楊文輝, 楊明靜
（福州大學 物理與信息工程學院，福建 福州 350108）
摘要：基于手機加速度傳感器的步態(tài)識別是根據(jù)人的生理特點，提取人行走時的加速度步態(tài)模式，以區(qū)分不同的個體。大多數(shù)研究是將加速器固定在同一個位置、同一個方向上，以減少傳感器放置變化對識別的影響。文章比較了不同方法，包括統(tǒng)計學和機器學習的方法，用于減少加速器放置變化的影響。而經(jīng)過濾波、特征提取等處理，使用機器學習的KStar算法分類效果最佳，準確率可達到99.11%,可消減放置變化的影響。
關鍵詞：步態(tài)識別；加速度傳感器；機器學習
0引言
基于加速度傳感器的步態(tài)識別主要用于醫(yī)療和安全識別兩方面。人體步態(tài)特征會因身體疾病而發(fā)生變化，步態(tài)檢測有助于疾病的早期診斷［1］。在遠程醫(yī)療上，智能化的步態(tài)加速度識別監(jiān)測系統(tǒng)可以在一定程度上解決因監(jiān)護人員不足特殊人群無人看護等問題［2］。人們很多信息都與手機息息相關，比如支付寶、手機銀行等。很多手機只設置了開機密碼或者圖形密碼，這些信息很容易被竊取。基于手機加速度傳感器的步態(tài)識別系統(tǒng)，可以有效地保護手機信息的安全［3］。
當前，步態(tài)識別主要采用統(tǒng)計學和機器學習的方法。統(tǒng)計學中，通常采用動態(tài)時間歸整(Dynamic Time Warping，DTW)算法［4］。NICKEL C等人把手機固定在測試者臀部的右邊，用DTW算法比較訓練集和測試集一個周期的最小規(guī)整路徑［5］，得到的相對錯誤率(Equal Error Rate,EER)為20%。張雨霆把加速度傳感器固定放在測試者的左上臂、右手腕、左股、左大腿、右腳踝五個位置，用稀疏表示對175個人進行了識別分析，得到了95.8%的識別率［6］。DERAWI M O等人［7］把加速度傳感器放在左邊大腿上，用DTW等模版匹配方法得到EER為5.7%。MUAAZ M把手機固定在腰帶，用機器學習中支持向量機(Support Vector Machine，SVM)，對51個人進行分類測試［8］，得到的EER大于36%。多數(shù)的文章沒有考慮到傳感器放置變化對識別的影響，HOANG T等人［9］提出用手機加速度傳感器和磁力計解決此問題,將加速度傳感器測量的數(shù)據(jù)轉化到標準的坐標軸，以減少放置變化的影響，用SVM對38個人進行分類測試，得到98.71%的準確率。本文用HOANG提供的加速度傳感器采集的數(shù)據(jù)，用統(tǒng)計學中DTW的方法和機器學習中IBk、KStar等方法探討消減手機放置變化對識別的影響，得到的結果與HOANG T的方法相當，但效率相對提高，更易于實現(xiàn)。
1數(shù)據(jù)集
數(shù)據(jù)集是用手機HTC Nexus One的三軸加速度傳感器采集的，采樣頻率約為27 Hz，實驗人數(shù)為38人（年齡24~28歲）,包括28個男士、10個女士。數(shù)據(jù)采集的過程中，人正常行走，手機放置在褲子的口袋里，每測量一次，手機改變一次放置。測量場地為水平的地板，數(shù)據(jù)為X、Y、Z軸三維數(shù)據(jù)。圖1為一段采集的數(shù)據(jù)，橫軸為采樣點，縱軸為采樣點的值,單位為m/s2。
2統(tǒng)計學方法
2.1典型步態(tài)周期
人正常行走的過程中動作呈規(guī)律性，左腳一步右腳一步，稱為一個步態(tài)周期。本文通過查找Z軸極小值的方法進行步態(tài)周期的檢測。如圖2所示，兩個小圓圈的距離就是一個步態(tài)周期長度。把每一次測量的數(shù)據(jù)按周期進行分割，以6個周期為一個樣本，且覆蓋3個步態(tài)周期。由于人在行走的過程中，每一個步態(tài)周期的時間不一樣，因此每個步態(tài)周期的長度不一樣。為了便于模版匹配，采用線性插值的方法，以使每個周期的采樣點為40個。最后求出每個樣本的典型步態(tài)周期，計算公式如式（1）所示，r(i,k)代表第k個步態(tài)周期，第i個采樣點。
2.2識別結果
將X、Y、Z軸方向上的三軸數(shù)據(jù)分別經(jīng)過步態(tài)檢測和周期分割，提取典型的步態(tài)周期，用DTW進行模版匹配，受試者工作特征曲線（receiver operating characteristic curve，ROC）如圖3所示。其中錯誤接收率（False Match Rate，F(xiàn)MR）和錯誤拒絕率（False NOMatch Rate，F(xiàn)NMR）是識別過程中的兩類錯誤率。EER為錯誤接收率與錯誤拒絕率相等的值，即圖3所示的曲線中橫軸與縱軸相等的點。其中X軸方向的加速度EER為45.09%，Y軸EER為36.46%，Z軸EER為36.35%。其結果比DERAWI M O［5,7］等用DTW得到的EER大得多，識別效果較差。出現(xiàn)該情況的原因主要為采集數(shù)據(jù)過程中手機放置位置變化引起。為了消減此影響，本文接下來運用了機器學習的方法。
3機器學習
3.1數(shù)據(jù)預處理
由于在數(shù)據(jù)采集過程中，手機震動等因素容易引入噪聲，進而影響分類結果，因而采用數(shù)字濾波器去除噪聲。步態(tài)的頻率主要在低頻段，高頻段的為噪聲，一般采用低通濾波器。滑動加權平均濾波器可以達到較好的效果［10］，長度設置為5。濾波器的運算表達式為式（2）所示，其中ri為濾波前信號，Ri為濾波后信號。
3.2周期分割和特征提取
運用機器學習的方法，一個類別需要較大的數(shù)據(jù)樣本。如果以一個步態(tài)周期代表一個樣本，提取的特征值不同，類之間差別小，分類效果較差。因此，用6個步態(tài)周期為一個樣本，并且覆蓋3個周期，以便于與統(tǒng)計學的方法比較。特征提取是以樣本為單位的，分別計算X、Y、Z、M軸的特征值，其中M軸為3軸的模。特征值包括最大值、最小值、標準偏差STD、均方根RMS、能量E、步頻(1 min所走的步數(shù))L，其中t1、t2代表6個步態(tài)周期的初始時間和結束時間點，時間單位為s。ri表示樣本的某個采樣點，N為該樣本采樣點的總數(shù)量。由于同一個樣本，各軸的步頻特征值都一樣，因此每個樣本得到的特征值均為21個，各計算公式如下所示：
3.3分類識別
