基于足底压力信息的跌倒姿态聚类识别方法*

陈洪波，高　青，冯　涛，朱振朋，刘　喻

(桂林电子科技大学 生命与环境科学学院，广西 桂林 541004)

基于足底压力信息的跌倒姿态聚类识别方法*

陈洪波，高青，冯涛，朱振朋，刘喻

(桂林电子科技大学 生命与环境科学学院，广西 桂林 541004)

为了进一步提高基于足底压力传感器的老年跌倒检测系统的识别率，以及准确地判断人体跌倒方向，提出了利用自组织映射神经网络（SOM）和足底压力传感信息对人体动作进行聚类分析的方法。为了验证SOM方法的识别效果，采取包含跌倒在内的13类常见动作的130个样本对训练好的SOM网络进行测试。测试结果表明，系统灵敏度、特异度及准确度分别为92.5%、93.3%、93.1%，其结果均优于常用的阈值法。综上，SOM方法对人体跌倒姿态识别具有较高的可靠性和准确度。

自组织映射神经网络；聚类分析；足底压力传感信息；人体跌倒姿态识别

0　引言

随着我国人口老龄化形势逐渐严峻，老年人的健康安全监护问题成为社会关注的焦点。跌倒在老年人群中的发生率非常高，会造成老年人伤残甚至死亡，严重影响老年人的健康及生活自理能力[1]。跌倒检测系统能够及时地为跌倒者报警求助，从而降低跌倒所带来的危害。

目前，基于足底压力传感器的跌倒方法是老年人跌倒监测系统的主流方法[2-4]之一，此类系统比较常用的跌倒识别算法是阈值法[4-5]。该方法依据足底压力变化的幅度来判断人体是否跌倒，判断跌倒的阈值主要是根据多次实验结果总结得出。其优点是算法简单，较易实现；其主要缺点是在不同的场景下，阈值的选择存在一定的难度，导致系统的误判率比较高。另一方面，人体跌倒方向信息与跌倒后的健康状况也可能存在一定关联，而该方法在实际监测过程中无法得到跌倒的方向信息。

自组织映射（SOM）神经网络作为一种竞争式无监督学习方法[6]，具有强大的特征提取的功能，它已经应用到模式识别等领域[7-9]。本文提出利用 SOM神经网络对人体足底压力信息进行聚类分析，以提高跌倒监测系统的识别率，同时得到人体跌倒的方向信息。

1　SOM神经网络模型

SOM 自组织神经网络[10-11]可自行揭示事物的内在规律，将同类事物聚类于同一特征空间区域，而将不同类对象聚类于不同的特征空间区域，从而实现对事物的正确归类。

典型SOM网络结构如图1所示，由输入层和竞争层组成。输入层神经元个数为m，竞争层由a×b个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全连接，竞争层各神经元之间实行侧抑制连接。样本数据输入后，经两层之间连接权加权后，在输出层得到一个输出值集合。

图1　SOM神经网络结构图

SOM网络的一个典型特征就是可以在一维或者二维的处理单元阵列上，形成输入信号的特征拓扑分布，因此SOM网络具有抽取输入信号模式特征的能力。训练SOM网络的步骤为：

(1)网络初始化。用随机数设定输入层和竞争层之间权值的初始值。

(2)计算获胜神经元。随机抽取一个训练样本，计算获胜神经元。

(3)权值更新。对获胜神经元及其邻域内的神经元进行权值更新。

(4)学习速率及邻域更新。获胜神经元及其邻域内的神经元权值更新完成后，在进入下一次迭代前，需要更新学习速率及邻域。

(5)迭代结束判断。若样本没有学习完，则再另外随机抽取一个训练样本，返回步骤(2)；否则，迭代结束。

由于输出层各节点互相激励学习，训练后的临近节点具有相似的权值，因此SOM网络输出节点的空间位置体现了输入样本的内在联系，即具有相似属性的输入会映射在临近的SOM输出节点上[9]。

2　数据采集

考虑到跌倒实验存在一定的危险，由5位身体素质良好的年轻人模拟老年人的跌倒动作和日常动作，并以100 Hz采样频率采集人体足底压力数据。将压力采集模块嵌入于鞋垫放入鞋内，利用嵌入在鞋垫的前脚掌中部和后脚跟中部的4个压敏电阻器，分别采集左足前脚掌、左足后脚跟、右足前脚掌、右足后脚跟的压力数据，足底压力传感器安放示意图如图2所示。跌倒动作包括前向跌倒、后向跌倒、左侧跌倒、右侧跌倒4种类型。非跌倒动作指人体日常行为动作，包括上楼、下楼、平地行走、起立、坐下、前弯腰、跳、跑、蹲下等九种典型动作。

