馬永連,張登銀

(南京郵電大學(xué) 物聯(lián)網(wǎng)學(xué)院,江蘇 南京 210023)

0 引 言

當(dāng)下,國(guó)內(nèi)社會(huì)老齡化問題嚴(yán)重,獨(dú)居的中老年人在缺少看護(hù)的情況下,在室內(nèi)摔倒后果通常會(huì)很嚴(yán)重,甚至可能會(huì)導(dǎo)致死亡[1]。采用攝像頭監(jiān)控[2]的方式無法在無光環(huán)境中正常工作,并且會(huì)侵犯人們的隱私,而穿戴設(shè)備[3]在實(shí)際應(yīng)用時(shí)因忘記佩戴設(shè)備以及有限的電池容量對(duì)使用者不太友好。無線信號(hào)不受光的限制[4],不侵犯人們的隱私,并且容易獲取。Seifeldin[5]在2013年首次提出了基于WiFi信號(hào)接收強(qiáng)度RSSI(Received Signal Strength Information)的室內(nèi)人體行為識(shí)別系統(tǒng),但是研究者發(fā)現(xiàn)RSSI存在以下缺陷:(1)RSSI衡量的是多徑信號(hào)傳播的疊加效應(yīng),無法區(qū)分多條信號(hào)傳播路徑;(2)RSSI位于媒體訪問控制(Medium Access Control,MAC)層,不包含可學(xué)習(xí)的物理層信息[6]。因此,近些年來,RSSI在無線感知方面逐漸被信道狀態(tài)信息(Channel State Information,CSI)[7-10]所替代。C. Han等人提出的摔倒檢測(cè)系統(tǒng)Wi-Fall[7]是第一個(gè)使用CSI進(jìn)行摔倒檢測(cè)的,作者利用CSI的歸一化標(biāo)準(zhǔn)差、信號(hào)強(qiáng)度偏移等七個(gè)特征作為聯(lián)合特征,利用局部異常分量檢測(cè)無線信號(hào)的異常變化,并通過SVM算法對(duì)動(dòng)作進(jìn)行分類。

然而不同室內(nèi)布局帶來的多徑效應(yīng)的差異,使得上述摔倒檢測(cè)系統(tǒng)無法實(shí)現(xiàn)跨場(chǎng)景使用,即在源域場(chǎng)景訓(xùn)練得到的摔倒檢測(cè)模型應(yīng)用到目標(biāo)域時(shí),檢測(cè)精度會(huì)急劇下降。針對(duì)于跨場(chǎng)景檢測(cè)的需求,諸如RT-Fall[9]等摔倒檢測(cè)方法,當(dāng)環(huán)境改變后會(huì)出現(xiàn)明顯的性能下降。FallDeFi[10]使用STFT提取CSI中的時(shí)頻特征,使用SVM實(shí)現(xiàn)準(zhǔn)確的摔倒檢測(cè)。為了確保摔倒檢測(cè)系統(tǒng)能夠適應(yīng)環(huán)境變化,作者還設(shè)計(jì)了一種魯棒的順序前向選擇算法挑選能夠適應(yīng)環(huán)境變換的特征,在環(huán)境發(fā)生變化時(shí),取得了接近80%的平均精度,使得跨場(chǎng)景識(shí)別成為可能。域自適應(yīng)的思想現(xiàn)已被證明在計(jì)算機(jī)視覺、語(yǔ)音增強(qiáng)等領(lǐng)域擁有巨大潛力,在摔倒檢測(cè)、行為識(shí)別等研究中并不常見。SignGAN[11]引入了一個(gè)基于標(biāo)準(zhǔn)的生成對(duì)抗網(wǎng)絡(luò)(GAN)的域自適應(yīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)可以將源域的真實(shí)樣本轉(zhuǎn)換為具有目標(biāo)域樣式的目標(biāo)域,消除了特定環(huán)境和用戶的影響,最終達(dá)到了91.25%的平均檢測(cè)精度。

