楊文輝, 楊明靜

　?。ǜＶ荽髮W(xué) 物理與信息工程學(xué)院，福建 福州 350108）

       摘要：基于手機(jī)加速度傳感器的步態(tài)識別是根據(jù)人的生理特點，提取人行走時的加速度步態(tài)模式，以區(qū)分不同的個體。大多數(shù)研究是將加速器固定在同一個位置、同一個方向上，以減少傳感器放置變化對識別的影響。文章比較了不同方法，包括統(tǒng)計學(xué)和機(jī)器學(xué)習(xí)的方法，用于減少加速器放置變化的影響。而經(jīng)過濾波、特征提取等處理，使用機(jī)器學(xué)習(xí)的KStar算法分類效果最佳，準(zhǔn)確率可達(dá)到99.11%,可消減放置變化的影響。

　　關(guān)鍵詞：步態(tài)識別；加速度傳感器；機(jī)器學(xué)習(xí)

0引言

　　基于加速度傳感器的步態(tài)識別主要用于醫(yī)療和安全識別兩方面。人體步態(tài)特征會因身體疾病而發(fā)生變化，步態(tài)檢測有助于疾病的早期診斷［1］。在遠(yuǎn)程醫(yī)療上，智能化的步態(tài)加速度識別監(jiān)測系統(tǒng)可以在一定程度上解決因監(jiān)護(hù)人員不足特殊人群無人看護(hù)等問題［2］。人們很多信息都與手機(jī)息息相關(guān)，比如支付寶、手機(jī)銀行等。很多手機(jī)只設(shè)置了開機(jī)密碼或者圖形密碼，這些信息很容易被竊取。基于手機(jī)加速度傳感器的步態(tài)識別系統(tǒng)，可以有效地保護(hù)手機(jī)信息的安全［3］。

　　當(dāng)前，步態(tài)識別主要采用統(tǒng)計學(xué)和機(jī)器學(xué)習(xí)的方法。統(tǒng)計學(xué)中，通常采用動態(tài)時間歸整(Dynamic Time Warping，DTW)算法［4］。NICKEL C等人把手機(jī)固定在測試者臀部的右邊，用DTW算法比較訓(xùn)練集和測試集一個周期的最小規(guī)整路徑［5］，得到的相對錯誤率(Equal Error Rate,EER)為20%。張雨霆把加速度傳感器固定放在測試者的左上臂、右手腕、左股、左大腿、右腳踝五個位置，用稀疏表示對175個人進(jìn)行了識別分析，得到了95.8%的識別率［6］。DERAWI M O等人［7］把加速度傳感器放在左邊大腿上，用DTW等模版匹配方法得到EER為5.7%。MUAAZ M把手機(jī)固定在腰帶，用機(jī)器學(xué)習(xí)中支持向量機(jī)(Support Vector Machine，SVM)，對51個人進(jìn)行分類測試［8］，得到的EER大于36%。多數(shù)的文章沒有考慮到傳感器放置變化對識別的影響，HOANG T等人［9］提出用手機(jī)加速度傳感器和磁力計解決此問題,將加速度傳感器測量的數(shù)據(jù)轉(zhuǎn)化到標(biāo)準(zhǔn)的坐標(biāo)軸，以減少放置變化的影響，用SVM對38個人進(jìn)行分類測試，得到98.71%的準(zhǔn)確率。本文用HOANG提供的加速度傳感器采集的數(shù)據(jù)，用統(tǒng)計學(xué)中DTW的方法和機(jī)器學(xué)習(xí)中IBk、KStar等方法探討消減手機(jī)放置變化對識別的影響，得到的結(jié)果與HOANG T的方法相當(dāng)，但效率相對提高，更易于實現(xiàn)。

1數(shù)據(jù)集

　　數(shù)據(jù)集是用手機(jī)HTC Nexus One的三軸加速度傳感器采集的，采樣頻率約為27 Hz，實驗人數(shù)為38人（年齡24~28歲）,包括28個男士、10個女士。數(shù)據(jù)采集的過程中，人正常行走，手機(jī)放置在褲子的口袋里，每測量一次，手機(jī)改變一次放置。測量場地為水平的地板，數(shù)據(jù)為X、Y、Z軸三維數(shù)據(jù)。圖1為一段采集的數(shù)據(jù)，橫軸為采樣點，縱軸為采樣點的值,單位為m/s2。

