文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.2016.05.031
中文引用格式: 陳洪波,高青,馮濤,等. 基于足底壓力信息的跌倒姿態(tài)聚類識別方法[J].電子技術應用,2016,42(5):113-115,119.
英文引用格式: Chen Hongbo,Gao Qing,F(xiàn)eng Tao,et al. Clustering method for body falling gesture recognition based on sole pressure information[J].Application of Electronic Technique,2016,42(5):113-115,119.
0 引言
隨著我國人口老齡化形勢逐漸嚴峻,老年人的健康安全監(jiān)護問題成為社會關注的焦點。跌倒在老年人群中的發(fā)生率非常高,會造成老年人傷殘甚至死亡,嚴重影響老年人的健康及生活自理能力[1]。跌倒檢測系統(tǒng)能夠及時地為跌倒者報警求助,從而降低跌倒所帶來的危害。
目前,基于足底壓力傳感器的跌倒方法是老年人跌倒監(jiān)測系統(tǒng)的主流方法[2-4]之一,此類系統(tǒng)比較常用的跌倒識別算法是閾值法[4-5]。該方法依據(jù)足底壓力變化的幅度來判斷人體是否跌倒,判斷跌倒的閾值主要是根據(jù)多次實驗結果總結得出。其優(yōu)點是算法簡單,較易實現(xiàn);其主要缺點是在不同的場景下,閾值的選擇存在一定的難度,導致系統(tǒng)的誤判率比較高。另一方面,人體跌倒方向信息與跌倒后的健康狀況也可能存在一定關聯(lián),而該方法在實際監(jiān)測過程中無法得到跌倒的方向信息。
自組織映射(SOM)神經(jīng)網(wǎng)絡作為一種競爭式無監(jiān)督學習方法[6],具有強大的特征提取的功能,它已經(jīng)應用到模式識別等領域[7-9]。本文提出利用SOM神經(jīng)網(wǎng)絡對人體足底壓力信息進行聚類分析,以提高跌倒監(jiān)測系統(tǒng)的識別率,同時得到人體跌倒的方向信息。
1 SOM神經(jīng)網(wǎng)絡模型
SOM自組織神經(jīng)網(wǎng)絡[10-11]可自行揭示事物的內(nèi)在規(guī)律,將同類事物聚類于同一特征空間區(qū)域,而將不同類對象聚類于不同的特征空間區(qū)域,從而實現(xiàn)對事物的正確歸類。
典型SOM網(wǎng)絡結構如圖1所示,由輸入層和競爭層組成。輸入層神經(jīng)元個數(shù)為m,競爭層由a×b個神經(jīng)元組成的二維平面陣列,輸入層與競爭層各神經(jīng)元之間實現(xiàn)全連接,競爭層各神經(jīng)元之間實行側抑制連接。樣本數(shù)據(jù)輸入后,經(jīng)兩層之間連接權加權后,在輸出層得到一個輸出值集合。
SOM網(wǎng)絡的一個典型特征就是可以在一維或者二維的處理單元陣列上,形成輸入信號的特征拓撲分布,因此SOM網(wǎng)絡具有抽取輸入信號模式特征的能力。訓練SOM網(wǎng)絡的步驟為:
(1)網(wǎng)絡初始化。用隨機數(shù)設定輸入層和競爭層之間權值的初始值。
(2)計算獲勝神經(jīng)元。隨機抽取一個訓練樣本,計算獲勝神經(jīng)元。
(3)權值更新。對獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元進行權值更新。
(4)學習速率及鄰域更新。獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元權值更新完成后,在進入下一次迭代前,需要更新學習速率及鄰域。
(5)迭代結束判斷。若樣本沒有學習完,則再另外隨機抽取一個訓練樣本,返回步驟(2);否則,迭代結束。
由于輸出層各節(jié)點互相激勵學習,訓練后的臨近節(jié)點具有相似的權值,因此SOM網(wǎng)絡輸出節(jié)點的空間位置體現(xiàn)了輸入樣本的內(nèi)在聯(lián)系,即具有相似屬性的輸入會映射在臨近的SOM輸出節(jié)點上[9]。