該文提出了一種新的摔倒檢測(cè)域自適應(yīng)框架DA-Fall,該框架結(jié)合了兩種領(lǐng)域自適應(yīng)策略。一是通過最小化域差異的距離度量將源域與目標(biāo)域遷移到同一子空間,以彌合源域和目標(biāo)域。另一種策略是使用域?qū)褂?xùn)練來提取域不變特征,即在特征提取器和域判別器之間采用極小極大博弈。DA-Fall關(guān)鍵思想是聯(lián)合訓(xùn)練特征提取器和域判別器,域判別器嘗試區(qū)分源域和目標(biāo)域的數(shù)據(jù),而特征提取器嘗試混淆判別器,在域?qū)褂?xùn)練過程中,該文使用最大均值差異(MK-MMD)作為域?qū)箵p失的正則化項(xiàng),進(jìn)一步最小化域偏移。因此,針對(duì)高精度的跨場(chǎng)景摔倒檢測(cè),該文的主要貢獻(xiàn)如下:

首先,在所提出的摔倒檢測(cè)系統(tǒng)中,引入了域鑒別器和域混淆自適應(yīng)層進(jìn)行對(duì)抗性訓(xùn)練。該算法通過引入依賴于應(yīng)用差異的相對(duì)值的相對(duì)鑒別器來優(yōu)化對(duì)抗訓(xùn)練,從而更好地反映域間差異;

其次,將多核架構(gòu)下改進(jìn)的MMD作為域?qū)箵p失的正則化項(xiàng),在模型的梯度更新中添加約束,進(jìn)一步減小域間的混合分布(邊緣分布和條件分布)距離,從而促進(jìn)整體遷移學(xué)習(xí)的效果。

1 系統(tǒng)設(shè)計(jì)

該文旨在解決跨場(chǎng)景摔倒檢測(cè)問題。在源域中可以獲得大量有噪CSI信號(hào)及其標(biāo)簽(即含有盡可能少的噪聲干擾的CSI信號(hào)),在目標(biāo)域中只有有噪CSI信號(hào)。該文的目標(biāo)是通過域自適應(yīng)方法提高摔倒檢測(cè)模型對(duì)目標(biāo)域的檢測(cè)性能?；鶞?zhǔn)模型為特征編碼器-解碼器結(jié)構(gòu),并將CSI特征作為模型的輸入和輸出來執(zhí)行回歸任務(wù)。最終將在實(shí)際環(huán)境中采集的有噪CSI信號(hào)通過適配的自適應(yīng)模型以獲得估計(jì)的干凈CSI特征,并將其輸入CNN網(wǎng)絡(luò)中進(jìn)行分類。摔倒檢測(cè)系統(tǒng)DA-Fall架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)

1.1 信號(hào)預(yù)處理與特征提取

系統(tǒng)第一部分為信號(hào)預(yù)處理與特征提取,其中信號(hào)預(yù)處理主要分為去噪和降維兩個(gè)階段:該文使用Hampel濾波器去除遠(yuǎn)離相鄰數(shù)據(jù)的異常值,具體來說,它使用移動(dòng)平均窗口查找異常值并將其替換為數(shù)據(jù)的均值,從而消除無效數(shù)據(jù)的負(fù)面影響。異常值去除后,CSI數(shù)據(jù)中殘留大量噪聲,由于人體活動(dòng)引起的Wi-Fi信號(hào)變化主要集中在低頻分量,而噪聲主要存在于高頻分量,巴特沃斯低通濾波器在通帶內(nèi)具有最大的平坦特性,不會(huì)對(duì)運(yùn)動(dòng)造成的信號(hào)波動(dòng)產(chǎn)生太大的扭曲,因此,該文使用巴特沃斯低通濾波器消除高頻分量并保留低頻分量。該文采用主成分分析(Principle Component Analysis,PCA)進(jìn)行信號(hào)的降維,PCA是把給定的一組相關(guān)變量通過線性變換轉(zhuǎn)為另一組各維度線性無關(guān)的變量的技術(shù),能在基本保留原始數(shù)據(jù)重要信息的基礎(chǔ)上降低數(shù)據(jù)維數(shù),進(jìn)而提取數(shù)據(jù)的主特征分量。

