吳婷+周宇

摘要：針對人體行為識(shí)別問題，本文設(shè)計(jì)實(shí)現(xiàn)了基于BP神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別方法。該方法在對原始三維加速度信號預(yù)處理后提取出特征值，并將向量空間劃分為訓(xùn)練樣本集和測試樣本集。通過不斷修正網(wǎng)絡(luò)參數(shù)優(yōu)化學(xué)習(xí)效果。經(jīng)過學(xué)習(xí)后的BP神經(jīng)網(wǎng)絡(luò)達(dá)到了較高的人體行為識(shí)別正確率，并對所研究的7種日常行為都較好識(shí)別。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；三維加速度；特征值提取

中圖分類號：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-9324（2016）51-0197-02

隨著物聯(lián)網(wǎng)的高速發(fā)展，智慧醫(yī)療的應(yīng)用也越來越廣泛，人體行為識(shí)別作為智能監(jiān)測中一個(gè)重要的研究方向，也逐漸受到各國學(xué)者的廣泛關(guān)注。隨著我國人口老齡化不斷加劇，老年人意外摔倒問題受到人們關(guān)注，而人體行為識(shí)別方法的研究將推進(jìn)更有效更準(zhǔn)確的跌倒檢測算法研究。按照信號的獲取方式，可將現(xiàn)有的人體行為識(shí)別方法分為以下兩種：基于計(jì)算機(jī)視覺的方法和基于傳感器的方法?；谌S加速度信號的識(shí)別方法屬于第二種，第二種方法相較于第一種具有低功耗、高精度、攜帶方便等優(yōu)點(diǎn)。目前BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最深入、應(yīng)用最廣泛的一種。本文選用已有的三軸加速度信號數(shù)據(jù)集，在MATLAB仿真環(huán)境下，基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)并實(shí)現(xiàn)人體行為識(shí)別算法。

一、數(shù)據(jù)預(yù)處理

本文選用的三軸加速度數(shù)據(jù)來源于南加州大學(xué)人體行為數(shù)據(jù)集，這個(gè)數(shù)據(jù)集包括了對14名受測者的12種動(dòng)作的三軸加速度信號采集。采集過程中，三軸加速度傳感器位于受測者右前臂；采樣頻率為100Hz；12種動(dòng)作每種動(dòng)作由每名受測者做5次，即對每種動(dòng)作采集70個(gè)樣本，每個(gè)樣本采集時(shí)長不定但是足夠捕獲動(dòng)作的所有信息?？紤]實(shí)際意義，本文只選取上述14名受測者的7類動(dòng)作，共計(jì)490個(gè)加速度數(shù)據(jù)樣本。在特征值提取前需要對濾波得到的加速度數(shù)據(jù)再進(jìn)行加窗處理。選用窗口長度N為512的矩形窗，則結(jié)合采樣頻率可得窗口時(shí)間跨度為5.12秒，足夠包含單個(gè)完整動(dòng)作。經(jīng)過預(yù)處理后的數(shù)據(jù)才可以用于后續(xù)的特征值的提取，并用來訓(xùn)練和測試所建立的BP神經(jīng)網(wǎng)絡(luò)。

二、BP神經(jīng)網(wǎng)絡(luò)的建立

BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和隱含層組成，其中輸入層與輸出層各為一層，隱含層可以有多層。在網(wǎng)絡(luò)中，相鄰兩層間實(shí)現(xiàn)全連接，而處于同一層的神經(jīng)元之間無連接。BP學(xué)習(xí)算法需要提供教師信號。BP網(wǎng)絡(luò)的學(xué)習(xí)過程包括工作信號的正向傳播和誤差信號的反向傳播，并通過修改連接兩個(gè)神經(jīng)元的邊的權(quán)值來使得誤差函數(shù)達(dá)到最小。①工作信號的正向傳播。設(shè)X■■表示第k層神經(jīng)元i的輸入總和，Y■■為輸出，第k-1層神經(jīng)元j到第k層神經(jīng)元i的權(quán)值為Wij，則有如下函數(shù)關(guān)系：Y■■=f（X■■）X■■=■W■Y■■ （1）

