文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2016.05.031
中文引用格式： 陳洪波，高青，馮濤，等. 基于足底壓力信息的跌倒姿態聚類識別方法[J].電子技術應用，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.
0 引言
隨著我國人口老齡化形勢逐漸嚴峻，老年人的健康安全監護問題成為社會關注的焦點。跌倒在老年人群中的發生率非常高，會造成老年人傷殘甚至死亡，嚴重影響老年人的健康及生活自理能力[1]。跌倒檢測系統能夠及時地為跌倒者報警求助，從而降低跌倒所帶來的危害。
目前，基于足底壓力傳感器的跌倒方法是老年人跌倒監測系統的主流方法[2-4]之一，此類系統比較常用的跌倒識別算法是閾值法[4-5]。該方法依據足底壓力變化的幅度來判斷人體是否跌倒，判斷跌倒的閾值主要是根據多次實驗結果總結得出。其優點是算法簡單，較易實現；其主要缺點是在不同的場景下，閾值的選擇存在一定的難度，導致系統的誤判率比較高。另一方面，人體跌倒方向信息與跌倒后的健康狀況也可能存在一定關聯，而該方法在實際監測過程中無法得到跌倒的方向信息。
自組織映射（SOM）神經網絡作為一種競爭式無監督學習方法[6]，具有強大的特征提取的功能，它已經應用到模式識別等領域[7-9]。本文提出利用SOM神經網絡對人體足底壓力信息進行聚類分析，以提高跌倒監測系統的識別率，同時得到人體跌倒的方向信息。
1 SOM神經網絡模型
SOM自組織神經網絡[10-11]可自行揭示事物的內在規律，將同類事物聚類于同一特征空間區域，而將不同類對象聚類于不同的特征空間區域，從而實現對事物的正確歸類。
典型SOM網絡結構如圖1所示，由輸入層和競爭層組成。輸入層神經元個數為m，競爭層由a×b個神經元組成的二維平面陣列，輸入層與競爭層各神經元之間實現全連接，競爭層各神經元之間實行側抑制連接。樣本數據輸入后，經兩層之間連接權加權后，在輸出層得到一個輸出值集合。
SOM網絡的一個典型特征就是可以在一維或者二維的處理單元陣列上，形成輸入信號的特征拓撲分布，因此SOM網絡具有抽取輸入信號模式特征的能力。訓練SOM網絡的步驟為：
(1)網絡初始化。用隨機數設定輸入層和競爭層之間權值的初始值。
(2)計算獲勝神經元。隨機抽取一個訓練樣本，計算獲勝神經元。
(3)權值更新。對獲勝神經元及其鄰域內的神經元進行權值更新。
(4)學習速率及鄰域更新。獲勝神經元及其鄰域內的神經元權值更新完成后，在進入下一次迭代前，需要更新學習速率及鄰域。
(5)迭代結束判斷。若樣本沒有學習完，則再另外隨機抽取一個訓練樣本，返回步驟(2)；否則，迭代結束。
由于輸出層各節點互相激勵學習，訓練后的臨近節點具有相似的權值，因此SOM網絡輸出節點的空間位置體現了輸入樣本的內在聯系，即具有相似屬性的輸入會映射在臨近的SOM輸出節點上[9]。
2 數據采集
考慮到跌倒實驗存在一定的危險，由5位身體素質良好的年輕人模擬老年人的跌倒動作和日常動作，并以100 Hz采樣頻率采集人體足底壓力數據。將壓力采集模塊嵌入于鞋墊放入鞋內，利用嵌入在鞋墊的前腳掌中部和后腳跟中部的4個壓敏電阻器，分別采集左足前腳掌、左足后腳跟、右足前腳掌、右足后腳跟的壓力數據，足底壓力傳感器安放示意圖如圖2所示。跌倒動作包括前向跌倒、后向跌倒、左側跌倒、右側跌倒4種類型。非跌倒動作指人體日常行為動作，包括上樓、下樓、平地行走、起立、坐下、前彎腰、跳、跑、蹲下等九種典型動作。
上述13類動作，由于每個動作發生過程都有一個時間段，所以用一定大小的時間(5 s)窗口截取窗口內的時間序列，該時間序列要包含該動作區別于其他動作的所有特征點。截取到的時間序列構成該動作的特征樣本，每一類動作對應20個特征樣本，13類動作共260個特征樣本。
在特征樣本集中隨機選取各類動作的10個特征樣本作為訓練集，樣本數為130，剩余的作為測試集，樣本數也為130。
3 數據處理
利用訓練集對SOM自組織映射神經網絡模型進行訓練，得到用于跌倒識別的SOM分類模型，然后利用測試集對SOM模型分類器進行測試，驗證模型的跌倒識別效果。
將訓練集作為輸入樣本，輸入給SOM網絡的輸入層。由于訓練集和測試集特征樣本數均為130，因此輸入神經元個數m=130。為了取得較好的可視化效果，通常取SOM網絡輸出層的節點個數略大于輸入樣本個數(訓練集和測試集樣本數均為130)，因此，定義SOM輸出節點數為14×13。SOM網絡結構及參數設置如表1所示。
4 跌倒識別聚類結果及分析
4.1 聚類結果
