基于三軸加速度傳感器的老年人跌倒識(shí)別

基于三軸加速度傳感器的老年人跌倒識(shí)別

隨著社會(huì)老齡化程度的提高，老年人的身心健康問(wèn)題越來(lái)越受到重視。老年人平衡能力差、身體應(yīng)變能力弱,意外跌倒的概率非常高。一些老年人跌倒后不能自己處理,嚴(yán)重者往往會(huì)因?yàn)檠诱`救治而導(dǎo)致殘疾甚至危及生命,對(duì)其心理和生理上造成傷害。有效的跌倒識(shí)別方法可以及時(shí)發(fā)現(xiàn)危險(xiǎn)并采取措施,在老年人監(jiān)護(hù)領(lǐng)域中具有重要意義。目前在人體行為識(shí)別的研究領(lǐng)域中,從信號(hào)的獲取渠道來(lái)分主要存在兩種方法,即基于計(jì)算機(jī)視覺(jué)方法和基于傳感器方法[3~6]。在計(jì)算機(jī)視覺(jué)方面,一般采用監(jiān)控探頭等設(shè)備捕獲人體運(yùn)動(dòng)圖像,對(duì)視頻信息進(jìn)行處理。這種方法使用廣泛,但會(huì)受到圖像的清晰度、光線強(qiáng)弱等因素的影響,觀察范圍有限且不利于對(duì)細(xì)微動(dòng)作和近似行為(具有類似姿態(tài)特征的不同人體行為)的識(shí)別。傳感器具有靈活性大、成本較低的優(yōu)點(diǎn),將其放置于人體有效部位實(shí)時(shí)采集數(shù)據(jù),準(zhǔn)確性高且便于攜帶,處理傳感器數(shù)據(jù)的方法主要有支持向量機(jī)(supportvectormechine,SVM)、HMM及其改進(jìn)方法LHMM、HDP-HMM等識(shí)別人體行為。針對(duì)跌倒行為的識(shí)別,可以通過(guò)姿態(tài)角、一階SVM、加速度強(qiáng)度矢量(signalmagnitudevector,SMV)等方法完成。雖然上述方法都達(dá)到了識(shí)別人體行為的目的,但卻沒(méi)有從人體傾角方面考慮解決近似行為的識(shí)別問(wèn)題。1基于hmm和身體傾角的沉降識(shí)別1.1采樣數(shù)據(jù)點(diǎn)的計(jì)算本文采用MMA7260Q三軸加速度傳感器采集數(shù)據(jù),由于數(shù)據(jù)量大,處理不方便,將其分成若干個(gè)數(shù)據(jù)量較小的處理單元。日?；顒?dòng)頻率一般較低,為了滿足采樣要求,將加速度傳感器的采樣頻率設(shè)定為50Hz;同時(shí)將3s設(shè)定為完成一個(gè)數(shù)據(jù)處理單元所需的時(shí)間,這是因?yàn)榈箷r(shí)間一般小于3s,而且由于時(shí)間較短,能夠滿足系統(tǒng)實(shí)時(shí)性的要求。因此一個(gè)數(shù)據(jù)處理單元的數(shù)據(jù)點(diǎn)為150個(gè)。每一個(gè)采樣數(shù)據(jù)點(diǎn)的計(jì)算如下:設(shè)Xm、Ym和Zm分別表示三軸加速度傳感器在X軸、Y軸和Z軸上的第m個(gè)采樣數(shù)據(jù),則加速度傳感器采樣點(diǎn)值為om(0≤m≤N,N為采樣點(diǎn)總數(shù))為第m個(gè)采樣數(shù)據(jù)點(diǎn),以下簡(jiǎn)稱數(shù)據(jù)點(diǎn)。則第k個(gè)數(shù)據(jù)處理單元的數(shù)據(jù)集為其中:1≤k≤M,k∈Z,M為數(shù)據(jù)處理單元總數(shù),一個(gè)數(shù)據(jù)處理單元中包含150個(gè)數(shù)據(jù)點(diǎn),每個(gè)數(shù)據(jù)處理單元與其前一個(gè)單元有50%的重疊率,故n的取值為n=75×(k-1)。數(shù)據(jù)處理單元作為獨(dú)立單位參與模型訓(xùn)練和行為識(shí)別。1.2分類訓(xùn)練hmm跌倒行為發(fā)生頻率低,采集此類數(shù)據(jù)訓(xùn)練HMM難度大,相反提取日常生活活動(dòng)(activitiesofdailyliving,ADL)數(shù)據(jù)較簡(jiǎn)便。