一种基于小波特征的跌倒行为检测方法

卢　忱， 韩　娜， 梁　琛

(1. 中兴通讯股份有限公司 研发管理部， 陕西 西安 710114；　2. 西安邮电大学 计算机学院， 陕西 西安 710121)



一种基于小波特征的跌倒行为检测方法

卢忱1， 韩娜2， 梁琛2

(1. 中兴通讯股份有限公司 研发管理部， 陕西 西安 710114；2. 西安邮电大学 计算机学院， 陕西 西安 710121)

针对跌倒行为检测方法对疑似跌倒行为存在误报问题，提出一种基于小波特征的跌倒行为检测方法。通过小波分解将原始合成加速度信号分解为不同频率的子信号，从这些子信号的低频近似系数中提取小波能量、波峰平均值和波峰个数作为特征，使用决策树分类器进行分类，从疑似跌倒行为和跌倒行为中识别出跌倒行为。对比实验结果表明，该方法提高了跌倒行为识别的准确率，降低了误报率。

小波变换；跌倒行为；疑似跌倒行为；决策树

跌倒是造成老年人群受伤甚至死亡的重要因素之一，若能及时检测到老年人的跌倒行为，将会为老年人的救助节省宝贵的时间。目前，利用移动终端内置的加速度传感器进行跌倒行为检测已经成为主要研究方法[1-5]。

以特定方向将传感器固定在腰上，通过分析三轴加速度信号各个轴的变化程度来识别跌倒行为的方法[6]，携带不方便。以三轴加速度和重力之间的夹角作为姿态角来减弱传感器方向对跌倒行为的影响[7-9]；利用基于Android平台的智能手机采集三轴加速度数据，通过提取均值、标准差、变化范围、能量以及相关系数等特征来识别跌倒行为[10-13]；使用合成加速度信号提取特征和阈值来识别跌倒行为[14-16]，这些方法都是采用加速度的时域信号，从静止、走路、跑步以及上、下楼等日常行为中识别出跌倒行为，并没有考虑到疑似跌倒行为会对跌倒行为造成误报的问题，从而影响跌倒行为识别的准确率。

为了提高跌倒行为识别的准确率，降低误报率，本文提出一种基于小波特征的跌倒行为检测方法。利用智能手机采集坐下、下蹲、坐着起立和蹲着起立4种疑似跌倒行为，以及跌倒行为共计5种行为的三轴加速度数据，通过对合成加速度信号进行6层小波分解，检测出3、4层的低频近似系数，从中提取小波能量、波峰平均值以及波峰峰值个数作为特征，使用决策树分类器进行分类，从跌倒行为与疑似跌倒行为中识别出跌倒行为。

1　信号分析与小波分解

利用智能手机内置加速度传感器可以采集到三轴加速度信号，其时频域特征对跌倒行为识别的区分度不明显，需要对加速度信号进行小波变换，通过小波特征区分跌倒行为和疑似跌倒行为。

1.1合成加速度的时频分析

智能手机内置的加速度传感器为x轴、y轴、z轴三轴加速度传感器，手机放置位置和人体姿势将会对三轴加速度信号产生影响，因此，可利用合成加速度a(t)来消除影响，其表达式为

(1)

其中，ax(t)、ay(t)和az(t)分别是x轴、y轴和z轴的加速度信号。

跌倒、坐下、下蹲、坐着起立和蹲着起立5种行为合成加速度信号的时域及频域如图1所示。

由图1可以看出，坐下、下蹲、坐着起立、蹲着起立等疑似跌倒行为的时频域特征与跌倒行为的相似，因此，使用时频域特征不能很好的将跌倒行为与疑似跌倒行为区分开来，而且还可能会增加误报。

1.2合成加速度的小波变换

小波变换是将信号分解为一系列小波函数的叠加，小波函数可以描述信号时频域的局部特性，有助于通过合成加速度信号的局部特性区分跌倒行为和疑似跌倒行为。小波函数由1个母小波函数经过平移和尺度伸缩得到。

设小波函数Ψ(t)，对于平方可积的合成加速度信号a(t)的连续小波变换定义[17]为

(2)

式中，t为时间，m为尺度因子，n为平移因子，m>0且m,n均为常数。

(a) 跌倒行为合成加速度信号的时域及频域

(b) 下蹲行为合成加速度信号的时域及频域

(c) 坐下行为合成加速度信号的时域及频域

(d) 坐着起立行为合成加速度信号的时域及频域

(e) 蹲着起立行为合成加速度信号的时域及频域

2　基于小波特征的跌倒检测方法

对合成加速度信号进行小波分解，提取分解后第3、4层低频近似系数的小波能量、波峰平均值及波峰个数作为特征，使用决策树分类器进行分类识别，能有效识别出跌倒行为。

2.1小波特征提取方法

对预处理的合成加速度，利用多分辨率分析的小波变换进行分解[18]

(3)

i∈{x,y,z}.