特征提取方面,該文沿用了文獻(xiàn)[9]從實(shí)時(shí)捕獲的CSI流中提取的8個(gè)特征進(jìn)行活動(dòng)分類:(1)歸一化均方差(STD);(2)中值絕對(duì)偏差(MAD);(3)信號(hào)強(qiáng)度偏移;(4)四分位范圍(IR);(5)信號(hào)熵;(6)信號(hào)變化速度;(7)時(shí)間滯后;(8)功率下降比(PDR)。

1.2 域自適應(yīng)網(wǎng)絡(luò)

1.3 CNN分類器

摔倒檢測(cè)系統(tǒng)的最后一個(gè)組件是基于CNN的分類器。該文有大量不同類別環(huán)境的標(biāo)簽數(shù)據(jù),這些數(shù)據(jù)被輸送到CNN網(wǎng)絡(luò)進(jìn)行分類。在實(shí)際檢測(cè)階段,從目標(biāo)域的噪聲信號(hào)中提取CSI特征,并在通過自適應(yīng)摔模型得到估計(jì)的干凈CSI特征,最終輸入到基于CNN的分類器。具體CNN網(wǎng)絡(luò)結(jié)構(gòu)包含卷積層、批量正則化層、激活層、池化層、Dropout層等結(jié)構(gòu)。

實(shí)際檢測(cè)階段,采集到目標(biāo)域環(huán)境中帶有噪聲的信號(hào),同樣通過預(yù)處理并進(jìn)行特征提取,通過適配的域自適應(yīng)模型以獲得估計(jì)的干凈的CSI特征,最終輸入到訓(xùn)練好的CNN分類器得到最終的識(shí)別結(jié)果。

2 提出的跨場(chǎng)景摔倒檢測(cè)算法

2.1 相對(duì)生成對(duì)抗網(wǎng)絡(luò)(RGAN)

標(biāo)準(zhǔn)的生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)[12]由蒙特利爾大學(xué)的Ian J. Goodfellow等人提出,其核心思想為:生成器與判別器之間相互對(duì)抗競(jìng)爭(zhēng),二者通過極大極小博弈。一方面,生成器不斷生成假樣本,另一方面,鑒別器不斷提高區(qū)分真假樣本的判別能力。在此過程中,通過損失函數(shù)不斷更新生成器和鑒別器的參數(shù),直到兩者達(dá)到動(dòng)態(tài)平衡,即判別器無法判斷輸入的樣本是真實(shí)的還是虛假生成的。GAN可被如下定義:

LD=-Exr～P[logσ(C(xr))]-

Exr～Q[log(1-σ(C(xr)))]

LG=-Exf～Q[log(1-σ(C(xf)))]

(1)

其中,P和Q分別是真實(shí)樣本和假樣本的分布,E(·)為期望運(yùn)算,C(x)將非轉(zhuǎn)換層表示為D(x)=σ(C(x)),是一個(gè)sigmoid函數(shù)。

(2)

(3)

該文將相對(duì)鑒別器用于域?qū)褂?xùn)練。將原先鑒別器所依賴的真實(shí)、虛假數(shù)據(jù)對(duì)替換為來自源域和目標(biāo)域的樣本。理論上,RGAN使鑒別器只依賴相對(duì)值進(jìn)行差分,從而避免了鑒別器可能的偏差,并使梯度更加穩(wěn)定,這有利于域?qū)褂?xùn)練。此外,與標(biāo)準(zhǔn)GAN鑒別器相比,相對(duì)鑒別器可以更好地反映源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)之間的距離,這有助于縮短域間距離。

該文引入了文獻(xiàn)[14]中提出的梯度懲罰正則化方法,來懲罰批評(píng)者相對(duì)其輸入的梯度范數(shù),以避免訓(xùn)練過程中出現(xiàn)的梯度的極端情況(梯度消失和爆炸)。使用對(duì)隨機(jī)樣本的梯度范數(shù)具有懲罰約束的軟版本來實(shí)現(xiàn)梯度懲罰:

(4)

2.2 多核最大均值差異(MK-MMD)

最大均值差異MMD通過核雙樣本檢驗(yàn)比較兩個(gè)數(shù)據(jù)集之間的分布,它是遷移學(xué)習(xí)中最常用的有效度量[15]。MMD使用核映射方法將兩個(gè)分布的關(guān)鍵統(tǒng)計(jì)特征嵌入到高維可再生核希爾伯特空間(RKHS)。然后計(jì)算核平均嵌入之間的距離。

