0 引言

    隨著我國人口老齡化形勢逐漸嚴(yán)峻,，老年人的健康安全監(jiān)護(hù)問題成為社會關(guān)注的焦點,。跌倒在老年人群中的發(fā)生率非常高，會造成老年人傷殘甚至死亡,，嚴(yán)重影響老年人的健康及生活自理能力^[1],。跌倒檢測系統(tǒng)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(jiān)測系統(tǒng)的主流方法^[2-4]之一，此類系統(tǒng)比較常用的跌倒識別算法是閾值法^[4-5],。該方法依據(jù)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(jù)多次實驗結(jié)果總結(jié)得出。其優(yōu)點是算法簡單,，較易實現(xiàn),；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(dǎo)致系統(tǒng)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(guān)聯(lián),，而該方法在實際監(jiān)測過程中無法得到跌倒的方向信息,。

    自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)作為一種競爭式無監(jiān)督學(xué)習(xí)方法^[6]，具有強(qiáng)大的特征提取的功能,，它已經(jīng)應(yīng)用到模式識別等領(lǐng)域^[7-9],。本文提出利用SOM神經(jīng)網(wǎng)絡(luò)對人體足底壓力信息進(jìn)行聚類分析，以提高跌倒監(jiān)測系統(tǒng)的識別率,，同時得到人體跌倒的方向信息。

1 SOM神經(jīng)網(wǎng)絡(luò)模型

    SOM自組織神經(jīng)網(wǎng)絡(luò)^[10-11]可自行揭示事物的內(nèi)在規(guī)律,，將同類事物聚類于同一特征空間區(qū)域,，而將不同類對象聚類于不同的特征空間區(qū)域，從而實現(xiàn)對事物的正確歸類,。

    典型SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,，由輸入層和競爭層組成。輸入層神經(jīng)元個數(shù)為m,，競爭層由a×b個神經(jīng)元組成的二維平面陣列,，輸入層與競爭層各神經(jīng)元之間實現(xiàn)全連接，競爭層各神經(jīng)元之間實行側(cè)抑制連接。樣本數(shù)據(jù)輸入后,，經(jīng)兩層之間連接權(quán)加權(quán)后,，在輸出層得到一個輸出值集合。

    SOM網(wǎng)絡(luò)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?fù)浞植?，因此SOM網(wǎng)絡(luò)具有抽取輸入信號模式特征的能力。訓(xùn)練SOM網(wǎng)絡(luò)的步驟為：

    (1)網(wǎng)絡(luò)初始化,。用隨機(jī)數(shù)設(shè)定輸入層和競爭層之間權(quán)值的初始值,。

    (2)計算獲勝神經(jīng)元。隨機(jī)抽取一個訓(xùn)練樣本,，計算獲勝神經(jīng)元,。

    (3)權(quán)值更新。對獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元進(jìn)行權(quán)值更新,。

    (4)學(xué)習(xí)速率及鄰域更新,。獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元權(quán)值更新完成后，在進(jìn)入下一次迭代前,，需要更新學(xué)習(xí)速率及鄰域,。

    (5)迭代結(jié)束判斷。若樣本沒有學(xué)習(xí)完,，則再另外隨機(jī)抽取一個訓(xùn)練樣本,，返回步驟(2)；否則,，迭代結(jié)束,。

    由于輸出層各節(jié)點互相激勵學(xué)習(xí)，訓(xùn)練后的臨近節(jié)點具有相似的權(quán)值,，因此SOM網(wǎng)絡(luò)輸出節(jié)點的空間位置體現(xiàn)了輸入樣本的內(nèi)在聯(lián)系,，即具有相似屬性的輸入會映射在臨近的SOM輸出節(jié)點上^[9]。

2 數(shù)據(jù)采集

    考慮到跌倒實驗存在一定的危險,，由5位身體素質(zhì)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(shù)據(jù)。將壓力采集模塊嵌入于鞋墊放入鞋內(nèi),，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(shù)據(jù)，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(cè)跌倒、右側(cè)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(fā)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(nèi)的時間序列,，該時間序列要包含該動作區(qū)別于其他動作的所有特征點。截取到的時間序列構(gòu)成該動作的特征樣本,，每一類動作對應(yīng)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(jī)選取各類動作的10個特征樣本作為訓(xùn)練集,，樣本數(shù)為130,，剩余的作為測試集，樣本數(shù)也為130,。

3 數(shù)據(jù)處理

    利用訓(xùn)練集對SOM自組織映射神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)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(jìn)行測試,，驗證模型的跌倒識別效果,。

    將訓(xùn)練集作為輸入樣本，輸入給SOM網(wǎng)絡(luò)的輸入層,。由于訓(xùn)練集和測試集特征樣本數(shù)均為130,，因此輸入神經(jīng)元個數(shù)m=130。為了取得較好的可視化效果,，通常取SOM網(wǎng)絡(luò)輸出層的節(jié)點個數(shù)略大于輸入樣本個數(shù)(訓(xùn)練集和測試集樣本數(shù)均為130),，因此，定義SOM輸出節(jié)點數(shù)為14×13,。SOM網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置如表1所示。