2 數(shù)據(jù)采集
考慮到跌倒實驗存在一定的危險,由5位身體素質良好的年輕人模擬老年人的跌倒動作和日常動作,并以100 Hz采樣頻率采集人體足底壓力數(shù)據(jù)。將壓力采集模塊嵌入于鞋墊放入鞋內(nèi),利用嵌入在鞋墊的前腳掌中部和后腳跟中部的4個壓敏電阻器,分別采集左足前腳掌、左足后腳跟、右足前腳掌、右足后腳跟的壓力數(shù)據(jù),足底壓力傳感器安放示意圖如圖2所示。跌倒動作包括前向跌倒、后向跌倒、左側跌倒、右側跌倒4種類型。非跌倒動作指人體日常行為動作,包括上樓、下樓、平地行走、起立、坐下、前彎腰、跳、跑、蹲下等九種典型動作。
上述13類動作,由于每個動作發(fā)生過程都有一個時間段,所以用一定大小的時間(5 s)窗口截取窗口內(nèi)的時間序列,該時間序列要包含該動作區(qū)別于其他動作的所有特征點。截取到的時間序列構成該動作的特征樣本,每一類動作對應20個特征樣本,13類動作共260個特征樣本。
在特征樣本集中隨機選取各類動作的10個特征樣本作為訓練集,樣本數(shù)為130,剩余的作為測試集,樣本數(shù)也為130。
3 數(shù)據(jù)處理
利用訓練集對SOM自組織映射神經(jīng)網(wǎng)絡模型進行訓練,得到用于跌倒識別的SOM分類模型,然后利用測試集對SOM模型分類器進行測試,驗證模型的跌倒識別效果。
將訓練集作為輸入樣本,輸入給SOM網(wǎng)絡的輸入層。由于訓練集和測試集特征樣本數(shù)均為130,因此輸入神經(jīng)元個數(shù)m=130。為了取得較好的可視化效果,通常取SOM網(wǎng)絡輸出層的節(jié)點個數(shù)略大于輸入樣本個數(shù)(訓練集和測試集樣本數(shù)均為130),因此,定義SOM輸出節(jié)點數(shù)為14×13。SOM網(wǎng)絡結構及參數(shù)設置如表1所示。
4 跌倒識別聚類結果及分析
4.1 聚類結果
通過SOM網(wǎng)絡的訓練,同類動作樣本在輸出平面上聚在一起,不同類動作樣本可以很容易地被分開,實現(xiàn)了特征的有序分布,并得到聚類結果的可視化效果。圖3為訓練集樣本在競爭層的輸出結果圖,SOM網(wǎng)絡通過訓練將同一類樣本動作分到了同一個區(qū)域,而且有些樣本動作聚集到了同一點,也即映射到了相同的獲勝神經(jīng)元。
為了驗證SOM神經(jīng)網(wǎng)絡對沒有參與訓練的樣本的有效性,利用訓練好的SOM網(wǎng)絡對13類測試集樣本分別進行測試,測試集樣本在競爭層的輸出結果圖如圖4所示,相同類別的測試集樣本聚集到了一起,并和同一類別的訓練集樣本映射到了相同的區(qū)域。
圖3和圖4中,神經(jīng)元的編號方式是從左至右、從下至上,神經(jīng)元編號逐漸增加,即左下角的神經(jīng)元編號為1,右上角的神經(jīng)元編號為182。如果測試集樣本與同一類別的訓練集樣本映射到相同的區(qū)域,則預測結果正確;否則,預測結果錯誤。各類動作的識別結果如表2所示。后倒的識別率為80%,其中2個樣本被分別預測為起立和跑;左倒的識別率為90%,其中1個樣本被預測為坐下;上、下樓的動作樣本被映射到了同一個區(qū)域,兩者的區(qū)分度不高;行走的識別率為50%,其中3個樣本被預測為上樓,2個樣本被預測為坐下;坐下的識別率為70%,其中3個樣本均被預測為后倒;前彎腰的識別率為90%,其中1個樣本被預測為前倒;跳的識別率為70%,其中2個樣本被預測為前彎腰,1個樣本被預測為右倒;跑的識別率為70%,其中3個樣本被分別預測為左倒、坐下和跳;其他類別的動作識別率均為100%。
4.2 結果分析與評價
通過以下3個性能指標[12]來對跌倒檢測實驗結果進行評價:
(1)靈敏度(Se,Sensitivity),即所有跌倒動作的檢出率:
式中,TP(真陽性):跌倒動作檢測為跌倒的樣本數(shù);FP(假陽性):日常動作檢測為跌倒的樣本數(shù);TN(真陰性):日常動作檢測為未跌倒的樣本數(shù);FN(假陰性):跌倒動作檢測為未跌倒的樣本數(shù)。
