基于SVD特征降维和支持向量机的跌倒检测算法

白 勇 孙晓雯 秦 昉 孙子文

1(无锡宏创电子有限公司 江苏 无锡 214072)2(江南大学物联网工程学院 江苏 无锡 214122)

基于SVD特征降维和支持向量机的跌倒检测算法

白 勇1孙晓雯2秦 昉2孙子文2

1(无锡宏创电子有限公司 江苏 无锡 214072)2(江南大学物联网工程学院 江苏 无锡 214122)

为减少跌倒对人体造成的伤害，采用一种基于支持向量机的人体跌倒检测方法。利用安置于腰上的手机采集人体运动行为加速度数据，提取对跌倒行为敏感的时域及频域特征，利用奇异值分解方法降维特征和重构跌倒特征，采用支持向量机分类器检测跌倒行为。仿真实验表明:该方法能够有效地识别跌倒和日常行为，具有较高灵敏度和特异度，并可同时提高识别正确率。

跌倒检测 支持向量机 加速度传感器 奇异值分解

0 引 言

因意外跌倒导致老年人死亡率迅速上升，给老年人的生理和心理带来极大危害。在老年人安全监护方面，有效的跌倒检测方法具有重要意义[1]。目前针对老人跌倒行为检测方法研究中，主要分为两种方法，基于阈值方法和基于机器学习方法[2]。

在使用阈值检测方法方面，文献[3]分别对合加速度滑动平均值以及差分信号幅度域设定阈值进行跌倒判断。文献[4]利用智能手机开发检测系统，把跌倒过程分为正常状态、不稳定状态、自由下落状态、调整状态以及稳定状态5个阶段，分别对应设置合加速度阈值，建立跌倒检测模型。文献[5]利用手机采集加速度数据，提取跌倒瞬间的失重状态和触地瞬间的超重状态特征，通过阈值方法检测用户跌倒。此类阈值方法预算复杂度低，系统响应较快，对于类似姿态的身体动作识别率较低，适应性较差。

机器学习方法可从数据中自动学习获得规律，并对未知数据进行预测，是一个从未知到已知的过程，是人工智能最前沿的研究领域之一。使用机器学习方法对人体跌倒行为进行检测具有识别率高、自适应等特点。文献[6]采用神经网络方法对传感器数据分析训练，进行跌倒动作识别。文献[7]通过提取加速度数据的时、频域等30个特征，利用隐马尔科夫(HMM)方法和身体姿态分析对人体跌倒行为进行检测。文献[8]根据智能手机中加速度传感器以及WiFi模块，采用决策树方法进行跌倒检测并利用WiFi信号强度进行老人位置定位。文献[9-10]通过决策树方法提取加速度的时间序列特征，识别区分正常和异常跌倒行为，并在Android手机上验证了算法的有效性。上述机器学习方法都达到了识别跌倒行为的目的，但却没有从特征优化方面考虑解决近似行为的识别问题，以此提高识别准确率。

本文利用支持向量机方法SVM对人体跌倒进行识别。通过智能手机加速度传感器采集人体行为加速度数据，提取均值、相关性、标准差以及能量等24个时域和频域特征值，采用奇异值分解SVD(singular value decomposition)方法进行特征重构和降维，奇异值分解方法利用部分特征值反映整个特征空间信息，不仅可以实现降维，并且会改进识别性能[11-12]。

1 特征表达

1.1 跌倒数据表达

有别于正常的人体活动，跌倒是人体在无意识或是失控状况下，由站立或平坐等直立姿态向躺倒姿态的转变过程[14]，这一转变过程可由加速度传感器有效捕捉并根据检测信号建模来度量。加速度传感器所测的加速度信号包含两部分：一个是由人体动作引起的惯性加速度分量，另一个是受地球重力引起的加速度分量，任何时刻这两个分量并存, 加速度信号表示为：

(1)

实验者按照指示方向佩戴装置，即可检测前向x轴、侧向y轴以及垂直z轴方向上的加速度，其中xi、yi、zi分别表示三轴i时刻的加速度数据，xdi、ydi、zdi为由人体动作引起的三轴加速度分量，xgi、ygi、zgi为受地球重力引起的三轴加速度分量。当发生跌倒异常行为时，加速度在较短时间内发生剧烈变化，据此，提取加速度数据进行分析。

