李仲年，臧春华,杨 刚，项 嵘

（南京航空航天大学电子与信息工程学院，南京211106）

基于噪声嵌入的跌倒检测系统设计*

李仲年，臧春华,杨 刚，项 嵘

（南京航空航天大学电子与信息工程学院，南京211106）

跌倒会对老人健康产生大的伤害，因此跌倒检测系统的重要性日益凸显。针对老人跌倒的复杂运动场景和噪声数据含有的大量有用信息，提出了一种噪声嵌入的跌倒检测系统。系统使用3D加速度传感器采集运动的加速度数据，分别对数据进行跌倒标注和噪声强度标注，然后对数据进行特征提取。使用特征和标注信息分别训练噪声强度分类和跌倒检测分类器，最终使用训练好的两个分类器实现跌倒检测。数据采集传感器设计为可穿戴设备，使用Zigbee进行组网，服务器端使用Java编写一个服务器程序，实现了对数据的分析与处理。实验结果表明系统能满足老年人日常生活中的需求，对一些意外跌倒能够给予及时的检测与报警。

噪声嵌入；跌倒检测；模式识别；支持向量机；主成份分析；特征提取

1 引言

近年来，随着物联网技术的发展，可穿戴设备[1]能够提供一些人的基本运动数据，一般包括运动量和心率等[2]，但这些基本的运动数据都无法很好满足老年人的一些特殊需求，例如跌倒检测，因此在基本数据的基础上进行深入处理成为跌倒检测的一种发展方向。在基本数据的基础上跌倒检测又可以分为基于设立阈值的跌倒检测和基于模式识别的跌倒检测[3]。其中基于模式识别[4]的跌倒检测更适应复杂的跌倒场景，应用更加广泛。一般的基于模式识别的跌倒检测都是将特征向量直接放入分类器进行最终检测，忽略了具有不同标签的相似数据所含有的噪声信息，因此影响检测的准确率。

基于模式识别的跌倒检测技术，提出了噪声嵌入（NE）的跌倒检测系统，该系统利用特征预先实现噪声分类，然后将噪声分类信息加入到另一个分类器实现噪声嵌入，最后进行跌倒检测，有效利用了噪声信息，提高了跌倒检测准确率。

2 基于N E的跌倒检测算法

2.1 基于模式识别的跌倒检测原理

基于模式识别的跌倒检测原理就是依靠可穿戴设备获取来的基本数据，对数据进行后续处理，例如进行特征提取和特征选择，选择合适的特征然后将特征放入分类器进行学习，学习出能够进行跌倒检测的分类器，然后用分类器进行跌倒检测。

2.2 基于N E的跌倒检测原理

目前基于模式识别的跌倒检测其分类器一般采用的算法有K近邻（KNN）[5]，支持向量机（SVM）[6]，朴素贝叶斯[7]等。由于人体运动的情况复杂，很多运动数据与跌倒类似，然而这些非跌倒的数据一般被看作噪声数据，目前的方法往往忽略噪声数据直接进行跌倒检测，噪声数据中含有大量近似跌倒的信息，这种情况下很容易将非跌倒判定为跌倒，从而影响跌倒判断的准确率。

为此，提出了基于NE的跌倒检测算法，将噪声数据使用一个多分类的分类器进行分类之后嵌入到特征向量中实现跌倒检测，这充分利用了数据中的噪声信息。该方法的实现不仅需要进行正确的样本标注，而且需要进行噪声标注。噪声标注就是在获取传感器数据时标注这种噪声的强度，本算法规定运动越近似跌倒，噪声越大即其标签值越大。

NE算法使用两个分类器先后进行噪声的识别与跌倒检测。先利用KNN识别出噪声类别，再将噪声类别嵌入特征向量中使用SVM算法检测是否跌倒。算法的数据流向框图如图1所示。

图1 NE算法数据流向图

在特征提取方面，选择主成份分析（PCA）[8]作为特征提取的方法，PCA是目前模式识别的特征提取中效果比较出色的一种特征提取方法，该方法在提取特征的同时进行数据压缩与降噪。

