第3期 牛德姣，等：基于递归神经网络的跌倒检测系统 ·383· V(t+1)=V0+ae()·s,T-βV) (9) 2.3基于RNN的跌倒检测算法 Ut+1）=U0+2ae,e-2--BU0 在使用用于跌倒检测RNN判断用户行为时， (10) =0 本文把跌倒检测转化为一个分类问题，通过比较用 户行为为非跌倒、跌倒、接近跌倒这3种状态的概 w(+1)=w0+ 之e-as---w0 率，判断用户行为的类型。 式中：B是正规化参数，α是学习率，T是反向传播的 定义行为判断序列组DS(SS,·,SSn,type,其中 步数。当所有的A$组成的训练集被用于跌倒检测 SS,…,SSn是n个位置传感器数据序列组，每个 RNN训练后，调整学习率a,若当前训练误差小于 SS包含3个传感器值；type表示预测行为的类型， 给定阈值，则继续使用相同的α值进行训练：反之 0表示非跌倒，1表示跌倒，2表示接近跌倒。 则减小a的值进行训练。困惑度(PPL)是用于衡量 在使用用于跌倒检测RNN进行检测之前，首 跌倒检测RNN有效性的重要指标，在每完成一次 先使用某一时刻的个体所有位置传感器数据序列组 所有AS的训练后使用式(12)进行PPL的计算， 的数据，分别将type值设置为0、1和2，构建3个 PPL值越小，说明跌倒检测RNN的表现越好；当 对应的行为判断序列组。图3给出了个体包含两个 PPL值达到系统设置阈值时，结束跌倒检测RNN 位置传感器时，从一组位置传感器数据序列$S,和 的训练。 SS2所产生的3个行为判断序列组DS1、DS2和DS3, 其中DS,对应非跌倒状态，DS,对应跌倒状态，DS对 PPL (12) I=y(xx1…x-1） 应接近跌倒状态。由此构建了包含所有位置传感器 在以上的训练算法中，所有的历史数据通过隐 所采集数据和预测行为类型的行为判断序列组，作 藏层都得到了保存，因此可以全面利用每一条数据 为用于跌倒检测RNN判断行为类型的输入，利用 信息，进而为充分发掘位置传感器数据之间的内在 RNN能抽象和保存序列中各输人单元之间的关联 联系奠定了基础，从而在一定程度上提高了跌倒检 关系，通过判断多个位置传感器之间的关联关系， 测的效果。 提高跌倒检测的准确率和适应能力。 个体1 位置传感器1 SS(XS.YS.ZS,) DS(XS.YSZS,XS.YS:.ZS:0) DSa(XS.YSL.ZSXS2YS:ZS21) 位置传感器2 iSS,(XS,,YS,ZS,) DS:(XSLYSLZSL.XS2,YSZS22) 图3位置传感器序列产生行为检测序列组DS示意图 Fig.3 DS schematic of the position sensor sequence generates the behavior detection sequence group 接着将所产生的DS1、DS2和DS作为输入，送入 type之后得到该DS整体概率。 用于跌倒检测RNN,分别计算DS,、DS,和DS,所对 P,)=xk8i） (13) 应的概率值，并进行比较，选取概率值最大的一个 DS,根据其中type的值判断该状态下用户行为的类 3基于RNN的跌倒检测系统 型。本文在图4中以DS2为例，给出使用跌倒检测 在基于RNN跌倒检测算法的基础上，本文实 RNN进行检测的示意，P,是DS,整体的概率值。 现了基于RNN的跌倒检测系统(RNNFD),并构建 EIE四PPP. 了测试平台，使用跌倒检测的标准数据集进行了测 SSSS 试，依据通用评价指标进行分析。 S$SS✉SSyp) 3.1原型系统的实现 图4对行为训练序列组进行训练的示意图 RNN的训练时间开销非常大，本文利用之前所 Fig.4 Schematic diagram of a training sequence of behavi- 实现的基于分布式神经元的大规模RNN系统)， or training sequences 在Spark平台上实现基于RNN的跌倒检测系统 行为训练序列组当前的概率P使用式(13)进 (RNNFD),通过分布式内存计算平台减少RNNFD 的训练时间开销。 行计算，其中m表示该行为训练序列组中的第m个 RNNFD的隐藏层中神经元数量是决定跌倒检 单元，每个DS的训练相互独立，处理完DS中的 测准确率的关键因素，同样也是带来大量训练时间V(t+1) = V(t)+αeo(t)·st T −βV(t) (9) U(t+1) = U(t)+ ∑T z=0 αeh(t−z)· x T t−z −βU(t) (10) W(t+1) = W(t)+ ∑T z=0 αeh(t−z)s(t−z−1)T −βW(t) (11) 式中：β 是正规化参数，α 是学习率，T 是反向传播的 步数。