φjk(n)=2j/2φ(2jn-k)。

其中,djk是高频细节系数，ajk是低频近似系数，φjk(n)是小波函数，φjk(n)是尺度函数，j为伸缩尺度因子，k为时间坐标轴变量，J为小波分解的层数。

令小波分解层数J=6，使用DB3小波函数作为母小波函数，对用户发生跌倒时的原始合成加速度信号进行6层分解，得到各层近似系数，如图2所示。

图2　跌倒行为原始加速度信号及6层分解后各层的近似系数

由图2可以看出，通过小波分解后的前4层低频近似系数很好的保留了原始合成加速度信号的特性，不仅对原始合成加速度信号进行了平滑处理，而且对原始信号进行了高频噪声滤波处理。因此，可使用经过分解后的第3、4层低频近似系数的小波能量WE、波峰平均值HAP及波峰个数NP共计6种特征作为识别跌倒行为的特征。

将小波能量WE定义为1到6层每层细节系数的平方和，可表示为[19]

(4)

波峰的平均值定义为[19]

(5)

波峰个数NP在MATLAB的命令窗口程序为

fork=1：sampleNum

NP=NP+1;

end if

end for

其中T为阈值。

2.2识别模型

利用决策树作为行为识别模型，如图3所示，其中Energy_3(4)、peakMean_3(4)分别表示小波分解后第3、4层的小波能量与波峰的平均值。

图3　小波特征训练的决策树模型

3　实验及结果分析

3.1实验数据采集

通过模拟老年人跌倒和疑似跌倒行为来采集加速度传感器的数据。数据采集分为以下两个部分。

(1)让采集者模拟老年人跌倒行为，由于人在跌倒发生时，在倒地的瞬间会下意识的用胳膊或膝盖等来缓冲，所以在模拟跌倒行为时，使用胳膊或膝盖等作为缓冲，然后倒下。

(2)采集疑似跌倒行为的数据，疑似跌倒行为都是日常行为中与跌倒行为在识别过程中不易于区分的行为，分别为静止坐下、静止下蹲、坐着起立以及蹲着起立。

实验对象共有6人，分别为3名女生和3名男生，平均年龄为23岁，平均身高为168 cm，平均体重为60 kg。每个人分别模拟4种跌倒行为和4种日常疑似跌倒行为，4种跌倒行为分别为向前跌倒、向后跌倒、向左跌倒以及向右跌倒，每种跌倒行为每人分别采集10次；4种疑似跌倒行为分别为静止坐下、静止下蹲、坐着起立以及蹲着起立，每种疑似跌倒行为每人分别采集40次。采样频率为100 Hz，采样时间为5 s。将4种跌倒行为作为一种行为处理，即不区分方向的跌倒行为，那么采集的行为包括4种疑似跌倒与跌倒行为，共计5种行为，表1为每种行为的采样情况。基于Android手机的加速度数据采集软件界面如图4所示。

表1　每种行为描述与样本数

图4　加速度数据采集界面

3.2实验方法

对原始合成加速度信号进行滤波处理后，提取小波特征，分别为小波分解后的第3、4层低频近似系数的小波能量、波峰平均值及波峰个数，决策树作为分类器。将特征数据的2/3数据作为构建决策树模型的训练数据，另外1/3的数据用于对决策树模型的测试。

3.3实验结果对比分析

时频域特征分别包括平均值、标准差、范围、均方根以及频谱能量[20]，图5为合成加速度信号时频域特征折线。

图5　时频域特征折线

从图5可以看出，跌倒行为与其他疑似跌倒行为的时频域特征中存在交叉点，跌倒行为与疑似跌倒行为之间的区分度比较低。依据这些时频域特征不仅跌倒行为的识别准确率低，而且还会造成将坐下、下蹲、坐着起立、蹲着起立等疑似跌倒行为误判为跌倒行为。图6为小波特征折线。