图2　足底压力传感器安放示意图

上述13类动作，由于每个动作发生过程都有一个时间段，所以用一定大小的时间(5 s)窗口截取窗口内的时间序列，该时间序列要包含该动作区别于其他动作的所有特征点。截取到的时间序列构成该动作的特征样本，每一类动作对应20个特征样本，13类动作共260个特征样本。

在特征样本集中随机选取各类动作的10个特征样本作为训练集，样本数为 130，剩余的作为测试集，样本数也为130。

3　数据处理

利用训练集对SOM自组织映射神经网络模型进行训练，得到用于跌倒识别的SOM分类模型，然后利用测试集对SOM模型分类器进行测试，验证模型的跌倒识别效果。

将训练集作为输入样本，输入给SOM网络的输入层。由于训练集和测试集特征样本数均为130，因此输入神经元个数m=130。为了取得较好的可视化效果，通常取SOM网络输出层的节点个数略大于输入样本个数(训练集和测试集样本数均为130)，因此，定义SOM输出节点数为14×13。SOM网络结构及参数设置如表1所示。

表1　SOM网络结构及参数设置

4　跌倒识别聚类结果及分析

4.1聚类结果

通过SOM网络的训练，同类动作样本在输出平面上聚在一起，不同类动作样本可以很容易地被分开，实现了特征的有序分布，并得到聚类结果的可视化效果。图3为训练集样本在竞争层的输出结果图，SOM网络通过训练将同一类样本动作分到了同一个区域，而且有些样本动作聚集到了同一点，也即映射到了相同的获胜神经元。

图3　训练结果图

为了验证SOM神经网络对没有参与训练的样本的有效性，利用训练好的SOM网络对13类测试集样本分别进行测试，测试集样本在竞争层的输出结果图如图4所示，相同类别的测试集样本聚集到了一起，并和同一类别的训练集样本映射到了相同的区域。

图4　测试结果图

在图3和图4中，△表示前倒；▽表示后倒；◁表示左倒；▷表示右倒；*表示上楼；○表示下楼；□表示行走；◇表示起立；☆表示坐下；·表示弯腰；X表示跳；六角星表示跑；+表示蹲下；图中虚线是13类动作样本在分类结果中的分界线。

图3和图4中，神经元的编号方式是从左至右、从下至上，神经元编号逐渐增加，即左下角的神经元编号为1，右上角的神经元编号为182。如果测试集样本与同一类别的训练集样本映射到相同的区域，则预测结果正确；否则，预测结果错误。各类动作的识别结果如表2所示。后倒的识别率为80%，其中2个样本被分别预测为起立和跑；左倒的识别率为90%，其中1个样本被预测为坐下；上、下楼的动作样本被映射到了同一个区域，两者的区分度不高；行走的识别率为 50%，其中3个样本被预测为上楼，2个样本被预测为坐下；坐下的识别率为70%，其中3个样本均被预测为后倒；前弯腰的识别率为90%，其中1个样本被预测为前倒；跳的识别率为70%，其中2个样本被预测为前弯腰，1个样本被预测为右倒；跑的识别率为70%，其中3个样本被分别预测为左倒、坐下和跳；其他类别的动作识别率均为100%。

表2　SOM方法与阈值法识别结果对比

4.2结果分析与评价

通过以下 3个性能指标[12]来对跌倒检测实验结果进行评价：

(1)灵敏度(Se，Sensitivity)，即所有跌倒动作的检出率：

(2)特异度(Sp，Specificity)，即所有日常动作的检出率：

(3)准确度(Ac，Accuracy)，即所有动作的检出率：

式中，TP(真阳性)：跌倒动作检测为跌倒的样本数；FP(假阳性)：日常动作检测为跌倒的样本数；TN(真阴性)：日常动作检测为未跌倒的样本数；FN(假阴性)：跌倒动作检测为未跌倒的样本数。

为了验证SOM跌倒识别算法的可靠性与准确度，将其与阈值法的处理结果进行了比较。运用两种算法分别对测试集样本动作进行了测试，识别结果见表2。可以发现，利用SOM方法进行识别时，系统灵敏度、特异度及准确度分别为92.5%、93.3%、93.1%。