稱f激勵(lì)函數(shù)，通常取f為非對稱Sigmoid函數(shù)，即 f（X■■）=■ （2）

②誤差信號的反向傳播。設(shè)輸出層為第m層，則輸出層第i個(gè)神經(jīng)元的實(shí)際輸出為Y■■，設(shè)對應(yīng)的教師信號為Yi，定義誤差函數(shù)e為 e=■■（Y■■-Y■）■ （3）

定義d■■表示誤差函數(shù)e關(guān)于U■■的偏導(dǎo)數(shù)，可推得 當(dāng)k=m時(shí)，有d■■=Y■■（1-Y■■）（Y■■-Y■）（4）

當(dāng)k

③權(quán)值的修正。設(shè)某一次學(xué)習(xí)權(quán)值的修改量為ΔWij，考慮兩次學(xué)習(xí)的相關(guān)性，可定義權(quán)值修改量如下：

ΔWij（t+1）=-μ·d■■·Y■■+γ·ΔWij（t）（6）

其中，γ為表示兩次修正間的相關(guān)程度的系數(shù)， μ為學(xué)習(xí)速率。綜上，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)就是：找一組最合適的邊的權(quán)值Wij，使得誤差函數(shù)滿足 e=min■■（Y■■-Y■）■ （7）

三、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

1.輸入層。BP神經(jīng)網(wǎng)絡(luò)的輸入即為各種行為的特征向量，因此首先需要選取合適的特征值構(gòu)建特征向量。根據(jù)統(tǒng)計(jì)學(xué)原理和所選加速度信號數(shù)據(jù)集的特征，選取5個(gè)特征值：均值、方差、相關(guān)系數(shù)、偏度和峰度。5個(gè)特征值均以窗長N為提取單位，特征值的計(jì)算直接使用MATLAB已有的函數(shù)。以窗長為單位，分別計(jì)算三個(gè)軸的加速度信號的上述5種特征值，一次特征值提取可得到一個(gè)15維的特征向量，將此向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，則輸入層可有15個(gè)神經(jīng)元。

2.隱含層。隱含層待定的系數(shù)包括隱含層的層數(shù)和每個(gè)隱含層包含的神經(jīng)元個(gè)數(shù)。為提高學(xué)習(xí)速率，通常選用單隱層的神經(jīng)網(wǎng)絡(luò)，但為獲得更好的學(xué)習(xí)效果，本文考慮單隱層以及雙隱層的BP神經(jīng)網(wǎng)絡(luò)。

關(guān)于隱含層神經(jīng)元的個(gè)數(shù)n1選取，本文參考公式如下：n■=■+p （13）

其中，n0為輸入層神經(jīng)元個(gè)數(shù)，nm為輸出層神經(jīng)元個(gè)數(shù)，p為[1，10]之間的一個(gè)常數(shù)。在利用上述公式估算的基礎(chǔ)上，根據(jù)網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果對隱含層神經(jīng)元個(gè)數(shù)再做調(diào)整，以達(dá)到最好的學(xué)習(xí)效果。

3.輸出層。神經(jīng)網(wǎng)絡(luò)的輸出層表示人體行為識(shí)別的結(jié)果，即判斷該動(dòng)作屬于哪一類。根據(jù)所研究的7類動(dòng)作，可以構(gòu)造一個(gè)7維的輸出向量。每一個(gè)輸出向量對應(yīng)每一次輸出，向量的每一維對應(yīng)每一類動(dòng)作。若輸入特征值來源于第Z類動(dòng)作，則期望的輸出向量為第Z維置“1”，其余維置“0”，而實(shí)際的輸出向量的7個(gè)維度的數(shù)值分別代表屬于7種動(dòng)作的可能性大小，取數(shù)值最大的維度為分類結(jié)果。

