失智老人徘徊行為識別算法

呂非非 魯衛華 崔震

基金項目：2017年度北京市重點研發項目（D17110600820000）

第一作者簡介：呂非非（1987-），女，碩士。研究方向為智慧養老。

DOI：10.19981/j.CN23-1581/G3.2024.13.015

摘? 要：為檢測失智老人的徘徊行為，實現智能看護，該文提出基于超寬帶（Ultra Wide Band，UWB）運動軌跡的兩階段多粒度室內徘徊行為模式檢測算法框架。該算法框架第一階段對老人的運動軌跡進行初篩，判定是否為徘徊行為，第二階段對徘徊的模式進行細粒度分類，確定是哪種具體的徘徊模式（環形、往返、環形-往返、環形-往返-環形）。對2階段分別進行對比實驗，第一階段對比1D-CNN、LSTM、LR算法，1D-CNN算法效果最好，精確率96.1%，召回率94.3%；第二階段對比LR算法、XGBoost、LightGBM和2D-CNN算法，XGBoost算法效果最好，平均準確率97.24%，平均召回率97.18%。實驗結果表明，該文提出的徘徊檢測算法框架能夠對失智老人的徘徊行為進行有效的識別。

關鍵詞：徘徊行為；UWB軌跡；CNN；XGBoost；失智老人

中圖分類號：TP391.4? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）13-0060-04

Abstract： In order to detect the wandering behavior of the elderly people with dementia and realize intelligent nursing， a two-stage multi-granularity indoor wandering behavior pattern detection algorithm framework based on UWB （Ultra Wide Band） motion trajectory is proposed. In the first stage of the algorithm framework， the motion trajectory of the elderly is screened to determine whether it is wandering behavior， and in the second stage， fine-grained classification is carried out to determine which specific wandering mode （ring， round-trip， ring-round， and ring-round-round）. Comparing the two stages， in the first stage， comparing 1D-CNN， LSTM and LR algorithms， 1D-CNN is the best， with an accuracy of 96.1% and a recall rate of 94.3%. In the second stage， compared with LR， XGBoost， LightGBM， and 2D-CNN algorithms， XGBoost has the best effect， with a Macro-Precision of 97.24% and a Macro-Recall rate of 97.18%. The experimental results show that the proposed wandering detection algorithm framework can effectively identify the wandering behavior of the elderly people with dementia.

Keywords： wandering behavior; UWB trajectory; CNN; XGBoost; elderly people with dementia

徘徊行為是阿爾茨海默病患者最難以管理的精神行為癥狀之一，癡呆患者5年臨床記錄研究[1]發現徘徊是最早的癥狀，徘徊行為嚴重影響老年人的身心健康和生活質量，不僅給患者、家庭帶來極大的痛苦與折磨，也給照護者帶來了極大的挑戰。因此，通過技術手段，自動識別徘徊行為，實時監測徘徊行為，對提高失智患者的生活質量，減輕照護負擔等方面意義重大。

Abdulrahman等[2]將徘徊行為看作一種異常行為，提出了一種時空卷積神經網絡，利用GPS記錄老人的運動軌跡，對歷史軌跡進行卷積，預測老年人下一時刻將訪問的地點。Lin等[3]通過搜索運動方向的急劇變化及他們的GPS軌跡來確定認知障礙患者是否在徘徊。Khaertdinov等[4]通過使用機器學習方法骨骼軌跡分析，建立分類任務，對室內徘徊行為進行識別。Munkhjargal等[5]提出在家中使用紅外運動傳感器來檢測癡呆患者的徘徊行為。Elham等[6]提出了一種協作學習方法，通過對比健康人與認知障礙患者的循環行為數據，來學習和檢測智能家居中的徘徊行為。

在養老院失智樓層對失智老人的UWB軌跡進行連續采集和觀測，對軌跡模式進行評估，觀察到4種徘徊模式，分別為環形模式、往返模式、環形-往返模式和環形-往返-環形模式。本文提出了基于UWB運動軌跡的兩階段多粒度室內徘徊行為模式識別算法框架，用于識別這4種模式。主要貢獻如下所述。