5　结论

本文利用人体运动过程中的足底压力数据，通过SOM自组织映射神经网络对人体动作进行聚类分类，从而实现人体跌倒姿态识别。得到如下结论：

(1)通过SOM神经网络聚类方法对足底压力信息进行分析，可以对人体跌倒方向进行有效的识别，而常规的阈值方法很难识别人体跌倒方向；

(2)SOM神经网络聚类对人体跌倒动作的灵敏度、特异度和准确度要比阈值方法高，识别效果更好；

(3)SOM算法对人体的跌倒行为的识别具有更高的可靠性。

[1]于洪宇.老年人跌倒问题的相关因素研究与预防护理[J].中国老年保健医学，2009，7(1)：85-88.

[2]Tao Yanbo，Qian Huihuan，Chen Meng，et al.A real-time intelligent shoe system for fall detection[C].Proceedings of the 2011 IEEE International Conference on Robotics and Biomimetics，Phuket，Thailand，2011.

[3]石欣，熊庆宇，雷璐宁.基于压力传感器的跌倒检测系统研究[J].仪器仪表学报，2010，31(3)：715-720.

[4]石欣，张涛.一种可穿戴式跌倒检测装置设计[J].仪器仪表学报，2012，33(3)：575-580.

[5]薛源.基于多传感器的老人跌倒检测系统的研究与应用[D].武汉：武汉理工大学，2011.

[6]KOHONEN T.Self-organized formation of topologically correct feature maps[J].Biological Cybernetics，1982，43(1)：59-69.

[7]陈洪波，汤井田，陈真诚.基于SOM的HIFU治疗中损伤组织特征提取[J].生物医学工程学杂志，2009，26(4)：873-877.

[8]於东军，吴小俊，HANCOCK E R，等.广义SOM及其在人脸性别识别中的应用[J].计算机学报，2011，34（9）：1719-1725.

[9]邹云峰，吴为麟，李智勇.基于自组织映射神经网络的低压故障电弧聚类分析[J].仪器仪表学报，2010，31(3)：571-576.

[10]KUREMOTO T，KOBAYASHI K，OTANI T，et al.One dimensional ring type growing SOM with asymmetric neighborhood function and its application to a hand shape instruction learning system[C].2014 15thIEEE/ACIS International Conference on Software Engineering,Artificial Intelligence，Networking and Parallel/Distributed Computing (SNPD)，2014.

[11]VOJACEK L，DVORSKY J，SLANINOVA K，et al.Scalable parallel SOM learning for web user profiles[C].2013 13thInternational Conference on Intelligent Systems Design and Applications(ISDA)，2013.

[12]郑娱，鲍楠，徐礼胜，等.跌倒检测系统的研究进展[J].中国医学物理学杂志，2014，31(4)：5071-5076.

Clustering method for body falling gesture recognition based on sole pressure information

Chen Hongbo，Gao Qing，Feng Tao，Zhu Zhenpeng，Liu Yu
(School of Life&Environmental Science，Guilin University of Electronic Technology，Guilin 541004，China)

In order to improve the performance of fall detection system for the elderly based on sole pressure sensor,and accurately to judge the fall direction of human body,a method was put forward based on self-organizing map neural network(SOM)and the information of sole pressure sensor to cluster and analyze the human motion.To verify the recognition results of the SOM method,130 samples of 13 common action including fall were participated in the SOM network testing.The results show that the sensitivity,specificity and accuracy of the new system were 92.5%,93.3%and 93.1%respectively.These results were better than those of the method of threshold value.

Self-Organizing Map(SOM)neural network；cluster analysis；sole pressure sensor；body gesture recognition

TM501

A

10.16157/j.issn.0258-7998.2016.05.031

国家自然科学基金(81460273)；广西科技攻关计划项目(桂科攻 1348020-10)；广西自然科学基金(2013GXNSFA019325)

陈洪波(1972-)，男，博士，教授，主要研究方向：生物医学信息信号处理。

高青(1986-)，女，硕士研究生，主要研究方向：生物医学电子。

中文引用格式：陈洪波，高青，冯涛，等.基于足底压力信息的跌倒姿态聚类识别方法[J].电子技术应用，2016，42 (5)：113-115，119.

英文引用格式：Chen Hongbo，Gao Qing，Feng Tao，et al.Clustering method for body falling gesture recognition based on sole pressure information[J].Application of Electronic Technique，2016，42(5)：113-115，119.