文献标识码： A
DOI：10.16157/j.issn.0258-7998.2016.05.031
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.
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。
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。
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。
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。
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%。
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：
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。
参考文献
[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 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] 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.