第一，使用失智老年患者的UWB軌跡，確定了4種徘徊模式及失智老人室內徘徊識別問題。

第二，提出了一種徘徊識別算法框架，將徘徊行為識別，劃分為2個階段，第一階段判定老人的運動軌跡是否為徘徊，第二階段對徘徊軌跡進行細粒度分類。

第三，在一組真實的數據集上分別評估了算法2個階段的效果，實驗表明，2個階段均獲得了較高的準確率和召回率。

1? 方法

1.1? 徘徊模式

本文使用UWB室內定位技術，采集養老機構失智老人運動軌跡數據，通過觀察失智老人徘徊軌跡情況并結合建筑設計需求，提出4種徘徊模式，包括環形模式、往返模式、環形-往返模式和環形-往返-環形模式。

1.2? 模型概述

為了對上述4種徘徊模式進行識別，本文提出了基于UWB運動軌跡的兩階段多粒度室內徘徊行為模式識別算法框架，整體結構圖如圖1所示。首先，對采集的軌跡數據進行預處理和特征抽取；其次，使用軌跡的運動特征進行第一階段徘徊初篩模型訓練和評估，通過對比，LR邏輯回歸算法、一維卷積神經網絡（1D Convolutional Neural Network，1D-CNN）、長短期記憶網絡（Long Short-Term Memory，LSTM）3種方法，選擇效果最優方法。對判定徘徊的運動軌跡進行第二個階段徘徊，即進行細粒度分類，通過對比二維卷積神經網絡卷積神經網絡（2D Convolutional Neural Network，2D-CNN）、極致梯度提升樹（eXtreme Gradient Boosting，XGBoost）、LightGBM（Light Gradient Boosting Machine）和LR邏輯回歸算法4種方法，選擇效果最優的方法。

1.3? UWB軌跡預處理

原始室內定位軌跡數據具有采樣不規則、異常點多、離群點多等特點，針對這些特點對UWB軌跡進行預處理。

1.3.1? 重采樣

UWB軌跡的時間采樣為210～220 ms不規則采樣，導致多人行為的時間無法對齊，不利于后續數據處理，因此，采用插值方式進行1 s重采樣，在不影響識別精度的前提下，減小了計算量。

1.3.2? 異常點及離群點剔除

由于網絡延遲、數據丟包等原因，原始室內軌跡點有較多的Null異常空值及離群點位，因此，本文開發了基于速度的啟發式異常點和噪聲點檢測和消除方法，基本步驟如下：第一步，根據老人的軌跡粗略地計算每個老人的運動速度，確定速度最大值；第二步，計算一個點到下一個鄰近點的速度，如果速度超過閾值，則判定為異常點。

1.4? 特征抽取

本文根據軌跡的運動特征及形態特征對軌跡進行分類，其中運動特征側重于判定軌跡是否為徘徊，形態特征側重于判定軌跡的類別。

1.4.1? 運動特征

運動特征是指軌跡運動狀態的特征。室內定位老人行為軌跡可表示為一個點序列trj=，Pi為第i個點，表示為（xi，yi，ti），其中，xi為第i個點的橫坐標，yi為縱坐標，ti為第i個點的時間戳。利用下列公式可以計算出速度vi、加速度ai、曲率si。曲率（sinuosity）為兩點之間的移動距離與兩點之間的直線距離之比，可揭示路徑的彎曲度。