根據(jù)老年人行為狀態(tài)相對(duì)較少的特點(diǎn),未將跑步、跳躍等劇烈活動(dòng)作為訓(xùn)練對(duì)象。此外,由于用戶行為具有差異性,無(wú)法將所有ADL作為訓(xùn)練對(duì)象,實(shí)際應(yīng)用中應(yīng)針對(duì)不同用戶采用不同行為訓(xùn)練模型。本文采集五種較常見(jiàn)的ADL:躺、坐、站立、行走、快速坐下訓(xùn)練HMM,每種行為重復(fù)50次,每次采用2個(gè)數(shù)據(jù)處理單元,則共有500個(gè)數(shù)據(jù)處理單元參與模型訓(xùn)練,解決了生活中缺乏跌倒數(shù)據(jù)訓(xùn)練樣本的問(wèn)題。另外由于人體行為具有個(gè)體差異性,用于訓(xùn)練和行為識(shí)別的數(shù)據(jù)都來(lái)自于同一個(gè)被觀測(cè)者,這樣可以減少個(gè)體差異對(duì)結(jié)果帶來(lái)的影響。針對(duì)上述五種ADL,采用經(jīng)典的Baum-Welch算法訓(xùn)練HMM,Baum-Welch算法和前向算法有密切的聯(lián)系,利用這一算法訓(xùn)練HMM,在行為識(shí)別階段,通過(guò)“匹配程度”可以更有效地進(jìn)行檢測(cè)。在模型訓(xùn)練前,需要預(yù)先設(shè)定人體行為狀態(tài),在有限個(gè)狀態(tài)前提下,采集人體運(yùn)動(dòng)時(shí)大量的加速度變化數(shù)據(jù)訓(xùn)練HMM。1.3基于loglik值設(shè)定的閾值判斷給定1.2節(jié)中經(jīng)過(guò)訓(xùn)練的HMM,通過(guò)前向算法計(jì)算某一觀察序列的生成概率。如果產(chǎn)生這一觀察序列的行為來(lái)自于上述五種ADL中,則這一概率值較大,HMM與這種行為的匹配程度較高。如果這一行為是跌倒,則概率較小,匹配程度較低。利用這一概率,通過(guò)設(shè)定合適的閾值可以判斷某一未知行為是否為ADL,若不是,則為“疑似”跌倒行為,然后加入角度信息再次判斷。給定模型λ,計(jì)算出現(xiàn)一個(gè)數(shù)據(jù)處理單元的概率P(O|λ)衡量HMM與這一數(shù)據(jù)處理單元的匹配程度,P(O|λ)通過(guò)前向算法計(jì)算得到。一個(gè)數(shù)據(jù)處理單元作為一個(gè)觀察序列,則每個(gè)觀察序列有150個(gè)觀察值,設(shè)有N個(gè)狀態(tài),定義αt(i)為前向變量,初始化其中:o為數(shù)據(jù)處理單元中的數(shù)據(jù)點(diǎn);πi是狀態(tài)為i的初始狀態(tài)概率矢量;aij=P(qt+1=j|qt=i)表示從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的概率;qt是在時(shí)刻t所處的狀態(tài);bj(o)表示在狀態(tài)j時(shí)的輸出符號(hào)o的概率。在MATLAB的HMM工具箱中,loglik表示觀測(cè)數(shù)據(jù)與HMM的吻合程度,與P(o|λ)等價(jià)。為了方便仿真,本文基于loglik值設(shè)定閾值判斷跌倒行為,設(shè)η為HMM和測(cè)量數(shù)據(jù)的匹配度閾值,當(dāng)loglik≤η時(shí),認(rèn)為被測(cè)數(shù)據(jù)處理單元由“疑似”跌倒行為產(chǎn)生。η值的設(shè)定需要通過(guò)大量數(shù)據(jù)統(tǒng)計(jì)而定,對(duì)于不同的被測(cè)者,η的值也會(huì)不同。1.4加速度傳感器檢測(cè)人體傾角通過(guò)前向算法計(jì)算的結(jié)果只能在一定程度上說(shuō)明數(shù)據(jù)處理單元與HMM之間的匹配差異,并不能完全判斷人是否跌倒。另外由于某些相似行為發(fā)生之后,身體姿態(tài)存在差異,如跌倒和快速坐下,兩者加速度變化具有相似的特征,但快速坐下屬于ADL,人快速坐下后的上身姿態(tài)應(yīng)保持正直,而跌倒后大多為臥姿,因此人體傾角可以作為輔助信息參與跌倒識(shí)別。