通過SOM網絡的訓練，同類動作樣本在輸出平面上聚在一起，不同類動作樣本可以很容易地被分開，實現了特征的有序分布，并得到聚類結果的可視化效果。圖3為訓練集樣本在競爭層的輸出結果圖，SOM網絡通過訓練將同一類樣本動作分到了同一個區域，而且有些樣本動作聚集到了同一點，也即映射到了相同的獲勝神經元。
為了驗證SOM神經網絡對沒有參與訓練的樣本的有效性，利用訓練好的SOM網絡對13類測試集樣本分別進行測試，測試集樣本在競爭層的輸出結果圖如圖4所示，相同類別的測試集樣本聚集到了一起，并和同一類別的訓練集樣本映射到了相同的區域。
圖3和圖4中，神經元的編號方式是從左至右、從下至上，神經元編號逐漸增加，即左下角的神經元編號為1，右上角的神經元編號為182。如果測試集樣本與同一類別的訓練集樣本映射到相同的區域，則預測結果正確；否則，預測結果錯誤。各類動作的識別結果如表２所示。后倒的識別率為80%，其中2個樣本被分別預測為起立和跑；左倒的識別率為90%，其中1個樣本被預測為坐下；上、下樓的動作樣本被映射到了同一個區域，兩者的區分度不高；行走的識別率為50%，其中3個樣本被預測為上樓，2個樣本被預測為坐下；坐下的識別率為70%，其中3個樣本均被預測為后倒；前彎腰的識別率為90%，其中1個樣本被預測為前倒；跳的識別率為70%，其中2個樣本被預測為前彎腰，1個樣本被預測為右倒；跑的識別率為70%，其中3個樣本被分別預測為左倒、坐下和跳；其他類別的動作識別率均為100%。
4.2 結果分析與評價
通過以下3個性能指標[12]來對跌倒檢測實驗結果進行評價：
(1)靈敏度(Se，Sensitivity)，即所有跌倒動作的檢出率：
式中，TP(真陽性)：跌倒動作檢測為跌倒的樣本數；FP(假陽性)：日常動作檢測為跌倒的樣本數；TN(真陰性)：日常動作檢測為未跌倒的樣本數；FN(假陰性)：跌倒動作檢測為未跌倒的樣本數。
為了驗證SOM跌倒識別算法的可靠性與準確度，將其與閾值法的處理結果進行了比較。運用兩種算法分別對測試集樣本動作進行了測試，識別結果見表2。可以發現，利用SOM方法進行識別時，系統靈敏度、特異度及準確度分別為92.5%、93.3%、93.1%。
5 結論
本文利用人體運動過程中的足底壓力數據，通過SOM自組織映射神經網絡對人體動作進行聚類分類，從而實現人體跌倒姿態識別。得到如下結論：
(1)通過SOM神經網絡聚類方法對足底壓力信息進行分析，可以對人體跌倒方向進行有效的識別，而常規的閾值方法很難識別人體跌倒方向；
(2)SOM神經網絡聚類對人體跌倒動作的靈敏度、特異度和準確度要比閾值方法高，識別效果更好；
(3)SOM算法對人體的跌倒行為的識別具有更高的可靠性。
參考文獻
[1] 于洪宇.老年人跌倒問題的相關因素研究與預防護理[J].中國老年保健醫學，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，熊慶宇，雷璐寧.基于壓力傳感器的跌倒檢測系統研究[J].儀器儀表學報，2010，31(3)：715-720.
[4] 石欣，張濤.一種可穿戴式跌倒檢測裝置設計[J].儀器儀表學報，2012，33(3)：575-580.
[5] 薛源.基于多傳感器的老人跌倒檢測系統的研究與應用[D].武漢：武漢理工大學，2011.
[6] KOHONEN T.Self-organized formation of topologically correct feature maps[J].Biological Cybernetics，1982，43(1)：59-69.
[7] 陳洪波，湯井田，陳真誠.基于SOM的HIFU治療中損傷組織特征提取[J].生物醫學工程學雜志，2009，26(4)：873-877.
[8] 於東軍，吳小俊，HANCOCK E R，等.廣義SOM及其在人臉性別識別中的應用[J].計算機學報，2011，34（9）：1719-1725.
[9] 鄒云峰，吳為麟，李智勇.基于自組織映射神經網絡的低壓故障電弧聚類分析[J].儀器儀表學報，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 15th IEEE/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 13th International Conference on Intelligent Systems Design and Applications(ISDA)，2013.
[12] 鄭娛，鮑楠，徐禮勝，等.跌倒檢測系統的研究進展[J].中國醫學物理學雜志，2014，31(4)：5071-5076.