，

式中：dist（Pi，Pi+1）為Pi和Pi+1之間的歐式距離；？駐t為i+1時刻和i時刻的時間間隔。

上述運動特征僅能指示當前的運動狀態，針對徘徊行為的各種行為指示能力較差。因此，引入方向和轉角定義。方向是連續采樣點之間的移動方向，其用方向和基本方向（如北）之間的夾角來表示；轉角可通過計算連續方向之間的差異而得到。

turnAngi=|directi+1-directi|，

式中：direct為方向；turnAng為轉角。

1.4.2? 形態特征

由于老人行動通常較為緩慢，只根據基于速度及運動距離的行為識別方法會造成誤檢，因此，引入了軌跡掃描網格化分析方法，即用b×b大小的網格分割目標軌跡。網格的大小會影響系統有效方格的統計量結果，b值確定需要對目標活動范圍進行合理設置。網格以坐標形式表示，每個網格用坐標（u，v）標記，將軌跡上的點（x，y）映射到網格的轉換公式為

u=x/b，v=y/b。

利用網格化后的形態特征包括：nu，v表示落入網格（u，v）的軌跡點數量，體現了軌跡的重疊程度；nvalid表示nu，v>0的網格數，即有效網格數；nu，v>i表示有效網格中計數大于i的網格數，其中i=1，2，3，強調重疊程度較高軌跡情況，確定目標可疑徘徊區域；s為軌跡的近似面積，該特征可以估計整體占比大小；ncenter表示中心點附近3×3區域內非有效網格數量，該特征用于判斷軌跡形狀；l表示軌跡總長。

1.5? 軌跡初篩模型

初篩模型主要研究軌跡徘徊運動狀態，因此利用運動特征進行判定老人是否在徘徊，對應的時序特征分類模型比較典型的有HMM、CRF、LSTM、1D-CNN，本文采用LSTM與1D-CNN模型進行研究。由于1D-CNN和LSTM輸入數據必須是固定長度的序列，因此，將軌跡切分成固定軌跡片段，這里設定為150 s，選用速度vi、加速度ai、曲率si、方向directi和轉角turnAngi 5種特征作為輸入。

1.5.1? 1D-CNN

卷積神經網絡（CNN）是一種前饋型神經網絡，除輸入層、輸出層之外主要包含卷積層和池化層，其特殊的網絡結構可以有效地降低神經網絡的復雜性，通過卷積獲得了圖像的特征之后可以直接根據這些特征訓練分類器，在卷積層后面加入池化層來縮小特征圖譜矩陣，減少計算量，同時增強了對特征識別的抗干擾能力，比如圖片的變形和扭曲。CNN通過局部連接、權值共享和池化很大程度上降低了網絡的復雜度。

對于多特征軌跡，視為多通道一維數據，因此，本文利用一維卷積作為卷積層來提取軌跡信號特征，即1D-CNN模型，輸入維5×150，表示150 s內的速度、加速度、曲率、方向和轉角5個通道的特征向量。一維卷積實際提取的是時間軸上的短期特征，能比較好地反映時間序列的局部相關特征。

1.5.2? LSTM

長短期記憶網絡（LSTM）是一種特殊的循環神經網絡。LSTM與標準RNN（循環神經網絡）的區別在于其通過引入門機制（gated mechanism）和記憶單元（memory cell），克服了傳統RNN存在梯度消失和梯度爆炸的缺陷，在提取序列數據的長期依賴關系方面表現更好，因此，LSTM適合應用于具有時序特性的軌跡信號。

本文設計的徘徊行為LSTM模型，輸入層的維度是即求得的150 s內速度、加速度、曲率、方向和轉角特征向量，通過幾個LSTM層提取時序特征，將其融合分類層輸出分類結果（徘徊/非徘徊）。

1.6? 軌跡分類模型

將軌跡初篩模型得到的軌跡作為輸入，進行軌跡的細粒度分類，更多考慮的是軌跡形態。失智老人徘徊行為軌跡形態各異，但結合養老機構現有失智老人徘徊行為情況及建筑設計需求，本文主要研究4種徘徊模式，包括橢圓軌跡、往返軌跡、橢圓-往返和橢圓-往返-橢圓的軌跡。軌跡分類模型利用軌跡形態特征（如1.4.2節所述）進行訓練，挖掘不同徘徊軌跡之間的形態差異。