為了驗證SOM跌倒識別算法的可靠性與準確度,將其與閾值法的處理結果進行了比較。運用兩種算法分別對測試集樣本動作進行了測試,識別結果見表2??梢园l(fā)現(xiàn),利用SOM方法進行識別時,系統(tǒng)靈敏度、特異度及準確度分別為92.5%、93.3%、93.1%。
5 結論
本文利用人體運動過程中的足底壓力數(shù)據(jù),通過SOM自組織映射神經(jīng)網(wǎng)絡對人體動作進行聚類分類,從而實現(xiàn)人體跌倒姿態(tài)識別。得到如下結論:
(1)通過SOM神經(jīng)網(wǎng)絡聚類方法對足底壓力信息進行分析,可以對人體跌倒方向進行有效的識別,而常規(guī)的閾值方法很難識別人體跌倒方向;
(2)SOM神經(jīng)網(wǎng)絡聚類對人體跌倒動作的靈敏度、特異度和準確度要比閾值方法高,識別效果更好;
(3)SOM算法對人體的跌倒行為的識別具有更高的可靠性。
參考文獻
[1] 于洪宇.老年人跌倒問題的相關因素研究與預防護理[J].中國老年保健醫(yī)學,2009,7(1):85-88.
[2] Tao Yanbo,Qian Huihuan,Chen Meng,et al.A real-time intelligent shoe system for fall detection[C].Proceedings of the 2011 IEEE International Conference on Robotics and Biomimetics,Phuket,Thailand,2011.
[3] 石欣,熊慶宇,雷璐寧.基于壓力傳感器的跌倒檢測系統(tǒng)研究[J].儀器儀表學報,2010,31(3):715-720.
[4] 石欣,張濤.一種可穿戴式跌倒檢測裝置設計[J].儀器儀表學報,2012,33(3):575-580.
[5] 薛源.基于多傳感器的老人跌倒檢測系統(tǒng)的研究與應用[D].武漢:武漢理工大學,2011.
[6] KOHONEN T.Self-organized formation of topologically correct feature maps[J].Biological Cybernetics,1982,43(1):59-69.
[7] 陳洪波,湯井田,陳真誠.基于SOM的HIFU治療中損傷組織特征提取[J].生物醫(yī)學工程學雜志,2009,26(4):873-877.
[8] 於東軍,吳小俊,HANCOCK E R,等.廣義SOM及其在人臉性別識別中的應用[J].計算機學報,2011,34(9):1719-1725.
[9] 鄒云峰,吳為麟,李智勇.基于自組織映射神經(jīng)網(wǎng)絡的低壓故障電弧聚類分析[J].儀器儀表學報,2010,31(3):571-576.
[10] KUREMOTO T,KOBAYASHI K,OTANI T,et al.One dimensional ring type growing SOM with asymmetric neighborhood function and its application to a hand shape instruction learning system[C].2014 15th IEEE/ACIS International Conference on Software Engineering,Artificial Intelligence,Networking and Parallel/Distributed Computing(SNPD),2014.
[11] VOJACEK L,DVORSKY J,SLANINOVA K,et al.Scalable parallel SOM learning for web user profiles[C].2013 13th International Conference on Intelligent Systems Design and Applications(ISDA),2013.
[12] 鄭娛,鮑楠,徐禮勝,等.跌倒檢測系統(tǒng)的研究進展[J].中國醫(yī)學物理學雜志,2014,31(4):5071-5076.