以軟件Weka現(xiàn)有的多類算法，進行十折交叉驗證，算法的參數(shù)均為默認值。本文列出4個效果相對較好的分類器結果，其中KStar的分類效果最好，分類準確率達到99.11%；IBk為98.89%，J48為85.58%，隨機森林為98.51%。HOANG T等人［9］用SVM進行十折交叉驗證，得到的分類準確率為98.71%，而本文用KStar和IBk也達到98.71%以上的分類準確率，因此基于特征提取的機器學習也可以用于消減手機放置變化帶來的誤差。將Weka運行的結果導出，用MATLAB求出J48、隨機森林、KStar、IBk的EER。由表1所示，J48的EER為6%，效果最差；而KStar為0.017%，分類效果最好。
4結果分析
本文測試了DTW模版匹配的方法和Weka中J48、隨機森林、KStar、IBk對手機放在褲子的口袋中放置變化時，步態(tài)識別的準確率。在數(shù)據(jù)采集過程中，傳感器放置改變，以典型步態(tài)周期用于模版匹配，識別效果較差，低于手機固定一個位置的識別率，從而證實了傳感器放置變化時，采集的數(shù)據(jù)發(fā)生較大變化。經(jīng)過濾波處理、步態(tài)檢測，以步態(tài)周期為基礎，進行特征提取，用機器學習算法能有效地降低放置變化的影響。即使數(shù)據(jù)偏差較大，但是有些特征是不容易發(fā)生變化的。由數(shù)據(jù)提取的特征值經(jīng)過機器學習的算法訓練得到的分類模型準確性高，因此能減少傳感器放置變化的影響。
5結論
本文用 HOANG T提供的加速度數(shù)據(jù)和機器學習、統(tǒng)計學的方法，研究減少手機在識別過程中放置變化帶來的影響。其中KStar、IBk算法效果與 HOANG T提出的方法相當。HOANG T用手機加速度傳感器和磁力計將加速度數(shù)據(jù)經(jīng)過變換矩陣轉換為地球坐標系上的數(shù)據(jù)，提高了傳感器放置改變時步態(tài)識別的準確率。本文提出用代表性強的特征值和高效的算法KStar、IBk也可解決此問題，而且計算量相對于Hoang較小，易實現(xiàn)，特征值維度較小，有利于運行時間減少。本文提出的方法相對MUAAZ M［8］等把手機放置在固定的位置，實用性更強。本文方法比較簡單，容易在現(xiàn)實生活中實現(xiàn)運用。
參考文獻
［1］ HSUY Y L, CHUNG P C, WANG W H, et al. Gait and balance analysis for patients with Alzheimer's disease using an inertialsensorbased wearable instrument［J］. IEEE Journal of Biomedical & Health Informatics, 2014, 18(6):1822 1830.
［2］ TRUNG N T, MAKIHARA Y, NAGAHARA H, et al. Phase registration in a gallery improving gait authentication［C］. International Joint Conference on Biometrics. IEEE, 2011:1 7.
［3］ NICKEL C, BUSCH C. Classifying accelerometer data via hidden Markov models to authenticate people by the way they walk［J］. IEEE Aerospace & Electronic Systems Magazine, 2011, 28(28):29-35.
［4］ MLLER M. Information retrieval for music and motion［M］. Springer Berlin Heidelberg, 2007.
［5］ NICKEL C, DERAWI M O, BOURS P, et al. Scenario test of accelerometerbased biometric gait recognition［C］. Third International Workshop on Security and Communication Networks. IEEE, 2011:15-21.
［6］ ZHANG Y, PAN G, JIA K, et al. Accelerometerbased gait recognition by sparse representation of signature points with clusters［J］. IEEE Transactions on Cybernetics, 2014, 45(9):1864 1875.
［7］ DERAWI M O, BOURS P, HOLIEN K. Improved cycle detection for accelerometer based gait authentication［C］. International Conference on Intelligent Information Hiding & Multimedia Signal Processing. IEEE, 2010:312 317.
［8］ MUAAZ M. An analysis of different approaches to gait recognition using cell phone based accelerometers［C］. International Conference on Advances in Mobile Computing & Multimedia. ACM，2013:94 117.
［9］ HOANG T, CHOI D, VO V,et al. A lightweight gait authentication on mobile phone regardless of installation error［M］. Security and Privacy Protection in Information Processing Systems. Springer Berlin Heidelberg, 2013:83 101.
［10］ DERAWI M, BOURS P. Gait and activity recognition using commercial phones［J］. Computers & Security, 2013, 39(39):137 144.