軌跡分類是典型的多分類問題，常用的方法包括單一學習方法、集成學習方法、深度學習方法。本研究中單一學習方法采用LR邏輯回歸算法，集成學習方法采用LightGBM算法與XGBoost算法，深度學習方法采用2D-CNN算法。

2? 數據集和實驗效果

2.1? 數據集

采集到的運動軌跡包含老人的運動狀態和非運動狀態，比較老人運動時的速度與非運動時的速度，可以通過速度約束識別駐留行為，同時加入時間段約束刪除短時間停留。根據方差分析確定閾值為ε=0.3 m/s，ρ=10 s，當ΔT>ρ∩v<ε時判定為非運動行為，對應的時間為非運動時間區間。按照非運動區間將軌跡進行切分，并去除非運動軌跡。

對運動軌跡數據進行人工標注，劃分數據集為訓練集和測試集，比例為4∶1，見表1。然后，對數據進行1.3節所描述的預處理和1.4節描述的特征抽取，最后切分成等長數據進行訓練，最終的數據集見表1。

表1? 徘徊模式數據集

2.2? 評估指標

評估指標主要包括：準確率、召回率、F1評分等，具體評估指標如下所示。

Precision=■，

Recall=■，

Macro-Precision=■，

Macro-Recall=■，

式中：TP為真正類；FN為假負類；FP為假正類。

2.3? 實驗結果

徘徊軌跡初篩模型效果見表2，LSTM和1D-CNN的精確率和召回率都超過了90%，遠遠超出基線模型LR的結果。1D-CNN的效果最好，召回率比LSTM高出近4%，因此，選1D-CNN為最終的軌跡初篩模型。徘徊軌跡分類模型分類效果見表3，XGBoost的效果最好，平均精確率和平均召回率均超過97%，比LightGBM高出近1%，比2D-CNN高出近2%。

表2? 徘徊軌跡初篩模型效果對比

表3? 徘徊軌跡分類模型效果對比

3? 結束語

為了識別失智老人徘徊行為，本文提出了基于運動軌跡的兩階段多粒度徘徊行為模式檢測算法框架，該方法基于UWB運動軌跡，利用機器學習和深度學習等方法，將老人的徘徊行為模式監測分為2層不同粒度的分類方法，先對老人是否徘徊做二分類，通過對比實驗，篩選出分類效果最優的1D-CNN算法，然后對老人具體的徘徊模式進行細粒度分類，同樣篩選出在分類效果上最優的算法XGBoost。實驗結果表明本文所提出的方法框架及篩選的算法在老年人徘徊行為檢測上表現出了不錯的性能。

參考文獻：

[1] RAMAKERS I H G B， VISSER P J， AALTEN P， et al. Symptoms of preclinical dementia in general practice up to five years before dementia diagnosis[J]. Dementia and geriatric cognitive disorders， 2007，24（4）：300-306.

[2] ABDULRAHMAN M A， ANTONI B M. SafeMove： monitoring seniors with mild cognitive impairments using deep learning and location prediction[J].Neural Computing and Applications， 2022，34（19）：16785-16803.

[3] LIN Q， ZHANG D， HUANG X， et al. Detecting wandering behavior based on GPS traces for elders with dementia[C]//2012 12th International Conference on Control Automation Robotics & Vision （ICARCV）. IEEE， 2012：672-677.

[4] KHAERTDINOV B， SEMERCI Y C， ASTERIADIS S. Dementia wandering recognition using classical machine learning and deep learning techniques with skeletal trajectories[C]//The 14th PErvasive Technologies Related to Assistive Environments Conference，2021：446-452.

[5] MUNKHJARGAL G， HSU T T， VIJAYALAKSHMI V， et al.Device-Free Non-Privacy Invasive Classification of Elderly Travel Patterns in A Smart House Using PIR Sensors and DCNN[J].IEEE Sensors Journal，2017，18（1）：390-400.

[6] ELHAM K， DANIELE R. Collaborative trajectory mining in smart-homes to support early diagnosis of cognitive decline[J]. IEEE Transactions on Emerging Topics in Computing，2021，9（3）：1194-1205.