为减小信号噪声的影响，采用中值滤波滤除加速度传感器系统噪声。中值滤波基本原理是：假设x轴时间信号的离散采样序列为{x(i)|i=1,2,…,n}，以序列中i时刻为中心，取m个数据，按升序或降序方式排列数据，将排序后的中间值作为原序列的第i时刻的值,其中值为：

(2)

其中k为自然数。

图1为实际跌倒过程中x轴加速度数据曲线，显示中值滤波滤掉了数据中的孤立噪声点以及孤立的噪声尖峰，对数据具有较好的平滑效果。

图1 跌倒时Z轴加速度数据滤波前后对比

1.2 特征提取及归一化处理

采用滑动窗口提取时间序列数据，对于滑动窗口内数据进行离散特征提取。

原始数据表示为：

{(x1,y1,z1),(x2,y2,z2),…,(xn,yn,zn)}

选取x轴的特征表达式如式(3)-式(12)所示。 选取y、z轴的特征表达式类似，不予赘述。

(1) 加速度平均值：

(3)

(2) 加速度均方根：

(4)

(3) 加速度标准差：

(5)

(4) 加速度标幅值：

xmax=max(xi)

(6)

(5) 加速度相关性：

(7)

(6) 加速度斜率(计算峰值距离)：

(8)

(7) 加速度平均绝对偏差：

(9)

(8) 三轴合加速度：

(10)

(9) 过均值点个数：

(11)

(10) 加速度能量：

(12)

其中，Ex为频域傅利叶变换表示。

根据式(3)-式(12)，三轴共提取出24个特征值，特征向量表示为:

Fi={Mx,My,Mz,corx,cory,corz,…,SMV}

(13)

对提取的特征向量分量采用平均数方差法分别进行归一化处理，特征向量Fi={F1,F2,…,F24}归一化表示为：

f(Fi)=(Fi-Fmean)/Fstd

(14)

其中，Fmean为特征向量的均值，Fstd为特征向量的标准差，特征向量经归一化处理之后，每维特征分量都被规范为[-1，1]上的数。

1.3 基于奇异值分解的特征重构方法

时间序列数据降维和特征表示主要是为了提高分类效率, 用尽可能少的特征反应原数据的主要信息,但由于特征之间存在冗余，因此并不是特征越多，包含信息量越大，需要对特征进一步降维及新的特征表示。

奇异值分解具有理想的去相关特性，基于奇异值分解的分析方法可以对特征进行重构，较好地从序列数据中分离出有用的特征信息[13],运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列。

构建训练矩阵Am×n，表示m个样本，对应n个特征，秩为r，对矩阵A进行奇异值分解：

(15)

其中U和V分别为和阶正交阵，Λ为m×n的非负对角阵：

σ1≥σ2…≥σr>0，以及σr=1=σr+2=…=σn=0构成矩阵A的奇异值，根据主成分思想，奇异值越大，其包含的信息就越多，因此前l个主成分所组成的特征空间对应新的特征空间A′：

(16)

式中U(:,1:l)为中l前列向量对应的矩阵，Λl×l为前l个较大奇异值对应的对角矩阵。

2 支持向量机分类算法

跌倒检测的本质是两分类问题，本文将跌倒特征经SVM分类器来检测跌倒。

SVM通过建立一个超平面作为正例和反例样本之间的分割，使边缘最大化，以保证分类正确率最高。设训练集为：

{(p1,q1),(p2,q2),…,(pn,qn)}

其中p1表示提取的特征向量，即：

pi={Mxi,Myi,Mzi,corxi,coryi,corzi,…,SMVi}，qi∈{-1,1}，1表示正常行为，-1表示跌倒。

构造SVM二分类器，即寻找超平面+b=0。要使超平面间距离最大，即求解：

(17)