2統(tǒng)計學(xué)方法

　　2.1典型步態(tài)周期

　　人正常行走的過程中動作呈規(guī)律性，左腳一步右腳一步，稱為一個步態(tài)周期。本文通過查找Z軸極小值的方法進(jìn)行步態(tài)周期的檢測。如圖2所示，兩個小圓圈的距離就是一個步態(tài)周期長度。把每一次測量的數(shù)據(jù)按周期進(jìn)行分割，以6個周期為一個樣本，且覆蓋3個步態(tài)周期。由于人在行走的過程中，每一個步態(tài)周期的時間不一樣，因此每個步態(tài)周期的長度不一樣。為了便于模版匹配，采用線性插值的方法，以使每個周期的采樣點為40個。最后求出每個樣本的典型步態(tài)周期，計算公式如式（1）所示，r(i,k)代表第k個步態(tài)周期，第i個采樣點。

　　2.2識別結(jié)果

　　將X、Y、Z軸方向上的三軸數(shù)據(jù)分別經(jīng)過步態(tài)檢測和周期分割，提取典型的步態(tài)周期，用DTW進(jìn)行模版匹配，受試者工作特征曲線（receiver operating characteristic curve，ROC）如圖3所示。其中錯誤接收率（False Match Rate，F(xiàn)MR）和錯誤拒絕率（False NOMatch Rate，F(xiàn)NMR）是識別過程中的兩類錯誤率。EER為錯誤接收率與錯誤拒絕率相等的值，即圖3所示的曲線中橫軸與縱軸相等的點。其中X軸方向的加速度EER為45.09%，Y軸EER為36.46%，Z軸EER為36.35%。其結(jié)果比DERAWI M O［5,7］等用DTW得到的EER大得多，識別效果較差。出現(xiàn)該情況的原因主要為采集數(shù)據(jù)過程中手機(jī)放置位置變化引起。為了消減此影響，本文接下來運用了機(jī)器學(xué)習(xí)的方法。

3機(jī)器學(xué)習(xí)

　　3.1數(shù)據(jù)預(yù)處理

　　由于在數(shù)據(jù)采集過程中，手機(jī)震動等因素容易引入噪聲，進(jìn)而影響分類結(jié)果，因而采用數(shù)字濾波器去除噪聲。步態(tài)的頻率主要在低頻段，高頻段的為噪聲，一般采用低通濾波器?；瑒蛹訖?quán)平均濾波器可以達(dá)到較好的效果［10］，長度設(shè)置為5。濾波器的運算表達(dá)式為式（2）所示，其中ri為濾波前信號，Ri為濾波后信號。

　　3.2周期分割和特征提取

　　運用機(jī)器學(xué)習(xí)的方法，一個類別需要較大的數(shù)據(jù)樣本。如果以一個步態(tài)周期代表一個樣本，提取的特征值不同，類之間差別小，分類效果較差。因此，用6個步態(tài)周期為一個樣本，并且覆蓋3個周期，以便于與統(tǒng)計學(xué)的方法比較。特征提取是以樣本為單位的，分別計算X、Y、Z、M軸的特征值，其中M軸為3軸的模。特征值包括最大值、最小值、標(biāo)準(zhǔn)偏差STD、均方根RMS、能量E、步頻(1 min所走的步數(shù))L，其中t1、t2代表6個步態(tài)周期的初始時間和結(jié)束時間點，時間單位為s。ri表示樣本的某個采樣點，N為該樣本采樣點的總數(shù)量。由于同一個樣本，各軸的步頻特征值都一樣，因此每個樣本得到的特征值均為21個，各計算公式如下所示：

　　3.3分類識別

　　以軟件Weka現(xiàn)有的多類算法，進(jìn)行十折交叉驗證，算法的參數(shù)均為默認(rèn)值。本文列出4個效果相對較好的分類器結(jié)果，其中KStar的分類效果最好，分類準(zhǔn)確率達(dá)到99.11%；IBk為98.89%，J48為85.58%，隨機(jī)森林為98.51%。HOANG T等人［9］用SVM進(jìn)行十折交叉驗證，得到的分類準(zhǔn)確率為98.71%，而本文用KStar和IBk也達(dá)到98.71%以上的分類準(zhǔn)確率，因此基于特征提取的機(jī)器學(xué)習(xí)也可以用于消減手機(jī)放置變化帶來的誤差。將Weka運行的結(jié)果導(dǎo)出，用MATLAB求出J48、隨機(jī)森林、KStar、IBk的EER。由表1所示，J48的EER為6%，效果最差；而KStar為0.017%，分類效果最好。