具体来说，x为输入传感器采集的数据向量，即?−R ，求取x的自相关矩阵?R − E?−?,将R做特征值分解，得到特征值 ?,i −1,2,...,m，m，对 ?i进行归一化，即 ，将 ?i从大到小依次排序，选择?中最大的 个值对应的特征向量为基向量构造投影子空间V?−?v ,v ,..,v?，将任一目标数据x对投影子空间投影?xx Vx，可得到表征该目标的数据i 维特征向量 xx−。

经过实验论证，KNN在噪声强度标记方面效果较好，噪声识别使用KNN来实现，KNN算法直观且容易实现多类别分类。KNN算法的原理为给定一个训练样本集，对于输入的数据实例，在训练集中找到与该实例最近的k个实例，这k个实例多数属于某个类，就把这个实例输入分为这个类。

SVM在解决分类问题方面较有优势，跌倒检测的识别算法选?用 SVM，假设有一组训练?数据集??xi, yi?，其中 ?−Rn是第i个训练样本，y i 为第i个样本的标签，SVM通过解决最优化问题见下。

获得最优超平面。通过实验数据发现，使用线性核函数的识别率很差，从而尝试使用其他核函数。经过实验，结果表明高斯核效果最好，故SVM的核函数我们选择为高斯核，具体公式为：

高斯核有效提高了SVM的泛化能力，并且有效避免了维数灾难，使用高斯核SVM的结构如图2所示。

图2 使用核函数的SVM结构图

2.3 基于噪声嵌入的跌倒检测步骤

完整的噪声嵌入跌倒检测算法由学习与检测两部分组成。

2.3.1 学习部分步骤

（1）从传感器读入三轴加速度传感器的数据，数据为三个轴的加速度值，因为传感器的值在时间上是连续抽样所得，所以必须对数据进行切分，用滑动窗口将数据进行分割;

（2）对数据进行整理，剔除明显错误的数据，标记数据;

（3）对数据进行特征提取，这里采用的特征提取方法为主成份分析（PCA），得到特征向量；

（4）将所有特征向量进行归一化[9]，归一化公式为：

（5）用得到的特征向量和噪声标注学习；

（6）将噪声数据嵌入特征向量，本方案将分类出的噪声放在特征的最后一位，学习跌倒检测的分类器，分类器选择为SVM。

2.3.2 检测部分步骤：（1）将已经学习到的分类器移植到目标平台;（2）使用滑动窗口实现数据分割，清洗数据；（3）将数据进行特征提取对提取完的数据进行归一化；

（4）将归一化的数据进行跌倒检测，即将特征向量放入分类器中进行分类；

（5）对测出的跌倒行为进行报警。

3 系统设计

3.1 系统架构

跌倒检测系统主要包括三部分，一部分是可穿戴模块，负责人体运动数据的采集，包括一个三维加速度传感器和一个无线发送模块，这部分佩戴在身上；另一部分是路由节点，负责接收传感器的数据，路由部分由无线模块和MCU模块组成负责将传感器的数据传输到服务器；服务器部分对数据进行分析与计算，检测是否发生跌倒。

3.2 数据流向架构

采集身体运动加速度数据之后将数据传输给路由器节点，这两部分通过无线模块进行通信，这里使用Zigbee模块[10]作为无线传输模块。路由器的数据通过USB与服务器进行数据通信。服务器由基于Windows7操作系统的PC构成，使用Java编写一个服务器端程序，服务器对数据进行分割及特征提取和跌倒检测。

图3 数据流向架构图

4 实验结果及分析

通过实验数据验证本系统的检测性能，并将本系统与KNN，朴素贝叶斯，SVM三种常用的跌倒检测算法进行对比。实验采用200组数据进行学习，表1前两行给出了NE算法和KNN与SVM作为跌倒检测算法的实验结果。其中KNN和SVM分别是仅仅使用PCA做特征提取后的直接检测，NE为做噪声嵌入之后的跌倒检测，实验结果表明噪声嵌入的算法提高了识别精度。表1后两行给出了将KNN的噪声提取算法换成多项逻辑斯蒂回归[11]（MLR）时的实验结果，KNN作为噪声提取的算法精度比MLR要高。

