基函數作為核函數，經過多次訓練和測試，結果如圖11所示。由圖可知，出現3組辨識錯誤，最終得到SVM對跌倒行為的檢測正確率為92.5%。

圖11 SVM模型跌倒測試結果

2）BPNN跌倒檢測模型

選擇擬牛頓法訓練BPNN，最大訓練次數為1000次，訓練精度（goal）分別為10-1、10-2、10-3、10-4、10-5，學習率（lr）選擇0.1、0.2，跌倒行為預測的正確率（RBP），如表3所示。

表3 BP神經網絡預測效果

由表3可知，經過參數的調整優化，BPNN模型檢測的準確率為92.25%，但學習速度慢，容易陷入局部極小值。

通過上述對比實驗，相比于SVM和BPNN模型，PSO-GRNN模型尋優過程簡單，精確率高，穩定性好。

5 結語

本文提出一種基于粒子群優化廣義神經網絡的跌倒檢測方法。通過采集人體腰部的三軸加速度、三軸角速度和高度數據，分析行人跌倒的特征。構建PSO-GRNN跌倒檢測模型，通過Matlab對模型進行訓練和測試。結果表明：該模型能有效地識別出行人跌倒行為。在目標精度為0.005情況下，平均準確率能夠達到了95%。未來工作可以對行人類型進行細致的劃分，通過對不同類型的行人跌倒行為進行分析，可以更加深入研究行人跌倒的規律，進一步優化檢測模型。