李思雨，周平，肖文锦，周光泉

东南大学 生物科学与医学工程学院，南京市，210096

0 引言

随着社会工作方式的改变，众多的工作需要工作者保持长时间的头颈部固定姿势。此外，随着娱乐交流等方式的改变，人们操作智能手机、平板电脑时也会长时间保持头颈部固定姿势。因此，虽然颈椎病不是现代工作、生活方式的产物，但不可否认，现代工作、生活方式的改变是目前颈椎病发病率逐年上升的重要原因[1]，甚至有中小学生罹患颈椎病的报道见诸媒体[2]。

实现预防颈椎病的目标，需从头颈部运动监测与头颈部有效运动识别两个方面同时开展工作。就头颈部运动监测而言，传统的监测方法主要通过立体视觉、压力/重力传感器或加速度传感器等方式加以实现。如美国耶鲁大学的DIRACO等[3]设计了一种用于人体姿态识别的动态视觉系统，该系统通过摄像机拍摄视频和图像获取使用者的数据信息。天津大学的郑伟龙[4]通过四台环形布置的摄像机利用立体视觉原理和三维数字图像相关方法跟踪记录贴在每个颈椎椎骨的棘突和横突对应位置上的标志点的空间位置，建立颈椎椎骨坐标系，测量复杂的颈椎运动。武汉大学的朱卫平等[5]将薄膜压力传感器放置于坐垫中对人体体压进行采集，结合摄像头采集人类脸部数据实现准确的坐姿识别，评估颈椎病危险程度。东北石油大学的高鹏[6]根据重力加速度在重力加速度传感器三个感应轴上的重力分量来计算物体的倾角。西南科技大学的谢丛霜等[7]选用6轴运动处理传感器获得与当前姿态相关的四元数数据，转换为欧拉角得到姿态的航向角、俯仰角和翻滚角，实现对人体颈部姿态的读取。总体而言，基于立体视觉的监测方法的优点在于监测方式较为直观，缺点在于系统复杂度与成本相对较高，且存在侵犯使用者隐私的潜在风险。就实现头颈部运动监测而言，基于加速度传感器的监测方法在系统复杂度、成本与使用者隐私保护等方面均具有明显优势[8]。

针对以上问题，笔者研发了一套穿戴式颈椎病预防系统。系统的头颈部运动采集模块通过加速度传感器加以实现，具体采用了放置于头部常见饰品、附件，如眼镜之上的非接触式方案，方便快捷且不影响日常生活。该系统的头颈部有效运动识别模块采用了基于人工智能的信号处理方案，一方面可以对头颈部的长时间固定状态进行识别、报警，另一方面可以引导使用者完成有效的头颈部运动，通过运动疗法实现对颈椎病的预防。

1 头颈部运动采集模块

头颈部运动采集模块的系统框图如图1所示。

图1 头颈部运动采集模块框图Fig.1 Head and neck movement collection module

加速度传感器是头颈部运动采集模块的核心部分，其记录了因头颈部运动而产生的加速度信号。设计时选用MMA7361三轴加速度传感器，因该传感器自带睡眠模式，可降低功耗以提高系统续航能力，适用于穿戴式颈椎病预防系统。考虑到头颈部运动特征，将MMA7361的工作模式设置为1.5 g模式，采样率设置为200 Hz。对于系统的信号控制与处理功能，考虑到头颈部运动采集模块的续航能力以及头颈部运动识别的算法复杂度，我们采用了将头颈部运动采集与识别功能分别在下位机与上位机加以实现的方案。头颈部运动采集模块作为系统的下位机，一方面负责头颈部运动采集模块的控制功能，另一方面将加速度传感器采集到的信号按协议编码直接转发给上位机，而不做其余数字信号处理。综合考虑头颈部运动采集模块的信号控制处理与无线通讯功能，本文选择TI公司的CC2540实现这两项功能。CC2540集成了51内核的MCU与2.4 GHz的低功耗蓝牙通讯模块，可胜任上述两项功能。头颈部运动采集模块的电源部分采用锂电池管理芯片TP4056供电，采用稳压芯片TPS76933对电池输出电源进行稳压，为MMA7361与CC2540等芯片提供3.3 V稳恒电压，使整体采集模块具备便携性且可以持续供电。

笔者研发的头颈部运动采集模块如图1左边第一幅图所示。受限于实验室环境，该采集模块的尺寸为51 mm×35 mm×12 mm，重量为7 g，可满足实验室环境下的颈椎病预防功能。综合考虑市场上现有的带有加速度采集功能的设备，如小米手环，商业化的头颈部运动采集模块的尺寸有望达到36 mm×14 mm×9 mm，重量有望低于10 g，故笔者提出的研究方案具有市场可实现性。

2 头颈部运动识别模块

针对颈椎病预防的应用场景，我们选择以智能手机为上位机，即头颈部运动识别模块的实现载体。考虑到智能手机的数据处理能力与算法功耗，模块内各功能的实现算法均进行了针对性设计。考虑到头颈部运动特征，设置宽为2 s的时间窗对信号进行滑窗截取，并设置50%的窗重叠[9]。头颈部运动识别模块对每一个2 s片段的数据进行处理，主要实现数据预处理、头颈部特定姿态识别与头颈部有效运动识别等三个功能。