当所有的 AS 组成的训练集被用于跌倒检测 RNN 训练后，调整学习率 α，若当前训练误差小于 给定阈值，则继续使用相同的 α 值进行训练；反之 则减小 α 的值进行训练。困惑度 (PPL) 是用于衡量 跌倒检测 RNN 有效性的重要指标，在每完成一次 所有 AS 的训练后使用式 (12) 进行 PPL 的计算， PPL 值越小，说明跌倒检测 RNN 的表现越好；当 PPL 值达到系统设置阈值时，结束跌倒检测 RNN 的训练。 PPL = K √∏K i=1 1 y(xi |x1 ··· xi−1) (12) 在以上的训练算法中，所有的历史数据通过隐 藏层都得到了保存，因此可以全面利用每一条数据 信息，进而为充分发掘位置传感器数据之间的内在 联系奠定了基础，从而在一定程度上提高了跌倒检 测的效果。 2.3 基于 RNN 的跌倒检测算法 在使用用于跌倒检测 RNN 判断用户行为时， 本文把跌倒检测转化为一个分类问题，通过比较用 户行为为非跌倒、跌倒、接近跌倒这 3 种状态的概 率，判断用户行为的类型。 DS(SS1,··· ,SSn,type) SS1,··· ,SSn 定义行为判断序列组 ，其中 是 n 个位置传感器数据序列组，每个 SS 包含 3 个传感器值；type 表示预测行为的类型， 0 表示非跌倒，1 表示跌倒，2 表示接近跌倒。 SS1 SS2 DS1 DS2 DS3 DS1 DS2 DS3 在使用用于跌倒检测 RNN 进行检测之前，首 先使用某一时刻的个体所有位置传感器数据序列组 的数据，分别将 type 值设置为 0、1 和 2，构建 3 个 对应的行为判断序列组。图 3 给出了个体包含两个 位置传感器时，从一组位置传感器数据序列 和 所产生的 3 个行为判断序列组 、 和 ， 其中 对应非跌倒状态， 对应跌倒状态， 对 应接近跌倒状态。由此构建了包含所有位置传感器 所采集数据和预测行为类型的行为判断序列组，作 为用于跌倒检测 RNN 判断行为类型的输入，利用 RNN 能抽象和保存序列中各输入单元之间的关联 关系，通过判断多个位置传感器之间的关联关系， 提高跌倒检测的准确率和适应能力。 DS1 DS2 DS3 DS1 DS2 DS3 DS2 DS2 接着将所产生的 、 和 作为输入，送入 用于跌倒检测 RNN，分别计算 、 和 所对 应的概率值，并进行比较，选取概率值最大的一个 DS，根据其中 type 的值判断该状态下用户行为的类 型。本文在图 4 中以 为例，给出使用跌倒检测 RNN 进行检测的示意，P7 是 整体的概率值。 行为训练序列组当前的概率 P 使用式 (13) 进 行计算，其中 m 表示该行为训练序列组中的第 m 个 单元，每个 DS 的训练相互独立，处理完 DS 中的 type 之后得到该 DS 整体概率。 P(x1 , x2 ,··· , xm) = ∏m i=1 y(xi |x1 , x2 ,··· xi−1) (13) 3 基于 RNN 的跌倒检测系统 在基于 RNN 跌倒检测算法的基础上，本文实 现了基于 RNN 的跌倒检测系统 (RNNFD)，并构建 了测试平台，使用跌倒检测的标准数据集进行了测 试，依据通用评价指标进行分析。 3.1 原型系统的实现 RNN 的训练时间开销非常大，本文利用之前所 实现的基于分布式神经元的大规模 RNN 系统[22] ， 在 Spark 平台上实现基于 RNN 的跌倒检测系统 (RNNFD)，通过分布式内存计算平台减少 RNNFD 的训练时间开销。 RNNFD 的隐藏层中神经元数量是决定跌倒检 测准确率的关键因素，同样也是带来大量训练时间 位置传感器1 位置传感器2 个体1 SS1 (XS1 ,YS1 ,ZS1 ) SS2 (XS2 ,YS2 ,ZS2 ) DS1 (XS1 ,YS1 ,ZS1 ,XS2 ,YS2 ,ZS2 ,0) DS2 (XS1 ,YS1 ,ZS1 ,XS2 ,YS2 ,ZS2 ,1) DS3 (XS1 ,YS1 ,ZS1 ,XS2 ,YS2 ,ZS2 ,2) 图 3 位置传感器序列产生行为检测序列组 DS 示意图 Fig. 3 DS schematic of the position sensor sequence generates the behavior detection sequence group P1 P2 P3 P4 P5 P6 P7 st st st st st st st XS1 YS1 ZS1 XS2 YS2 ZS2 type(1) 图 4 对行为训练序列组进行训练的示意图 Fig. 4 Schematic diagram of a training sequence of behavi￾or training sequences 第 3 期 牛德姣，等：基于递归神经网络的跌倒检测系统 ·383·