令P(xS)和P(xT)分別為源域和目標(biāo)域CSI特征的邊緣分布,其MMD可以表示為:

MMD2(X,Y)=D[P(xS),P(xT)]=

(5)

其中,EP(XS)(·)和EP(XT)(·)分別表示XS和XT的邊緣分布為P(xS)和P(xT)時(shí)的期望運(yùn)算,由于無法計(jì)算源域和目標(biāo)域所有CSI的總體均值(即期望運(yùn)算),該文通過計(jì)算源域與目標(biāo)域CSI的樣本均值將上式近似為:

D[P(xS),P(xT)]=

(6)

(7)

經(jīng)典的MMD基于單核變換,單個(gè)內(nèi)核不夠靈活,無法充分描述不同的分布。其僅可以減小源域CSI特征與目標(biāo)域CSI特征之間的整體差異性,但無法保證源域與目標(biāo)域中同一類CSI特征的差異性最小化。

基于多核架構(gòu),該文將多個(gè)核函數(shù)組成的子空間映射來組合各個(gè)子空間不同的特征映射能力,從而更加準(zhǔn)確地獲得高維組合空間的特征表達(dá)[16]。多個(gè)特征核k可以定義為G個(gè)核的凸組合:

(8)

2.3 提出的算法

在源域中,該文可以采集豐富的樣本并進(jìn)行標(biāo)記,但是由于不同室內(nèi)環(huán)境下的多徑效應(yīng),它們與目標(biāo)域樣本分布不一致。此外,目標(biāo)域的樣本不包含標(biāo)記。因此,僅僅通過微調(diào)[17]直接將源域中訓(xùn)練出的原始模型應(yīng)用在目標(biāo)域是不可行的。假設(shè)存在一個(gè)高維特征空間,可以分別代表源域和目標(biāo)域的關(guān)鍵特征。然后,這種域不變特征可以縮短源域和目標(biāo)域之間的邊緣分布距離。針對(duì)以上目標(biāo),結(jié)合2.1與2.2中所提到的RGAN與MK-MMD,設(shè)計(jì)了基于摔倒檢測(cè)模型的域自適應(yīng)框架,如圖2所示。

圖2 域自適應(yīng)框架

框架主要由四部分組成:將CSI特征嵌入高維特征空間的特征編碼器(Enc(θEnc))、用于預(yù)測(cè)無噪情況下干凈的CSI特征的特征解碼器(Dec(θDec))、用于計(jì)算基于MK-MMD損失的自適應(yīng)層和用于計(jì)算域?qū)箵p失的域鑒別器(D(θD))。這里θEnc、θDec和θD是網(wǎng)絡(luò)中的參數(shù),自適應(yīng)層僅用于計(jì)算MK-MMD度量,不會(huì)參與網(wǎng)絡(luò)的梯度更新。具體流程如下:

步驟1:對(duì)源域樣本(帶有干凈標(biāo)簽)和目標(biāo)域樣本(未標(biāo)記)分別進(jìn)行去噪、降維、特征提取以獲得CSI特征。然后,它們被發(fā)送到編碼器以獲得XS和XT:

XS=Encoder(θEnc,CSIS)

XT=Encoder(θEnc,CSIT)

(9)

XS和XT按以下三個(gè)方向進(jìn)行處理,第一種方式將標(biāo)記的XS發(fā)送到解碼器以重建估計(jì)的CSI特征,然后使用源域標(biāo)簽計(jì)算平均絕對(duì)損失(MAE),最小化MAE可以使模型最適合源域數(shù)據(jù)集,以此來衡量源域回歸任務(wù)的表現(xiàn):

(10)

步驟2:計(jì)算XS和XT的多核最大均值差異損失(LMK-MMD)。通過最小化LMK-MMD,可以使XS和XT的分布盡可能接近,最終使編碼器產(chǎn)生針對(duì)不同域中噪聲的域不變特征。

LMK-MMD=MKMMD2(xS,xT)?