图6　小波特征折线

从图6中可以看出，跌倒行为的小波能量、小波波峰特征与疑似跌倒行为的小波特征完全没有交叉点，跌倒行为与其他疑似跌倒行为之间的界限很明确。

采用时频域特征和小波特征进行跌倒识别的实验结果分别如表2和表3所示。跌倒行为的训练样本数为160，测试样本数为80，疑似跌倒行为的训练样本数共计为640，测试样本数为320。表4为时频域特征与小波特征检测跌倒行为的识别结果对比。

表2　时频域特征跌倒识别结果

表3　小波特征跌倒识别结果

表4　时频域法与小波分解方法结果对比

由表4可以看出，采用时频域特征的方法对于跌倒行为识别的准确率为93.75%，但是误报率却高达24.17%。然而，基于小波分解提取特征的方法对于跌倒行为的准确率为98.75%，误报率仅为4.06%，误报率降低了20%多。

4　结语

基于小波特征的跌倒行为检测方法，通过采集疑似跌倒以及跌倒行为的加速度数据，对合成加速度信号进行6层小波分解，以第3、4层的低频近似系数的小波能量、波峰平均值及波峰个数为特征，利用决策树分类器从跌倒行为以及疑似跌倒行为中识别出跌倒行为。对比实验结果表明，该方法的跌倒行为识别的准确率为98.75%，误报率仅为4.06%。无论在准确率，还是误报率方面都要优于时频域特征方法。

[1]ZHANG Q B, TIAN G H, DING N N, et al. A Fall Detection Study Based on Neural Network Algorithm Using AHRS[C/OL]// 2013 IEEE International Conference on Information and Automation (ICIA), Yinchuan:IEEE, 2013:773-779[2016-03-10]. http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=6720398.DOI: 10.1109/ICInfA.2013.6720398.

[2]TONG L, SONG Q J, GE Y J, et al. HMM-Based Human Fall Detection and Prediction Method Using Tri-Axial Accelerometer[J/OL]. IEEE Sensors Journal, 2013, 13(5):1849-1856[2016-03-10]. http://dx.doi.org/10.1109/JSEN.2013.2245231.

[3]薛洋. 基于单个加速度传感器的人体运动模式识别[D/OL]. 广州: 华南理工大学, 2011：5-129[2016-03-10]. http://cdmd.cnki.com.cn/Article/CDMD-10561-1011188711.htm.

[4]何振宇. 基于三轴加速度传感器的人运动识别研究[D/OL]. 广州：华南理工大学, 2009: 1-131[2016-03-10]. http://d.wanfangdata.com.cn/Thesis_Y1595806.aspx.

[5]霍宏伟，张宏科. 基于室内无线传感器网络射频信号的老年人跌倒检测研究[J/OL].电子学报，2011,39(1) :195-200[2016-03-10]. http://d.wanfangdata.com.cn/Periodical/dianzixb201101034.

[6]CHEN B R, GWIN J. Fall detection and risk of falling assessment with wearable sensors[C/OL]//Proceedings of the conference on Wireless Health, New York, NY, USA:ACM, 2012: 1-2[2016-03-10]. http://dl.acm.org/citation.cfm?id=2448109.DOI: 10.1145/2448096.2448109.

[7]李娜, 侯义斌, 黄樟钦. 基于人体加速度特征的实时跌倒识别算法[J/OL]. 小型微型计算机系统, 2012, 33(11): 2410-2413[2016-03-10]. http://dx.chinadoi.cn/10.3969/j.issn.1000-1220.2012.11.017.

[8]王荣，章韵, 陈建新. 基于三轴加速度传感器的人体跌倒检测系统设计与实现[J/OL]. 计算机应用, 2012, 32(5):1450-1452,1456[2016-03-10]. http://dx.chinadoi.cn/10.3724/SP.J.1087.2012.01450.

[9]BAEK W S, KIM D M, BASHIR F, et al. Real life applicable fall detection system based on wireless body area network[C/OL]//2013 IEEE 10th Consumer Communications and Networking Conference (CCNC), Las Vegas, NV :IEEE, 2013:62-67[2016-03-10]. http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6488426.DOI: 10.1109/CCNC.2013.6488426.