同時(shí),為了避免跌倒后由于人體運(yùn)動(dòng)而導(dǎo)致角度變化較大,采用“疑似”跌倒后1s數(shù)據(jù)(即50個(gè)數(shù)據(jù)點(diǎn))計(jì)算反映軸角度,將其平均值作為人體傾角φ,即其中:φ為反映軸與水平方向夾角。MMA7260Q處在無(wú)活動(dòng)狀態(tài)的情況下,三個(gè)反映軸與水平方向夾角φ和輸出電壓之間滿足以下關(guān)系:其中:Vo是加速度傳感器的輸出電壓;v是零加速度時(shí)傳感器的輸出電壓;S是加速度傳感器的靈敏度;G表示標(biāo)準(zhǔn)重力加速度。如圖1所示,將加速度傳感器放置于人體腰腹部位置,可以檢測(cè)出人體上身傾角,通過(guò)式(8)計(jì)算可得加速度傳感器的三個(gè)反映軸與水平方向夾角φX、φY和φZ(yǔ),從而推測(cè)出人體所處的大致姿態(tài)。設(shè)水平面方向?yàn)?°,當(dāng)人體處于站立姿態(tài)時(shí),+Z軸方向(人體下方)與水平面方向夾角基本穩(wěn)定在-90°~-70°之間(這一角度范圍也包含部分坐姿)。當(dāng)人體處于坐姿時(shí),身體往往會(huì)向一個(gè)方向微傾,+Z軸方向與水平面方向夾角大致為-70°~-30°之間。當(dāng)人體處于躺臥姿態(tài)時(shí),+Z軸方向與水平方向夾角大約為-30°~+30°之間,同時(shí)配合X和Y軸的輸出數(shù)據(jù),還可區(qū)分前向跌倒、后向跌倒和側(cè)向跌倒。人體站、坐、臥三種姿態(tài)的傾角范圍如表1所示。2第二組活動(dòng)內(nèi)容本章利用HMM工具箱在MATLAB環(huán)境下仿真。為了驗(yàn)證識(shí)別方法的有效性,分別進(jìn)行兩組活動(dòng)。第一組活動(dòng)沒(méi)有跌倒行為,實(shí)驗(yàn)者需要完成躺—坐—站立—行走—快速坐下這一系列動(dòng)作100次,前50次用于HMM訓(xùn)練,后50次用于跌倒識(shí)別。在第二組活動(dòng)中,實(shí)驗(yàn)者需要完成跌倒動(dòng)作50次,全部用于跌倒識(shí)別,其中前、后向跌倒25次,側(cè)向跌倒25次,每種行為完成時(shí)間不低于3s。出于安全考慮,上述行為均由身體素質(zhì)較好的年輕人完成。這兩組活動(dòng)符合動(dòng)作轉(zhuǎn)移規(guī)律,并且快速坐下和跌倒具有相似的加速度特征,屬于近似行為,對(duì)這兩組活動(dòng)仿真具有一定的代表性。2.1adl主導(dǎo)的運(yùn)動(dòng)hmm的識(shí)別給定經(jīng)過(guò)訓(xùn)練的HMM,每重復(fù)完成一個(gè)行為計(jì)算一個(gè)數(shù)據(jù)處理單元的loglik值,則每種行為共有50個(gè)loglik值。在HMM工具箱中,loglik為一個(gè)負(fù)值,與式(5)中P(O|λ)等價(jià),能體現(xiàn)未知行為的測(cè)量數(shù)據(jù)與HMM的匹配程度。針對(duì)第一組ADL,在模型訓(xùn)練階段通過(guò)大量的數(shù)據(jù)分析,絕大部分loglik值大于-200,因此閾值η設(shè)為-200,小于這一閾值被認(rèn)為“疑似”跌倒行為;大于這一閾值被認(rèn)為ADL且值越大表示與HMM的匹配程度越高,最大值為0。每種行為的loglik值與閾值進(jìn)行比較的結(jié)果如圖2所示。圖2中,由于采用第一組ADL數(shù)據(jù)訓(xùn)練HMM,這組活動(dòng)中除快速坐下的其他四種行為與HMM的匹配程度較高,躺、坐、站立和行走四種行為loglik值絕大多數(shù)大于-200,識(shí)別效果較好。但由于快速坐下和跌倒具有相似的加速度特征,利用快速坐下訓(xùn)練的HMM有時(shí)會(huì)出現(xiàn)與跌倒行為匹配程度較高的現(xiàn)象,兩者的loglik值大多分布在-200左右,檢測(cè)各活動(dòng)情況如表2所示。