基于加速度小波包能量特征与多分类器融合的跌倒检测研究

田一明　陈伟　王喜太

摘 要：跌倒已成为危害老年人人身安全的主要因素之一。为提高对老年人跌倒检测的准确性，文章将集成学习的思想引入对老年人的跌倒检测之中。首先，通过小波分解对加速度信号进行频带划分，以得到相应动作加速度信号在不同频带下的能量分布情况；然后，对训练得到的基分类器进行性能评价和有效选取，以实现基分类器之间的优势互补；最后，应用加权投票法融合经过优选的基分类器组成多分类器融合检测系统。结果表明，文章方法优于单一分类器识别模型。

关键词：跌倒检测；小波分解；分类器融合；模式识别

21世纪我国已经步入老龄化社会，跌倒已成为威胁独居老年人健康的风险之一。有研究显示，在65岁以上独自居住的老年人中，每年大约有1/3的老年人发生过跌倒。目前在跌倒检测领域，基于可穿戴设备的方法由于设置简单价格相对低廉，受到学者的普遍关注。一些学者将集成了三轴加速度仪等惯性装置放置于受试者腰部，通过与人体跌落各个过程的阈值进行对比，来检测受试者是否发生了跌倒，这种方法阈值的选择大多具有主观性，处理不同类型的跌倒时鲁棒性较差。相比于应用阈值的检测方法，应用机器学习的方法能明显改善对跌倒的检测效果，相关的研究包括：基于随机森林的跌倒检测方法[1]、基于支持向量机[2]和极限学习机[3]的跌倒检测方法等。

本文在应用加速度小波包特征构建不同类别分类器的基础上，通过组合多个性能优良的分类器建立了检测率更高、性能更为可靠的跌倒检测系统，以实现提高跌倒检测率的目的。

1 加速度的小波特征

目前加速度信号已广泛应用于人体异常活动状态识别。小波变换是一种能够结合时域和频域特征来对信号进行特征提取的工具之一，并得到了一定的应用[4]。小波包分解能够对不同活动的加速度特征进行深入细致的描述，有利于識别系统的判断。

本文以和加速度信号G进行加速度小波特征提取，公式为：

式中，X，Y，Z分别为加速度传感器在x，y，z三个轴上的加速度。

小波包能量谱是信号经过小波分解后以能量的方式表示不同频带上信号特征的一种方式。小波信号的能量可定义为：

2 多分类器融合系统

本文通过融合不同属性的基分类器组成一个强分类器来对跌倒进行检测，所设计的跌倒识别集成学习系统在基分类器优良性能的基础上，通过差异性度量的规则来融合实现。图1是多分类器融合系统的原理示意图。

2.1 基分类器的选择

在基分类器的选择上，本文分别选取了BP神经网络、RBF神经网络、LDA算法、随机森林算法以及KNN分类算法作为基分类器。

2.2 分类器的差异性度量原则

通过Q统计量法对两两不同的基分类器之间的差异性进行度量。对于两个基分类器Q1和Q2，N11与N00分别表示两个分类器均作出正确识别与错误的识别的样本占总样本的比例。

Nij代表在Qi中识别准确而在Qj中识别错误的样本比例。Q统计量法可以用公式表示为：

若一个集成学习系统由L个单分类器组成，则整个系统的成对差异性表示由这个系统中所有两两成对差异性取平均值获得：

通过难度度量法来衡量集成分类器整体的性能。首先，计算随机变量X的分布，X表示一个输入样本像元x正确分类的基分类器占所有基分类器的比例，即X∈{0，1/L，2/L，…，1}，难度度量计算X的方差，如公式（8）：

公式（8）中：θ的大小与集成分类器表现的差异性成反比。

2.3 多分类器的决策级融合

本文选取加权投票法融合不同基分类的识别信息，基分类器权重的计算依据它们在训练集中的准确率而确定，计算公式如公式（9）所示：

式中：αi表示第i个基分类器的权重值，其中i=1，2，…，L；Ratei表示第i个基分类器的训练集中平均准确率。

3 实验与结果

3.1 实验系统和数据

实验系统由两个部分组成：一个是加速度传感器部分，另一个是与计算机交互的接收部分。加速度传感器部分包括ADXL-345加速度传感器、Arduino Pro微型控制器模块和nRF24L收发器模块（如图2a）。计算机交互的接收部分由Arduino Pro微型控制器模块和nRF24L收发器模块组成（如图2b）。接收器使用UART接口连接到个人电脑，设置参数为：数据位8位，波特率115200，奇偶校验无，停止位1。本实验从5名受试者身上采集跌倒以及日常生活活动的加速度信号，所有受试者都在腰部相同部位佩戴加速度传感器（如图2c）。

考虑到实验的安全性，所有受试者均来自实验室身体健康的学生。采集每位受试者跌倒和一些日常生活活动的加速度信号，其中每种日常生活活动各做20组，跌倒为80组。将采集到的数据样本按6：4的比例分为训练样本和测试样本。

3.2 基分类器的结果分析

分析各基分类器的性能以及它们的差异性，本文利用从加速度信号提取到的小波特征对所选取的五种基分类器分别进行训练，各基分类器的训练集准确率如表1所示。

按照2.2节分类器差异性度量原则，从这5种基分类器中选出3个组成多分类器融合检测系统。为了叙述方便，首先将各单分类器标号：将BP神经网络、RBF神经网络、LDA算法、随机森林算法以及KNN分类算法分别标为1至5号分类器，以便进行实验后的差异性度量。根据单分类器的识别结果，利用公式（6）得出：

Q12=0.786，Q13=0.843，Q14=0.734，Q15=0.863，Q23=0.932，Q24=0.549，Q25=0.671，Q34=0.814，Q35=0.657，Q45=0.583。

利用公式（7）得出：Q123=0.653，Q124=0.737，Q125=0.822，Q134=0.854，Q135=0.682，Q145=0.734，Q234=0.782，Q235=0.684，Q245=0.753，Q345=0.673。