楊文輝, 楊明靜

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350108)

?

基于手機(jī)放置變化的步態(tài)識(shí)別

楊文輝, 楊明靜

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350108)

基于手機(jī)加速度傳感器的步態(tài)識(shí)別是根據(jù)人的生理特點(diǎn)，提取人行走時(shí)的加速度步態(tài)模式，以區(qū)分不同的個(gè)體。大多數(shù)研究是將加速器固定在同一個(gè)位置、同一個(gè)方向上，以減少傳感器放置變化對(duì)識(shí)別的影響。文章比較了不同方法，包括統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)的KStar算法分類效果最佳，準(zhǔn)確率可達(dá)到99.11%,可消減放置變化的影響。

步態(tài)識(shí)別；加速度傳感器；機(jī)器學(xué)習(xí)

0 引言

基于加速度傳感器的步態(tài)識(shí)別主要用于醫(yī)療和安全識(shí)別兩方面。人體步態(tài)特征會(huì)因身體疾病而發(fā)生變化，步態(tài)檢測(cè)有助于疾病的早期診斷[1]。在遠(yuǎn)程醫(yī)療上，智能化的步態(tài)加速度識(shí)別監(jiān)測(cè)系統(tǒng)可以在一定程度上解決因監(jiān)護(hù)人員不足特殊人群無人看護(hù)等問題[2]。人們很多信息都與手機(jī)息息相關(guān)，比如支付寶、手機(jī)銀行等。很多手機(jī)只設(shè)置了開機(jī)密碼或者圖形密碼，這些信息很容易被竊取。基于手機(jī)加速度傳感器的步態(tài)識(shí)別系統(tǒng)，可以有效地保護(hù)手機(jī)信息的安全[3]。

當(dāng)前，步態(tài)識(shí)別主要采用統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)的方法。統(tǒng)計(jì)學(xué)中，通常采用動(dòng)態(tài)時(shí)間歸整(Dynamic Time Warping，DTW)算法[4]。NICKEL C等人把手機(jī)固定在測(cè)試者臀部的右邊，用DTW算法比較訓(xùn)練集和測(cè)試集一個(gè)周期的最小規(guī)整路徑[5]，得到的相對(duì)錯(cuò)誤率(Equal Error Rate,EER)為20%。張雨霆把加速度傳感器固定放在測(cè)試者的左上臂、右手腕、左股、左大腿、右腳踝五個(gè)位置，用稀疏表示對(duì)175個(gè)人進(jìn)行了識(shí)別分析，得到了95.8%的識(shí)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(jī)固定在腰帶，用機(jī)器學(xué)習(xí)中支持向量機(jī)(Support Vector Machine，SVM)，對(duì)51個(gè)人進(jìn)行分類測(cè)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(duì)識(shí)別的影響，HOANG T等人[9]提出用手機(jī)加速度傳感器和磁力計(jì)解決此問題,將加速度傳感器測(cè)量的數(shù)據(jù)轉(zhuǎn)化到標(biāo)準(zhǔn)的坐標(biāo)軸，以減少放置變化的影響，用SVM對(duì)38個(gè)人進(jìn)行分類測(cè)試，得到98.71%的準(zhǔn)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(jì)學(xué)中DTW的方法和機(jī)器學(xué)習(xí)中IBk、KStar等方法探討消減手機(jī)放置變化對(duì)識(shí)別的影響，得到的結(jié)果與HOANG T的方法相當(dāng)，但效率相對(duì)提高，更易于實(shí)現(xiàn)。

1 數(shù)據(jù)集

數(shù)據(jù)集是用手機(jī)HTC Nexus One的三軸加速度傳感器采集的，采樣頻率約為27 Hz，實(shí)驗(yàn)人數(shù)為38人(年齡24～28歲),包括28個(gè)男士、10個(gè)女士。數(shù)據(jù)采集的過程中，人正常行走，手機(jī)放置在褲子的口袋里，每測(cè)量一次，手機(jī)改變一次放置。測(cè)量場(chǎng)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(diǎn)，縱軸為采樣點(diǎn)的值,單位為m/s2。