4 跌倒識別聚類結(jié)果及分析

4.1 聚類結(jié)果

    通過SOM網(wǎng)絡(luò)的訓(xùn)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(xiàn)了特征的有序分布，并得到聚類結(jié)果的可視化效果,。圖3為訓(xùn)練集樣本在競爭層的輸出結(jié)果圖,，SOM網(wǎng)絡(luò)通過訓(xùn)練將同一類樣本動作分到了同一個區(qū)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(jīng)元,。

    為了驗證SOM神經(jīng)網(wǎng)絡(luò)對沒有參與訓(xùn)練的樣本的有效性，利用訓(xùn)練好的SOM網(wǎng)絡(luò)對13類測試集樣本分別進(jìn)行測試,，測試集樣本在競爭層的輸出結(jié)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(xùn)練集樣本映射到了相同的區(qū)域,。

    圖3和圖4中,，神經(jīng)元的編號方式是從左至右、從下至上,，神經(jīng)元編號逐漸增加,，即左下角的神經(jīng)元編號為1，右上角的神經(jīng)元編號為182,。如果測試集樣本與同一類別的訓(xùn)練集樣本映射到相同的區(qū)域,，則預(yù)測結(jié)果正確；否則,，預(yù)測結(jié)果錯誤,。各類動作的識別結(jié)果如表２所示。后倒的識別率為80%,，其中2個樣本被分別預(yù)測為起立和跑,；左倒的識別率為90%，其中1個樣本被預(yù)測為坐下,；上,、下樓的動作樣本被映射到了同一個區(qū)域，兩者的區(qū)分度不高,；行走的識別率為50%,，其中3個樣本被預(yù)測為上樓，2個樣本被預(yù)測為坐下,；坐下的識別率為70%,，其中3個樣本均被預(yù)測為后倒；前彎腰的識別率為90%,，其中1個樣本被預(yù)測為前倒,；跳的識別率為70%，其中2個樣本被預(yù)測為前彎腰,，1個樣本被預(yù)測為右倒,；跑的識別率為70%,，其中3個樣本被分別預(yù)測為左倒、坐下和跳,；其他類別的動作識別率均為100%,。

4.2 結(jié)果分析與評價

    通過以下3個性能指標(biāo)^[12]來對跌倒檢測實驗結(jié)果進(jìn)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(shù)；FP(假陽性)：日常動作檢測為跌倒的樣本數(shù),；TN(真陰性)：日常動作檢測為未跌倒的樣本數(shù),；FN(假陰性)：跌倒動作檢測為未跌倒的樣本數(shù)。

    為了驗證SOM跌倒識別算法的可靠性與準(zhǔn)確度,，將其與閾值法的處理結(jié)果進(jìn)行了比較,。運(yùn)用兩種算法分別對測試集樣本動作進(jìn)行了測試，識別結(jié)果見表2,?？梢园l(fā)現(xiàn)，利用SOM方法進(jìn)行識別時,，系統(tǒng)靈敏度,、特異度及準(zhǔn)確度分別為92.5%、93.3%,、93.1%,。

5 結(jié)論

    本文利用人體運(yùn)動過程中的足底壓力數(shù)據(jù)，通過SOM自組織映射神經(jīng)網(wǎng)絡(luò)對人體動作進(jìn)行聚類分類,，從而實現(xiàn)人體跌倒姿態(tài)識別,。得到如下結(jié)論：

    (1)通過SOM神經(jīng)網(wǎng)絡(luò)聚類方法對足底壓力信息進(jìn)行分析，可以對人體跌倒方向進(jìn)行有效的識別,，而常規(guī)的閾值方法很難識別人體跌倒方向,；

    (2)SOM神經(jīng)網(wǎng)絡(luò)聚類對人體跌倒動作的靈敏度、特異度和準(zhǔn)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(xiàn)

[1] 于洪宇.老年人跌倒問題的相關(guān)因素研究與預(yù)防護(hù)理[J].中國老年保健醫(yī)學(xué),，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(tǒng)研究[J].儀器儀表學(xué)報,，2010，31(3)：715-720.

[4] 石欣,，張濤.一種可穿戴式跌倒檢測裝置設(shè)計[J].儀器儀表學(xué)報,，2012，33(3)：575-580.

[5] 薛源.基于多傳感器的老人跌倒檢測系統(tǒng)的研究與應(yīng)用[D].武漢：武漢理工大學(xué),，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(yī)學(xué)工程學(xué)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(yīng)用[J].計算機(jī)學(xué)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(jīng)網(wǎng)絡(luò)的低壓故障電弧聚類分析[J].儀器儀表學(xué)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(tǒng)的研究進(jìn)展[J].中國醫(yī)學(xué)物理學(xué)雜志,，2014，31(4)：5071-5076.