其中ai、aj为拉格朗日乘子，求解以上对偶问题得到ω和b，得到分类器：

(18)

ai=0时，样本pi称为非支持向量，若ai>0时pi称为支持向量，如果f(x)返回值是1，那么未知样本划分到正常行为类，否则划分到跌倒类。

3 仿真与结果分析

实验使用基于安卓系统的三星GT-S7562型号手机为硬件平台进行数据采集，采集的行为加速度数据保存于手机中，再传到PC机上，用Matlab软件分析。行为测试主要包括正常的日常活动：原地跳跃、跑步、弯腰、躺、快速坐下等几种日常行为，其次为几种典型的跌倒：前后方向前跌倒、侧向跌倒以及跌倒后转身挣扎等动作，为避免被测试者在测试过程中摔伤，所有跌倒实验在垫上进行。

本实验数据由六名(女性三名、男性三名)年龄在22～28岁之间的健康青年人采集，实验共采集加速度行为数据1000组，其中跌倒数据有400组(前后、侧向跌倒各200组)；5种正常行为活动每种采集120组，共600组。将实验数据中每类样本取一半训练SVM，另一半样本用作测试。

3.1SVD仿真分析

运用奇异值分解方法对特征空间降维，初始特征空间为24维，通过对特征维度的不断减少，检测对应特征维度的识别结果，图2中实线表示SVD进行特征空间重构后对跌倒识别效果的影响。

图2 采用SVD降维处理对识别效果影响

根据图2所示，当特征空间未进行降维处理时，检测识别率为97.2%，当SVM方法在维数降为6时，算法分类识别率最高，达到99.0%，这是由于特征个数过多时，冗余特征以及相关度高的特征对支持向量机的分类造成了干扰，特征在10个以上时，识别率波动较小，在10个以下时，识别率随着特征个数的减小而增加，特征为6个时识别率最大，特征少于6个时，不足以全面反映人体运动状态，降低了识别率。

表1 行为识别结果

表1为运用SVD的SVM分类方法与未运用SVD的SVM分类方法识别效果对比，其中未运用SVD的SVM特征空间为24维，运用SVD进行特征重构的SVM方法特征空间为6维。运用SVD后，算法整体平均识别率从97.6%上升到98.6%，同样验证了SVD提高了SVM分类方法的准确性。

采用算法的平均运行时间考察算法的实时性，未使用SVD降维的SVM分类方法对一组数据进行检测所需的平均运行时间为0.06s，使用SVD降维的SVM方法时，所需的平均运行时间为0.04s，验证了本文算法的实时性。

3.2 对比试验

使用采集的加速度信号，应用K-近邻 (KNN)[14]，简易贝叶斯(Nbays)[15]方法进行相同实验次数的检测，本文方法与KNN方法、Nbays方法的对比结果如图3所示。

图3 算法正确识别率对比

由图3可知，本文提出利用奇异值分解对特征进行重构的SVM分类方法整体识别率高于文献[14-15]的算法。且运用SVD对特征进行重构后，KNN方法和Nbays方法的识别效果分别得到提升，验证了SVD在降低特征维数同时能提高检测精度。

4 结 语

本文利用智能手机内置加速度传感器采集人体行为数据，提取相关性、标准差以及能量等构成24维特征空间，并对构成的特征空间进行规范化处理。利用奇异值分解方法进行特征重构和降维，优化特征空间信息，采用SVM分类识别跌倒行为。理论分析和仿真结果表明，SVD能有效降低特征纬度同时保留对跌倒敏感的信心，降低了计算消耗，提升分类器的识别性能，较好区分出跌倒和日常行为活动。

[1]MubashirM,ShaoL,SeedL.Asurveyonfalldetection:Principlesandapproaches[J].Neurocomputing,2013,100:144-152.

[2]BagalàF,BeckerC,CappelloA,etal.Evaluationofaccelerometer-basedfalldetectionalgorithmsonreal-worldfalls[J].PLoSOne,2012,7(5):e37062.

[3] 刘鹏,卢潭城,吕愿愿,等.基于MEMS三轴加速度传感器的摔倒检测[J].传感技术学报,2014,27(4):570-574.