表1 嗓声嵌入算法与其他检测准确率比较表

5 结束语

NE算法是将噪声信息加入到检测之中，实现对噪声的感知，提高检测跌倒的鲁棒性。仅仅使用单分类器进行检测往往忽略了噪声，对非常接近跌倒的行为很容易被误识别为跌倒，从而影响识别精度。NE算法可以理解为对数据做了一次有目的的特征提取，使用分类器，实现了非常有效的特征提取。NE算法先学习一个分类器，识别出里面的噪声信息，并将识别出的信息作为输入特征的一部分，有目的的使用数据中的噪声，从而充分利用了数据信息，在不同环境下实现了检测的鲁棒性。

有效的特征提取是跌倒检测准确率的关键，实验结果表明有目的的使用噪声信息提高了识别精度，充分利用了数据中不同部分的信息。

[1]Castillejo P,Martinez J F,Rodriguez-Molina J,et al.Integration of wearable devices in a wireless sensor network for an E-health application[J].IEEE Wireless Communications, 2013,20(4):38-49.

[2]Lara O D,Labrador M A.A Survey on Human Activity Recognition using Wearable Sensors[J].IEEE Communications Surveys&Tutorials,2013,15(3):1192-1209.

[3]Mubashir M,Shao L,Seed L.A survey on fall detection: Principles and approaches[J].Neurocomputing,2013,100 (2):144-152

[4]Burges C J C.A Tutorial on Support Vector Machines for Pattern Recognition[J].Data Mining&Knowledge Discovery, 1998,2(2):121-167.

[5]Aslam MW,Zhu Z,Nandi A K.Automatic modulation classification using combination of genetic programming and KNN[J].IEEE Transactions on Wireless Communications, 2012,11(11):2742-2750.

[6]Cortes C,Vapnik V.Support-Vector Networks[J].Machine Learning,1995,20(3):273-297.

[7]Bishop C M.Pattern Recognition and Machine Learning[M]. Springer,2006.

[8]Shlens J.A Tutorial on Principal Component Analysis[J]. Eprint Arxiv,2014,58(3):219-226.

[9]Y.LeCun,L.Bottou,G.Orr,and K.Muller,Efficient Backprop[J].Neural Networks:Tricks of the Trade,G.Orr and M. Klaus-Robert,eds.,Springer,1998.

[10]ZhengL.ZigBee Wireless Sensor Network in Industrial Applications[C].//SICE-ICASE,2006.International Joint Conference.2006:1067-1070.

[11]Milena Kuehnast,Valentin Wagner,Eugen Wassiliwizky, Thomas Jacobsen,Winfried Menninghaus.Being moved: linguistic representation and conceptual structure[J].Frontiers in Psychology,2014,5:1242-1242.

Design of Fall Detection System Based on Embedded Noise

Li Zhongnian,Zang Chunhua,Yang Gang,Xiang Rong
（College of Electronic and Information Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China）

Fall will be a great harm to the health of the elderly,so the importance of fall detection system has become increasingly prominent.A fall detection system based on noise embedded algorithm is proposed in this paper,since the old man fall movement is very complex and the noise data contains a large amount of useful information.The 3D acceleration sensor is used to collect the movement of accelerating data,the samples are labeled by intensity of fall and noise and extraction of feature is done on the data.The feature and label are used as train classifiers of fall detection and intensity of noise.At last the trained classifier is served to recognition of fall.The sensor of data acquisition is designed as a wearable device,using Zigbee for the network and Java for writing a program to process and analyze the data.The experimental results demonstrate that the system can meet the needs of the elderly in their daily lives,and some unexpected falls are able to be detected and alarmed timely.

Noise Embedding;Fall Detection;Pattern Recognition;Support Vector Machine; Principal Component Analysis;Feature Extraction

10.3969/j.issn.1002-2279.2017.02.017

TP391

A

1002-2279-（2017）02-0074-03

南京航空航天大学研究生创新基地（实验室）开放基金（kfjj20150401）

李仲年（1990-），男，江苏省徐州市人，硕士研究生，主研方向：模式识别。臧春华（1964-），男，副教授，主研方向：数字系统设计与计算机应用。

2016-09-06