(11)

步驟3:XS和XT被發(fā)送到域鑒別器,它可以看作是源域和目標(biāo)域之間的分類器,其最后一層是一個(gè)密集層,其中一個(gè)單元使用sigmoid函數(shù)作為激活值為0-1的鑒別器的輸出用于計(jì)算相對(duì)對(duì)抗損失LD:

(12)

最小化LD實(shí)際上意味著鑒別器可以更好地區(qū)分來自源域和目標(biāo)域的樣本。該階段的目標(biāo)是在編碼器和鑒別器之間進(jìn)行極小極大博弈。如上所述,鑒別器通過訓(xùn)練以獲得對(duì)樣本更精確的判斷,然而編碼器則用于提取源域和目標(biāo)域之間的域不變特征來混淆鑒別器。如果鑒別器無法區(qū)分XS和XT,則說明從源域到目標(biāo)域的遷移學(xué)習(xí)是成功的。為了實(shí)現(xiàn)極小極大博弈,該文在鑒別器和編碼器之間插入了一個(gè)梯度反轉(zhuǎn)層(GRL)。在前向傳播過程中,GRL充當(dāng)恒等變換,以保持輸入不變。在反向傳播期間,GRL從后續(xù)級(jí)別獲取梯度并將其符號(hào)更改為-λ,以在編碼器和鑒別器之間形成對(duì)抗。

使用梯度下降法更新整個(gè)網(wǎng)絡(luò)的參數(shù),使用Adam算法[18]進(jìn)行訓(xùn)練,總體更新規(guī)則如下:

(13)

其中,α為學(xué)習(xí)率,權(quán)重參數(shù)λ和μ用于平衡判別器損耗和MK-MMD損耗對(duì)編碼器參數(shù)更新的影響。

在整個(gè)網(wǎng)絡(luò)的參數(shù)更新過程中,通過編碼器與判別器的對(duì)抗,期望編碼器產(chǎn)生域不變特征。引入的MK-MMD損失可以看作是域?qū)剐該p失的整體正則化項(xiàng),即在模型的梯度更新中添加約束,使其能夠向減小域間混合分布距離的方向更新,從而促進(jìn)整體遷移學(xué)習(xí)的效果。

3 實(shí)驗(yàn)結(jié)果與討論

3.1 實(shí)驗(yàn)設(shè)置

該文在一個(gè)臥室布局的室內(nèi)WiFi環(huán)境中進(jìn)行實(shí)驗(yàn),分別在陽(yáng)臺(tái)部署了AP-1、MP-1,臥室部署了AP-2、MP-2,洗手間部署了AP-3、MP-3。AP為商用路由器作為發(fā)射端,MP則為配備英特爾5300網(wǎng)卡的筆記本電腦作為接收端,發(fā)包率為100 pkts/s。它們通過一發(fā)三收提供3個(gè)無線鏈路,共90個(gè)子載波。筆記本電腦在Ubuntu環(huán)境下安裝了CSI-tool進(jìn)行數(shù)據(jù)采集分析工作。在上述環(huán)境中,共安排了10位實(shí)驗(yàn)人員(其中男生6位,女生4位),每位人員分別在陽(yáng)臺(tái)、臥室、洗手間中做彎腰、蹲下、坐下、躺下、摔倒等動(dòng)作各20次。

3.2 權(quán)重參數(shù)的分析與選取

在本次實(shí)驗(yàn)當(dāng)中,分析了兩個(gè)域自適應(yīng)損失的權(quán)重參數(shù)λ和μ對(duì)系統(tǒng)性能的影響。首先,在不引入多核最大均值差異損失(MK-MMD Loss)的情況下,分析了相對(duì)鑒別器損失權(quán)重λ對(duì)訓(xùn)練的影響。

3.2.1 權(quán)重參數(shù)λ對(duì)損失曲線的影響

分別對(duì)權(quán)重參數(shù)λ取值0.05、0.1、0.15、0.2進(jìn)行實(shí)驗(yàn)。圖3顯示了權(quán)重參數(shù)λ對(duì)三種損失曲線的影響,即來自源域和目標(biāo)域的編碼特征之間的MK-MMD度量損失(暫時(shí)不參與訓(xùn)練,僅用于顯示效果)曲線、重建的目標(biāo)域樣本(測(cè)試集中不包含樣本)的鑒別器損失曲線和損失曲線。