[10] ZHAO Z T, CHEN Y Q, WANG S Q, et al. FallAlarm: Smart Phone Based Fall Detecting and Positioning System[J/OL]. Procedia Computer Science, 2012, 10(4):617-624[2016-03-10]. http://dx.doi.org/10.1016/j.procs.2012.06.079.

[11] 周敏. 基于移动终端的跌倒检测方法研究[D/OL]. 湘潭: 湘潭大学, 2013:7-36[2016-02-10]. http://d.wanfangdata.com.cn/Thesis/D352338.

[12] 吴志强. 基于智能手机的人体跌倒检测技术的研究与应用[D/OL]. 广州: 南方医科大学, 2014:3-69 [2016-03-10].http://cdmd.cnki.com.cn/Article/CDMD-90023-1014335125.htm

[13] 衡霞, 王忠民. 基于手机加速度传感器的人体行为识别[J/OL]. 西安邮电大学学报, 2014,19(6):76-79[2016-03-10].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2014.06.015.

[14] FANG S H, LIANG Y C, CHIU K M. Developing a Mobile Phone-based Fall Detection System on Android Platform[C/OL]// 2012 Computing, Communications and Applications Conference (ComComAp), Hong Kong: IEEE, 2012:143-146[2016-03-10]. http://dx.doi.org/10.1109/ComComAp.2012.6154019.

[14] DAI J, BAI X, YANG Z, et,al.Mobile phone-based pervasive fall detection[J/OL]. Personal and Ubiquitous Computing, 2010,14(7):633-643[2016-03-10]. http://dx.doi.org/10.1007/s00779-010-0292-x.

[15] ZHOU M, WANG S, CHENh Y, et al. An Activity Transition Based Fall Detection Model on Mobile Devices[C/OL]// Human Centric Technology and Service in Smart Space,[s.l.]:Springer Netherlands, 2012: 1-8[2016-03-10]. http://link.springer.com/10.1007/978-94-007-5086-9_1.

[16] AGUIAR B, ROCHA T, SILVA J, et al. Accelerometer-Based Fall Detection for Smartphones[C/OL]// 2014 IEEE International Symposium on Medical Measurements and Applications (MeMeA), Lisboa:IEEE, 2014:1-6[2016-03-10].http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=6860110.DOI: 10.1109/MeMeA.2014.6860110.

[17] 王大凯，彭进业. 小波分析及其在信号处理中的应用[M]. 北京：电子工业出版社，2006:24-28.

[18] BURRVS C S, GOPINATH R A, GUO H T. 小波与小波变换导论[M]. 程正兴,译.北京：机械工业出版社，2007:5-10.

[19] 孙延奎.小波分析及其应用[M].北京:机械工业出版社，2005:135-138.

[20] 王忠民, 曹栋. 基于蚁群算法的行为识别特征优选方法[J/OL]. 西安邮电大学学报, 2014,19(1):73-77[2016-03-10]. http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2014.01.016.

[责任编辑:祝剑]

A fall behavior detection method based on wavelet features

LU Chen1,HAN Na2,LIANG Chen2

(1.Research and Development Management Department, Zhongxing Telecommunication Equipment Corporation, Xi’an 710114, China;2.School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

A fall behavior recognition method based on wavelet decomposition is proposed to deal with problems that the traditional fall identification algorithm can easily mistake suspected acts such as sit down, squat, etc. for the fall behavior. This new method decomposes the original synthetic acceleration signal into different frequency sub-signal according to the wavelet decomposition, and then extracts wavelet energy, average peak amplitude and the number of peak from low-frequency approximation wavelet coefficients of these sub-signals. The decision tree model is then used with wavelet features for classification. Experimental results show that the proposed method can not only identify the fall behavior from suspected behaviors effectively but also improve the accuracy rate and reduce the false alarm rate.

wavelet transform, fall behavior, suspected fall behavior, decision tree

10.13682/j.issn.2095-6533.2016.05.009

2016-05-15

国家自然科学基金资助项目(61373116)；陕西省科技统筹创新工程计划项目(2016KTZDGY04-01)

卢忱(1965-)，男，博士，副教授，从事智能终端及无线通信安全研究。E-mail: lu.chen@zte.com.cn

韩娜(1991-)，女，硕士研究生，研究方向为移动情景感知。E-mail:1198064502@qq.com

TP391

A

2095-6533(2016)05-0043-07