第3期 牛德姣，等：基于递归神经网络的跌倒检测系统 ·381· 的研究主要包括用户自主启动型报警设备山、基于 证，相比在同一数据集上的其他算法1，基于RNN 视觉的跌倒检测系统和基于可穿戴设备的跌倒检 的跌倒检测系统的F值分别提高了12%与8%，并 测系统等类型。用户自主启动型报警设备对使用 能正确检测出接近跌倒行为，从而更好地提供预警 者和使用条件有很多限制，基于视觉的跌倒检测则 信息。 涉及用户隐私等问题，而基于可穿戴设备的跌倒检 测系统具有使用方便、个人隐私性好等优势，成为 1相关工作 当前跌倒检测研究和开发中的热点。 1.1跌倒检测 阈值法是最常用的跌倒检测算法，设定一个 Vaidehi等提出了基于人体静态特征的视频 或多个阈值，通过可穿戴设备传感器获取加速度和 检测方法，通过阈值法判断是否跌倒；Bosch等6通 角速度等信息进行分类：较低的时间与空间复杂度 过广角摄像头进行跌倒检测，采集人体倾斜角度的 是其最重要的优点，但如何确定阈值非常困难，同 变化速度等信息作为特征，通过支持向量机的方法 时在应用于差异较大的不同个体时存在准确度差等 进行跌倒判断，识别率达到97%；佟丽娜等叨利用 问题。近年来研究者开始将隐马尔可夫链66、动态 加速度信息作为时间序列.然后使用该时间序列作 朴素贝叶斯网络1、支持向量机8劉、随机森林和 为训练样本训练隐马尔可夫模型，通过分析当前的 K最近邻等方法应用到跌倒检测中，这些方法对 输入序列与模型的匹配程度进行跌倒预测并取得良 传感器采集的数据进行抽象后建模用于跌倒行为的 好的预测效果；R.M.Gibson等1比较了小波阈值 分类，具有较强的适应能力。但由于只是使用了传 下降强度检测法与PCA决策树两种不同的算法，得 感器数据的某个或某些特性用于检测，仍存在检测 出PCA决策树算法具有更好的准确性和鲁棒性：L 精度不足等问题。此外，为了提高准确率，大部分 Chen等利用贝叶斯网络来实现人体姿态预测，通 跌倒检测系统只是简单地判断未跌倒和跌倒两种状 过姿态预测结合识别算法来提高预测时间，之后又 态，未区分实用价值很高的接近跌倒状态叫。 通过支持向量机的方法进行摔倒识别，召回率与准 与传统建模或少量数据的训练不同，借助大数 确率分别达到96.2%与87.3%：D.Lu0等1提出了 据技术，通过大量数据的训练，神经网络模型能挖 基于随机森林的跌倒检测算法，最终获得95.2%的 掘和学习数据内部的复杂结构，从而极大提高分类 准确率、90.6%的敏感度和93.5%的特异性，并对 系统的适应能力和精度，因此基于大数据的神经网 比得出优于SVM和反向传播(BP)神经网络检测算 络已迅速成为当前研究与开发的热，点。与CNN通 法的结论；S.Z.Erdogan等1o利用数据挖掘中的 过滑动窗口保留部分历史输入不同，递归神经网络 K近邻的方法进行跌倒检测，也取得了不错的识别 (RNN)能保留所有的历史输入，通过抽象历史输入 效果。 之间的关联，具有很高的分类准确性，已被成功应 12递归神经网络的应用 用于自然语言处理领域中，取得了良好的效果。跌 递归神经网络是深度学习领域研究热点之一， 倒检测与自然语言处理具有很多相似之处，利用多 近年来，它在语音识别、机器翻译、文本语言处理等 个传感器的关联关系进行跌倒检测能有效提高检测 领域表现出了巨大的成功。它主要解决了如何 的准确性，减少个体差异的影响；本文将RNN引入 处理时间序列上的变化的问题。递归神经网络的应 到跌倒检测系统中，主要完成以下几个方面的工作。 用主要有3个方面：1)自然语言处理，包括语言模 I)根据RNN的特性，对可穿戴设备传感器获 型21、机器翻译2、语音识别21、会话模型26等； 取的数据进行重组，转变为适合RNN的输人序列。 2)计算机视觉方面，包括物体识别刃、视频跟踪2 2)借助RNN能够保存历史信息的特性，利用 视频分析2判等；3)自然语言处理与计算机视觉相结 其发现和抽象序列内在关系的能力，充分发掘位置 合，包括图片字幕3、视频字幕B11、视觉问题回 传感器数据之间的内在联系，设计了基于RNN的 答、机器人技术B等。 迭代算法，提高了跌倒检测的效果。 2基于RNN的跌倒检测算法 3)在Spark平台上，利用基于RNN的迭代算 法，实现了基于RNN的跌倒检测系统，除了与现有 与RNN使用效果较好的自然语言处理领域类 跌倒检测系统一样能区分正常和跌倒行为之外，还 似，个体的差异使得单个传感器数据对跌倒行为检 能准确识别出更具危险性的接近跌倒行为。 测非常有限，甚至会产生负面影响：由多个传感器 4)使用Fall adl data作为测试数据集进行验 获取不同数据序列之间的关联性是检测跌倒行为的的研究主要包括用户自主启动型报警设备[1] 、基于 视觉的跌倒检测系统[2]和基于可穿戴设备的跌倒检 测系统[3]等类型。