数据预处理主要去除信号中的重力加速度，采集连续静止状态下的加速度信号，以此作为系统重力加速度的参考值，在后续的信号中将其去除[10]。重力加速度的参考值采用自适应方式在系统工作中实时修正。由于颈椎病预防系统的使用场景多为使用者头颈部长期保持固定姿势，故运动采集模块获得数据的信噪比比较高。因此，本研究的数据预处理不包含对信号的滤波处理。类似地，综合考虑性能与算法复杂度，头颈部固定姿态识别功能采用阈值法加以实现。本研究以2 s静止状态下加速度信号的总能量作为阈值基本值，阈值基本值实时修正。经实验验证，本研究以2倍阈值基本值作为头颈部固定姿态判定的阈值（记为TH_S），以5倍阈值基本值作为头颈部有效运动判定的阈值（记为TH_M）。若某一个2 s数据片段内加速度信号的能量值小于阈值TH_S，则判定该数据片段为静止状态，并修正阈值基本值；若大于阈值TH_M，则判定该数据片段为运动状态，不修改阈值基本值，并对其进行头颈部有效运动识别。

基于颈部肌肉的生理基础与颈椎病预防运动疗法研究成果[11-14]，头颈部有效运动识别功能将有效运动分为8类：低头、仰头、左转、右转、左侧屈、右侧屈、左回环和右回环，此外为无效运动。

最后，将有效运动与无效动作片段输入卷积神经网络进行分类识别，选择全连接前馈神经网络[15]作为基础结构，整个网络分为三层：输入层、隐藏层和输出层，分别包含512、64和9个神经元。同时为简化各层神经元间的连接结构、提升神经网络训练效率，在前两层网络的训练中使用Dropout层来抑制网络的过拟合倾向[16]，网络结构如图2所示。

图2 神经网络结构图Fig.2 Structure of neural networks

在神经网络各层激活函数选择方面，前两层选用了线性整流激活函数(Rectified Linear Unit,ReLU)，输出层为了输出特定格式的预测向量而选用了softmax分类器[17]。softmax函数的表达式如下：

其中zj表示该网络第j个输出，σ(z)j表示softmax第j个输出值。从式（1）可以看到，softmax函数能够很容易地胜任多分类问题，它的输出可以认为是每一类可能出现的概率大小，所有的类别的概率和为1。

经过实验调试，我们最终选择了交叉熵损失函数[18]和Adagrad梯度下降优化器[19]的组合以达到神经网络最佳的拟合效果。

交叉熵的定义为：

其中p(x)用来描述真实分布，q(x)用来描述模型预测的分布。它是真实分布和训练集分布之间差异性的一个度量，通过取对数的操作使得梯度值相对变大，对参数的修正能力变得更强。

Adagrad梯度下降公式如下：

其中gt表示当前参数的梯度值，η表示全局学习率。Adagrad将第t步之前累加的梯度平方和作为学习率的分母，在学习的过程中实现自动调整学习率：对于出现频率低的参数使用较大的学习率，出现频率高的参数使用较小的学习率，在数据分布稀疏的场景能更好利用稀疏梯度的信息，能更有效地收敛。

3 实验结果

为验证本研究团队研发的颈椎病预防系统的性能，将头颈部运动采集模块固定于使用者佩戴的眼镜上，如图3所示。

为训练本系统的卷积神经网络，头颈部运动采集模块将数据上传到PC机保存，在日常使用时则与智能手机进行蓝牙通讯，在智能手机端集成训练完成了头颈部运动识别模块。本研究采集了10名志愿者（男4女6）共9 000条头颈部运动的加速度数据，数据详情如表1所示。

图3 穿戴式颈椎病预防系统使用图Fig.3 The usage diagram of wearable system for cervical spondylosis prevention

表1 头颈部运动加速度数据Tab.1 Head and neck motion acceleration data

经多次实验发现，合加速度不利于准确识别头颈部有效运动类别，因此本研究将2 s片段内的加速度数据按照XYZ轴的顺序进行拼接，得到长度为1 200的一维向量作为卷积神经网络的输入数据。网络的训练将数据集随机打乱，抽取其中1 000条数据组成测试集，其余8 000条数据作为训练集进行神经网络训练。为了达到更优的训练效果，同时提高训练效率，使用迭代法进行训练，设置batch size为200，epoch为20。此外，将学习率设置为自适应调整模式，即当损失趋于稳定，无法继续减小时，神经网络通过降低学习率的方法进一步逼近最优结果。经过训练，卷积神经网络最终训练集分类综合准确率为98.85%、测试集分类综合准确率为97.51%。

在日常使用时，智能手机与头颈部运动采集模块建立蓝牙通讯，实时对其采集到的加速度信号进行头颈部固定姿态识别。当连续监测到头颈部保持固定姿态超过30 min时，系统通过智能手机震动功能向使用者报警，并在智能手机上进行显示，指导使用者按照提示完成一系列头颈部有效运动，如图4所示。此时，头颈部运动识别模块实时处理使用者头颈部的运动信号，当使用者完成头颈部有效运动超过5 min后，结束此次运动指导，返回至头颈部固定姿态识别功能。

图4 头颈部有效运动指导Fig.4 Head and neck effective exercise guidance

4 讨论

本研究分别从硬件和软件角度介绍了一种创新的便携式头颈部运动检测系统。本系统硬件部分小型便捷，能够便携地放置于使用者的头部，捕捉使用者各种可能的颈部活动姿态中的不同特征；系统软件部分基于深度学习进行动作分类识别，综合识别准确率为97.51%，所以本系统的检测精度满足实际应用要求。总体而言，本系统硬件结构简单，软件算法效率和精度较高，可实时、连续、准确地进行颈部运动监测，有望用于颈椎病早期预防的日常自我检测，防止长时间办公导致颈椎酸痛以致颈椎病的发生，利于向家庭和社区推广。