圖1 加速度傳感器的三軸數(shù)據(jù)

2 統(tǒng)計(jì)學(xué)方法

2.1 典型步態(tài)周期

人正常行走的過程中動(dòng)作呈規(guī)律性，左腳一步右腳一步，稱為一個(gè)步態(tài)周期。本文通過查找Z軸極小值的方法進(jìn)行步態(tài)周期的檢測(cè)。如圖2所示，兩個(gè)小圓圈的距離就是一個(gè)步態(tài)周期長(zhǎng)度。把每一次測(cè)量的數(shù)據(jù)按周期進(jìn)行分割，以6個(gè)周期為一個(gè)樣本，且覆蓋3個(gè)步態(tài)周期。由于人在行走的過程中，每一個(gè)步態(tài)周期的時(shí)間不一樣，因此每個(gè)步態(tài)周期的長(zhǎng)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(gè)周期的采樣點(diǎn)為40個(gè)。最后求出每個(gè)樣本的典型步態(tài)周期，計(jì)算公式如式(1)所示，r(i,k)代表第k個(gè)步態(tài)周期，第i個(gè)采樣點(diǎn)。

(1)

圖2 步態(tài)周期檢測(cè)

2.2 識(shí)別結(jié)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(cè)和周期分割，提取典型的步態(tài)周期，用DTW進(jìn)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(cuò)誤接收率(False Match Rate，F(xiàn)MR)和錯(cuò)誤拒絕率(False NO-Match Rate，F(xiàn)NMR)是識(shí)別過程中的兩類錯(cuò)誤率。EER為錯(cuò)誤接收率與錯(cuò)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(diǎn)。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(jié)果比DERAWI M O[5,7]等用DTW得到的EER大得多，識(shí)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(jī)放置位置變化引起。為了消減此影響，本文接下來運(yùn)用了機(jī)器學(xué)習(xí)的方法。

圖3 X、Y、Z三軸加速度的ROC曲線

3 機(jī)器學(xué)習(xí)

3.1 數(shù)據(jù)預(yù)處理

由于在數(shù)據(jù)采集過程中，手機(jī)震動(dòng)等因素容易引入噪聲，進(jìn)而影響分類結(jié)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?；瑒?dòng)加權(quán)平均濾波器可以達(dá)到較好的效果[10]，長(zhǎng)度設(shè)置為5。濾波器的運(yùn)算表達(dá)式為式(2)所示，其中ri為濾波前信號(hào)，Ri為濾波后信號(hào)。

Ri=(ri-2+2ri-1+3ri+2ri+1+ri)/9

(2)

3.2 周期分割和特征提取

運(yùn)用機(jī)器學(xué)習(xí)的方法，一個(gè)類別需要較大的數(shù)據(jù)樣本。如果以一個(gè)步態(tài)周期代表一個(gè)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(gè)步態(tài)周期為一個(gè)樣本，并且覆蓋3個(gè)周期，以便于與統(tǒng)計(jì)學(xué)的方法比較。特征提取是以樣本為單位的，分別計(jì)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(biāo)準(zhǔn)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(gè)步態(tài)周期的初始時(shí)間和結(jié)束時(shí)間點(diǎn)，時(shí)間單位為s。ri表示樣本的某個(gè)采樣點(diǎn)，N為該樣本采樣點(diǎn)的總數(shù)量。由于同一個(gè)樣本，各軸的步頻特征值都一樣，因此每個(gè)樣本得到的特征值均為21個(gè)，各計(jì)算公式如下所示：

(3)

(4)

(5)

(6)

(7)