用户自主启动型报警设备对使用 者和使用条件有很多限制，基于视觉的跌倒检测则 涉及用户隐私等问题，而基于可穿戴设备的跌倒检 测系统具有使用方便、个人隐私性好等优势，成为 当前跌倒检测研究和开发中的热点。 阈值法[4]是最常用的跌倒检测算法，设定一个 或多个阈值，通过可穿戴设备传感器获取加速度和 角速度等信息进行分类；较低的时间与空间复杂度 是其最重要的优点，但如何确定阈值非常困难，同 时在应用于差异较大的不同个体时存在准确度差等 问题。近年来研究者开始将隐马尔可夫链[5-6] 、动态 朴素贝叶斯网络[7] 、支持向量机[8] 、随机森林[9]和 K 最近邻[10]等方法应用到跌倒检测中，这些方法对 传感器采集的数据进行抽象后建模用于跌倒行为的 分类，具有较强的适应能力。但由于只是使用了传 感器数据的某个或某些特性用于检测，仍存在检测 精度不足等问题。此外，为了提高准确率，大部分 跌倒检测系统只是简单地判断未跌倒和跌倒两种状 态，未区分实用价值很高的接近跌倒状态[11]。 与传统建模或少量数据的训练不同，借助大数 据技术，通过大量数据的训练，神经网络模型能挖 掘和学习数据内部的复杂结构，从而极大提高分类 系统的适应能力和精度，因此基于大数据的神经网 络已迅速成为当前研究与开发的热点。与 CNN 通 过滑动窗口保留部分历史输入不同，递归神经网络 (RNN) 能保留所有的历史输入，通过抽象历史输入 之间的关联，具有很高的分类准确性，已被成功应 用于自然语言处理领域中，取得了良好的效果。跌 倒检测与自然语言处理具有很多相似之处，利用多 个传感器的关联关系进行跌倒检测能有效提高检测 的准确性，减少个体差异的影响；本文将 RNN 引入 到跌倒检测系统中，主要完成以下几个方面的工作。 1) 根据 RNN 的特性，对可穿戴设备传感器获 取的数据进行重组，转变为适合 RNN 的输入序列。 2) 借助 RNN 能够保存历史信息的特性，利用 其发现和抽象序列内在关系的能力，充分发掘位置 传感器数据之间的内在联系，设计了基于 RNN 的 迭代算法，提高了跌倒检测的效果。 3) 在 Spark 平台上，利用基于 RNN 的迭代算 法，实现了基于 RNN 的跌倒检测系统，除了与现有 跌倒检测系统一样能区分正常和跌倒行为之外，还 能准确识别出更具危险性的接近跌倒行为。 4) 使用 Fall_adl_data[12]作为测试数据集进行验 证，相比在同一数据集上的其他算法[13-14] ，基于 RNN 的跌倒检测系统的 F 值分别提高了 12% 与 8%，并 能正确检测出接近跌倒行为，从而更好地提供预警 信息。 1 相关工作 1.1 跌倒检测 Vaidehi 等 [15]提出了基于人体静态特征的视频 检测方法，通过阈值法判断是否跌倒； Bosch 等 [16]通 过广角摄像头进行跌倒检测，采集人体倾斜角度的 变化速度等信息作为特征，通过支持向量机的方法 进行跌倒判断，识别率达到 97%；佟丽娜等[17]利用 加速度信息作为时间序列，然后使用该时间序列作 为训练样本训练隐马尔可夫模型，通过分析当前的 输入序列与模型的匹配程度进行跌倒预测并取得良 好的预测效果；R. M. Gibson 等 [18]比较了小波阈值 下降强度检测法与 PCA 决策树两种不同的算法，得 出 PCA 决策树算法具有更好的准确性和鲁棒性；L. Chen 等 [7]利用贝叶斯网络来实现人体姿态预测，通 过姿态预测结合识别算法来提高预测时间，之后又 通过支持向量机的方法进行摔倒识别，召回率与准 确率分别达到 96.2% 与 87.3%；D. Luo 等 [19]提出了 基于随机森林的跌倒检测算法，最终获得 95.2% 的 准确率、90.6% 的敏感度和 93.5% 的特异性，并对 比得出优于 SVM 和反向传播 (BP) 神经网络检测算 法的结论；S. Z. Erdogan 等 [10]利用数据挖掘中的 K 近邻的方法进行跌倒检测，也取得了不错的识别 效果。 1.2 递归神经网络的应用 递归神经网络是深度学习领域研究热点之一， 近年来，它在语音识别、机器翻译、文本语言处理等 领域表现出了巨大的成功[20-22]。它主要解决了如何 处理时间序列上的变化的问题。递归神经网络的应 用主要有 3 个方面：1) 自然语言处理，包括语言模 型 [23] 、机器翻译[24] 、语音识别[25] 、会话模型[26]等； 2) 计算机视觉方面，包括物体识别[27] 、视频跟踪[28] 、 视频分析[29]等；3) 自然语言处理与计算机视觉相结 合，包括图片字幕[ 3 0 ] 、视频字幕[ 3 1 ] 、视觉问题回 答 [32] 、机器人技术[33]等。 2 基于 RNN 的跌倒检测算法 与 RNN 使用效果较好的自然语言处理领域类 似，个体的差异使得单个传感器数据对跌倒行为检 测非常有限，甚至会产生负面影响；由多个传感器 获取不同数据序列之间的关联性是检测跌倒行为的 第 3 期 牛德姣，等：基于递归神经网络的跌倒检测系统 ·381·