[4]ShiY,ShiY,WangX.Falldetectiononmobilephonesusingfeaturesfromafive-phasemodel[C]//2012 9thInternationalConferenceonUbiquitousIntelligenceandComputingand9thInternationalConferenceonAutonomicandTrustedComputing(UIC/ATC).IEEE,2012:951-956.

[5]DaiJ,BaiX,YangZ,etal.PerFallD:Apervasivefalldetectionsystemusingmobilephones[C]//PervasiveComputingandCommunicationsWorkshops(PERCOMWorkshops),2010 8thIEEEInternationalConferenceon.IEEE,2010:292-297.

[6]SixsmithA,JohnsonN.Asmartsensortodetectthefallsoftheelderly[J].IEEEPervasiveComputing,2004,3(2):42-47.

[7]ChengH,LuoH,ZhaoF.Afalldetectionalgorithmbasedonpatternrecognitionandhumanpostureanalysis[C]//IETInternationalConferenceonCommunicationTechnologyandApplication(ICCTA2011).IET,2011:853-857.

[8]ZhaoZ,ChenY,WangS,etal.Fallalarm:smartphonebasedfalldetectingandpositioningsystem[J].ProcediaComputerScience,2012,10:617-624.

[9]KhawandiS,BallitA,DayaB.Applyingmachinelearningalgorithminfalldetectionmonitoringsystem[C]//ComputationalIntelligenceandCommunicationNetworks(CICN),2013 5thInternationalConferenceon.IEEE,2013:247-250.

[10]OlivieriDN,CondeIG,SobrinoXAV.Eigenspace-basedfalldetectionandactivityrecognitionfrommotiontemplatesandmachinelearning[J].ExpertSystemswithApplications,2012,39(5):5935-5945.

[11]LiC,LinM,YangLT,etal.Integratingtheenrichedfeaturewithmachinelearningalgorithmsforhumanmovementandfalldetection[J].TheJournalofSupercomputing,2014,67(3):854-865.

[12]LiCH,ParkSC.Anefficientdocumentclassificationmodelusinganimprovedbackpropagationneuralnetworkandsingularvaluedecomposition[J].ExpertSystemswithApplications,2009,36(2):3208-3215.

[13] 李海林,杨丽彬.时间序列数据降维和特征表示方法[J].控制与决策,2013,28(11):1718-1722.

[14]ErdoganSZ,BilginTT.Adataminingapproachforfalldetectionbyusingk-nearestneighboralgorithmonwirelesssensornetworkdata[J].IETCommunications,2012,6(18):3281-3287.

[15]KansizAO,GuvensanMA,TurkmenHI.Selectionoftime-domainfeaturesforfalldetectionbasedonsupervisedlearning[C]//ProceedingsoftheWorldCongressonEngineeringandComputerScience,SanFrancisco,CA,USA,2013,2.

THE FALLING DETECTION ALGORITHM BASED ON SVD FEATURE DIMENSION REDUCTION AND SVM

Bai Yong1Sun Xiaowen2Qin Fang2Sun Ziwen2

1(WuxiHongChuangElectronicCo.,Ltd,Wuxi214072,Jiangsu,China)2(SchoolofInternetofThingsEngineering,JiangnanUniversity,Wuxi214122,Jiangsu,China)

A falling detection method based on support vector machine(SVM) is proposed to reduce the harm to human body which caused by falling down. The acceleration sensor data are collected by the mobile phone which is located on the waist, and the features which are sensitive to the falling action are extracted from the time and frequency domain. The extracted features are further processed by singular value decomposition singular value decomposition (SVD) to reduce the dimension and be rebuilt. Then, the SVM is adopted to detect the falling behavior. The simulation results show that the proposed method can effectively identify the falling behavior and the daily behavior, which achievesa higher sensitivity and specificity, improving the detection rate at the same time.

Falling detection SVM Acceleration sensor SVD

2015-10-15。国家自然科学基金项目(61373126)；江苏省自然科学基金项目(BK20131107)；中央高校基本科研业务费专项资金(JUSRP51510)。白勇，工程师，主研领域：模式识别与人工智能，控制工程。孙晓雯，硕士生。秦昉，硕士。孙子文，教授。

TP273

A

10.3969/j.issn.1000-386x.2017.01.045