四、BP學(xué)習(xí)算法的執(zhí)行

在確定上述網(wǎng)絡(luò)結(jié)構(gòu)后，使神經(jīng)網(wǎng)絡(luò)執(zhí)行如下學(xué)習(xí)算法：（1）首先設(shè)定各層的權(quán)值Wij的初值，通常選較小的非零隨機(jī)數(shù)。（2）確定訓(xùn)練數(shù)據(jù)集，輸入一個(gè)特征向量X=（x1，x2，x3…x15），并向網(wǎng)絡(luò)提供對應(yīng)的教師信號Y=（y1，y2，y3，y4，y5，y6，y7）。（3）正向傳播輸入信號，計(jì)算各層的輸出，最終得到實(shí)際輸出向量。（4）反響傳播誤差信號，計(jì)算各層的學(xué)習(xí)誤差d■■，并對權(quán)值Wij進(jìn)行修正。（5）計(jì)算誤差函數(shù)e，判斷是否達(dá)到訓(xùn)練目標(biāo)，若已達(dá)目標(biāo)或迭代次數(shù)達(dá)到上限，則學(xué)習(xí)結(jié)束；若尚未達(dá)到目標(biāo)，則返回步驟2循環(huán)執(zhí)行。完成訓(xùn)練后，便可以利用測試樣本集對神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，根據(jù)測試結(jié)果不斷修正網(wǎng)絡(luò)參數(shù)。

五、結(jié)果與分析

通過加窗處理，從選取的原始數(shù)據(jù)集中可以提取出共490組加速度特征數(shù)據(jù)，將其中的350組用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，剩余的140組用來測試訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)。在經(jīng)過仿真后，發(fā)現(xiàn)單隱層的網(wǎng)絡(luò)雖然學(xué)習(xí)速率較快但識(shí)別準(zhǔn)確度總是不夠理想，而雙隱層的網(wǎng)絡(luò)可以獲得較為理想的學(xué)習(xí)效果。經(jīng)過比較，最終選用的BP神經(jīng)網(wǎng)絡(luò)具有2個(gè)隱含層、且每個(gè)隱含層神經(jīng)元個(gè)數(shù)為31個(gè)，此時(shí)的總體行為識(shí)別準(zhǔn)確度可以達(dá)到97.14%。每一類動(dòng)作各測試20次。仿真結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別方法取得了較高的識(shí)別準(zhǔn)確度，對于日常生活中的7類行為都可以實(shí)現(xiàn)較好的識(shí)別。

通過對神經(jīng)網(wǎng)絡(luò)參數(shù)的不斷修正，訓(xùn)練后的網(wǎng)絡(luò)取得了較好的總體行為識(shí)別準(zhǔn)確度，并且對數(shù)據(jù)集中的每一類動(dòng)作都實(shí)現(xiàn)了較好的識(shí)別。這一方法在人體行為識(shí)別和智能健康監(jiān)測領(lǐng)域都具有較好的應(yīng)用前景和研究意義。

參考文獻(xiàn)：

[1]盧先領(lǐng)，徐仙.基于加速度與HGA-BP神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別[J].計(jì)算機(jī)工程，2015，41（9）.

[2]徐川龍，顧勤龍，姚明海.一種基于三維加速度傳感器的人體行為識(shí)別方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2013，22（6）.

Research and Implementation of Human Activity Recognition Method Based on BP Neural Networks

WU Ting，ZHOU Yu

（College of Communication and Information Engineering，Nanjing University of Posts and Telecommunications，Nanjing，Jiangsu 210023，China）

Abstract：To address the problem of human activity recognition，this paper designs and implements a human activity recognition method based on BP neural networks. the method extracts feature values from the signals to build feature vectors of human activity and divides the vector space into training set and testing set. During the network training，network parameters are constantly revised in order to optimize the training result. BP neural networks achieves a high correct rate in human activity recognition after training and recognizes the studied seven daily activity well.

Key words：BP neural networks；three-dimensional acceleration；feature extraction