3.3 分類識(shí)別

以軟件Weka現(xiàn)有的多類算法，進(jìn)行十折交叉驗(yàn)證，算法的參數(shù)均為默認(rèn)值。本文列出4個(gè)效果相對(duì)較好的分類器結(jié)果，其中KStar的分類效果最好，分類準(zhǔn)確率達(dá)到99.11%；IBk為98.89%，J48為85.58%，隨機(jī)森林為98.51%。HOANG T等人[9]用SVM進(jìn)行十折交叉驗(yàn)證，得到的分類準(zhǔn)確率為98.71%，而本文用KStar和IBk也達(dá)到98.71%以上的分類準(zhǔn)確率，因此基于特征提取的機(jī)器學(xué)習(xí)也可以用于消減手機(jī)放置變化帶來的誤差。將Weka運(yùn)行的結(jié)果導(dǎo)出，用MATLAB求出J48、隨機(jī)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。

表1 分類器的EER

4 結(jié)果分析

本文測(cè)試了DTW模版匹配的方法和Weka中J48、隨機(jī)森林、KStar、IBk對(duì)手機(jī)放在褲子的口袋中放置變化時(shí)，步態(tài)識(shí)別的準(zhǔn)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(shí)別效果較差，低于手機(jī)固定一個(gè)位置的識(shí)別率，從而證實(shí)了傳感器放置變化時(shí)，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(cè)，以步態(tài)周期為基礎(chǔ)，進(jìn)行特征提取，用機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)的算法訓(xùn)練得到的分類模型準(zhǔn)確性高，因此能減少傳感器放置變化的影響。

5 結(jié)論

本文用 HOANG T提供的加速度數(shù)據(jù)和機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)的方法，研究減少手機(jī)在識(shí)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(dāng)。HOANG T用手機(jī)加速度傳感器和磁力計(jì)將加速度數(shù)據(jù)經(jīng)過變換矩陣轉(zhuǎn)換為地球坐標(biāo)系上的數(shù)據(jù)，提高了傳感器放置改變時(shí)步態(tài)識(shí)別的準(zhǔn)確率。本文提出用代表性強(qiáng)的特征值和高效的算法KStar、IBk也可解決此問題，而且計(jì)算量相對(duì)于Hoang較小，易實(shí)現(xiàn)，特征值維度較小，有利于運(yùn)行時(shí)間減少。本文提出的方法相對(duì)MUAAZ M[8]等把手機(jī)放置在固定的位置，實(shí)用性更強(qiáng)。本文方法比較簡(jiǎn)單，容易在現(xiàn)實(shí)生活中實(shí)現(xiàn)運(yùn)用。

[1] HSUY Y L, CHUNG P C, WANG W H, et al. Gait and balance analysis for patients with Alzheimer's disease using an inertial-sensor-based 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] MüLLER 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 accelerometer-based 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. Accelerometer-based 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.

Various placed smartphone based gait recognition

Yang Wenhui，Yang Mingjing

(College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108, China)

Gait recognition based on accelerometer embedded in smartphone is on the basis of human physiological characteristics, which extracts walking pattern from accelerometer data to distinguish different subjects. In the most published research, in order to reduce influences of changes of sensor placement accelerometers were fixed on the same position and identical orientation. In this paper, we compared different methods including statistics and machine learning to eliminate impacts of changes of accelerometer placement. However, through process of filtering and feature extraction and so on, the KStar algorithm in machine learning classify best and achieved accuracy of 99.11%，and can eliminate the influences of placement changes.

gait recognition; accelerometer; machine learning

TP181

A

10.19358/j.issn.1674- 7720.2016.21.017

楊文輝, 楊明靜. 基于手機(jī)放置變化的步態(tài)識(shí)別[J].微型機(jī)與應(yīng)用，2016,35(21)：55-57,60.

2016-07-11)

楊文輝(1990-)，男，碩士研究生，主要研究方向：機(jī)器學(xué)習(xí)、步態(tài)識(shí)別。

楊明靜(1973-)，通信作者，女，博士研究生，副教授，主要研究方向：生物醫(yī)學(xué)信息處理,數(shù)據(jù)挖掘,圖像處理。E-mail：1251384552@qq.com。