從表2中可知,躺、坐兩種行為的識(shí)別率都達(dá)到了100%;站立和行走的識(shí)別只有3次出現(xiàn)錯(cuò)誤,效果較好;快速坐下有41次識(shí)別正確,9次錯(cuò)誤,正確率只有82%;前、后向跌倒和側(cè)向跌倒的識(shí)別正確率僅為88%和84%,有7次識(shí)別錯(cuò)誤,跌倒識(shí)別的平均正確率不到90%,效果并不理想。2.2快速推臥期檢測(cè)結(jié)果從表2中可知共有19組“疑似”跌倒數(shù)據(jù)(站立1組、行走2組、快速坐下9組、跌倒7組),每組數(shù)據(jù)后1s有50個(gè)數(shù)據(jù)點(diǎn),提取每個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的加速度傳感器+Z軸輸出值,利用式(8)計(jì)算φz得到50個(gè)角度值,根據(jù)式(6)計(jì)算平均值ue788作為人體傾角進(jìn)行二次識(shí)別,共有19個(gè)φ值。根據(jù)表1,坐和站上身應(yīng)保持大致豎直,+Z軸與水平面夾角范圍在-90°~-30°之間。跌倒后人體成躺臥狀態(tài),上身應(yīng)保持大致水平,+Z軸與水平面夾角范圍在-30°~+30°之間。設(shè)定閾值1為+30°,閾值2為-30°,閾值3為-90°。加入角度信息后人體傾角和閾值的比較如圖3所示。圖3中,由于快速坐下后人體上身保持豎直或向某一方向微傾,放置于人體腰腹位置的加速度傳感器+Z軸與水平面夾角都在-90°~-30°之間,在預(yù)設(shè)傾角范圍內(nèi),識(shí)別結(jié)果全部正確。跌倒后上身與水平面夾角應(yīng)在-30°~+30°之間,但是由于跌倒后1s身體傾角可能存在波動(dòng),有1次檢測(cè)在預(yù)設(shè)傾角范圍外,6次識(shí)別結(jié)果正確。另外,站立和行走上身豎直姿態(tài)明顯,經(jīng)角度檢測(cè)后,全部在閾值范圍內(nèi),結(jié)果正確。結(jié)合HMM識(shí)別結(jié)果,快速坐下檢測(cè)正確個(gè)數(shù)從41增加到50,正確率從82%提高到100%;跌倒檢測(cè)正確個(gè)數(shù)從43增加到49,正確率從86%提高到98%,其他識(shí)別結(jié)果全部正確,識(shí)別效果較好,最終識(shí)別結(jié)果如表3所示。2.3人體姿態(tài)識(shí)別為了分析本文識(shí)別方法的性能,同另外三種方法作對(duì)比,結(jié)果如圖4所示。通過(guò)方法性能比較發(fā)現(xiàn),本文方法平均正確率高于其他三種方法。文獻(xiàn)通過(guò)薄膜壓力傳感器利用閾值分析和支持向量機(jī)相結(jié)合的方法判斷人體跌倒,此種方法需要大量跌倒數(shù)據(jù)訓(xùn)練支持向量機(jī),而生活中缺乏這類訓(xùn)練樣本,平均正確率只有81.67%。文獻(xiàn)是一種基于計(jì)算機(jī)視覺(jué)的方法,通過(guò)簡(jiǎn)化的目標(biāo)寬高比算法識(shí)別跌倒行為,這種方法受到人體姿態(tài)影響較大,當(dāng)?shù)购筇幱隍榭s等狀態(tài)時(shí),檢測(cè)會(huì)出錯(cuò),平均正確率為94.74%。文獻(xiàn)利用加速度傳感器檢測(cè)人體運(yùn)動(dòng)劇烈程度識(shí)別跌倒行為,通過(guò)三級(jí)算法減少錯(cuò)誤率,但當(dāng)人體運(yùn)動(dòng)過(guò)于劇烈時(shí),識(shí)別效果不好,平均正確率為96%。較上述三種方法,本文方法具有以下優(yōu)勢(shì):由于采用ADL數(shù)據(jù)訓(xùn)練HMM,缺乏跌倒數(shù)據(jù)樣本不會(huì)對(duì)模型訓(xùn)練造成影響,而且將加速度傳感器放置于人體腰腹位置,對(duì)識(shí)別不同跌倒姿態(tài)具有一定的魯棒性;另外通過(guò)檢測(cè)相對(duì)穩(wěn)定的身體傾角判斷跌倒,減小了人體劇烈運(yùn)動(dòng)對(duì)識(shí)別效