4結(jié)果分析

　　本文測試了DTW模版匹配的方法和Weka中J48、隨機(jī)森林、KStar、IBk對手機(jī)放在褲子的口袋中放置變化時，步態(tài)識別的準(zhǔn)確率。在數(shù)據(jù)采集過程中，傳感器放置改變，以典型步態(tài)周期用于模版匹配，識別效果較差，低于手機(jī)固定一個位置的識別率，從而證實了傳感器放置變化時，采集的數(shù)據(jù)發(fā)生較大變化。經(jīng)過濾波處理、步態(tài)檢測，以步態(tài)周期為基礎(chǔ)，進(jìn)行特征提取，用機(jī)器學(xué)習(xí)算法能有效地降低放置變化的影響。即使數(shù)據(jù)偏差較大，但是有些特征是不容易發(fā)生變化的。由數(shù)據(jù)提取的特征值經(jīng)過機(jī)器學(xué)習(xí)的算法訓(xùn)練得到的分類模型準(zhǔn)確性高，因此能減少傳感器放置變化的影響。

5結(jié)論

　　本文用 HOANG T提供的加速度數(shù)據(jù)和機(jī)器學(xué)習(xí)、統(tǒng)計學(xué)的方法，研究減少手機(jī)在識別過程中放置變化帶來的影響。其中KStar、IBk算法效果與 HOANG T提出的方法相當(dāng)。HOANG T用手機(jī)加速度傳感器和磁力計將加速度數(shù)據(jù)經(jīng)過變換矩陣轉(zhuǎn)換為地球坐標(biāo)系上的數(shù)據(jù)，提高了傳感器放置改變時步態(tài)識別的準(zhǔn)確率。本文提出用代表性強(qiáng)的特征值和高效的算法KStar、IBk也可解決此問題，而且計算量相對于Hoang較小，易實現(xiàn)，特征值維度較小，有利于運行時間減少。本文提出的方法相對MUAAZ M［8］等把手機(jī)放置在固定的位置，實用性更強(qiáng)。本文方法比較簡單，容易在現(xiàn)實生活中實現(xiàn)運用。

　　參考文獻(xiàn)

　　［1］ HSUY Y L, CHUNG P C, WANG W H, et al. Gait and balance analysis for patients with Alzheimer's disease using an inertialsensorbased wearable instrument［J］. IEEE Journal of Biomedical & Health Informatics, 2014, 18(6):1822 1830.

　?。?］ TRUNG N T, MAKIHARA Y, NAGAHARA H, et al. Phase registration in a gallery improving gait authentication［C］. International Joint Conference on Biometrics. IEEE, 2011:1 7.

　?。?］ NICKEL C, BUSCH C. Classifying accelerometer data via hidden Markov models to authenticate people by the way they walk［J］. IEEE Aerospace & Electronic Systems Magazine, 2011, 28(28):29-35.

　　［4］ MLLER M. Information retrieval for music and motion［M］. Springer Berlin Heidelberg, 2007.

　?。?］ NICKEL C, DERAWI M O, BOURS P, et al. Scenario test of accelerometerbased biometric gait recognition［C］. Third International Workshop on Security and Communication Networks. IEEE, 2011:15-21.

　?。?］ ZHANG Y, PAN G, JIA K, et al. Accelerometerbased gait recognition by sparse representation of signature points with clusters［J］. IEEE Transactions on Cybernetics, 2014, 45(9):1864 1875.

　?。?］ DERAWI M O, BOURS P, HOLIEN K. Improved cycle detection for accelerometer based gait authentication［C］. International Conference on Intelligent Information Hiding & Multimedia Signal Processing. IEEE, 2010:312 317.

　?。?］ MUAAZ M. An analysis of different approaches to gait recognition using cell phone based accelerometers［C］. International Conference on Advances in Mobile Computing & Multimedia. ACM，2013:94 117.

　?。?］ HOANG T, CHOI D, VO V,et al. A lightweight gait authentication on mobile phone regardless of installation error［M］. Security and Privacy Protection in Information Processing Systems. Springer Berlin Heidelberg, 2013:83 101.

　　［10］ DERAWI M, BOURS P. Gait and activity recognition using commercial phones［J］. Computers & Security, 2013, 39(39):137 144.