圖3 權(quán)重參數(shù)λ相應(yīng)的損失曲線

當(dāng)權(quán)重參數(shù)λ較小時(shí)(λ=0.05),相對(duì)鑒別器的損失將持續(xù)減少,并在一定迭代次數(shù)后收斂到最小值。這將導(dǎo)致梯度消失,使相對(duì)鑒別器無法為特征編碼器提供合理的指導(dǎo)。在訓(xùn)練的初始階段,特征編碼器的能力相對(duì)較弱,并且它在鑒別器也較弱的同時(shí),仍然可以區(qū)分來自源域和目標(biāo)域的樣本。但是,權(quán)重較小,因此對(duì)抗性訓(xùn)練不足。這使得相對(duì)鑒別器的訓(xùn)練快速飽和,后續(xù)網(wǎng)絡(luò)進(jìn)一步重新調(diào)整難以進(jìn)行。因此,λ=0.05的目標(biāo)損失曲線收斂到較高的位置。

區(qū)間[0.05,0.2]內(nèi)加權(quán)參數(shù)λ的增大對(duì)相對(duì)鑒別器損耗的影響更為明顯,隨著該區(qū)間內(nèi)權(quán)重λ的增大,鑒別器損耗曲線上升并最終收斂在較高值,這表明通過權(quán)重參數(shù)λ加強(qiáng)相對(duì)鑒別器與特征編碼器之間的對(duì)抗在一定程度上有利于域不變特征的生成,但當(dāng)參數(shù)λ繼續(xù)增大,盡管判別器損耗仍然上升,但目標(biāo)域的損耗曲線并沒有進(jìn)一步降低。這表明此時(shí)特征編碼器無法學(xué)習(xí)更多的目標(biāo)域知識(shí),域?qū)褂?xùn)練也無法通過增加權(quán)重參數(shù)達(dá)到更多可轉(zhuǎn)移的特征,因此將λ=0.15固定為相對(duì)鑒別器損失的權(quán)重,以獲得更好的自適應(yīng)性能。

3.2.2 權(quán)重參數(shù)μ對(duì)損失曲線的影響

在接下來的階段中,將MK-MMD作為權(quán)重λ=0.15的域?qū)箵p失的正則化項(xiàng)。圖4所示的三個(gè)損失曲線將用于分析權(quán)重參數(shù)μ對(duì)系統(tǒng)性能的影響。參數(shù)在{0,0.01,0.05,0.1,0.15}中取值。此外,μ=0表示沒有引入MK-MMD。

圖4 權(quán)重參數(shù)μ相應(yīng)的損失曲線

從MK-MMD損失曲線的趨勢(shì)可以看出,引入MK-MMD作為正則化項(xiàng)可以有效地降低源域和目標(biāo)域之間的MK-MMD度量,當(dāng)權(quán)重參數(shù)較小時(shí)(μ=0.01),這并不可觀。然而,當(dāng)權(quán)重增加時(shí),影響會(huì)擴(kuò)大,相對(duì)鑒別器的損失也增加,表明域間對(duì)抗加強(qiáng),目標(biāo)域損失的減少已經(jīng)證明,MK-MMD損失的引入使模型朝著產(chǎn)生域不變特征的方向優(yōu)化,與鑒別器權(quán)重λ相比,模型對(duì)MK-MMD權(quán)重μ更具魯棒性。當(dāng)μ值高于0.05時(shí),雖然MK-MMD損失仍有所降低,但相對(duì)鑒別器的損失沒有增加,目標(biāo)域損失也沒有減少,表明此時(shí)增加MK-MMD的權(quán)重參數(shù)不能進(jìn)一步加強(qiáng)域間對(duì)抗以達(dá)到更好的自適應(yīng)效果。為了平衡MK-MMD和相對(duì)鑒別器的損失,最終分別選擇λ=0.15,μ=0.05作為權(quán)重。

3.3 評(píng)估指標(biāo)

為了驗(yàn)證提出的摔倒檢測(cè)系統(tǒng)DA-Fall的性能,將敏感性和特異性兩個(gè)標(biāo)準(zhǔn)用于性能評(píng)估。其中,敏感性定義為正確檢測(cè)出摔倒的概率:

(14)

而特異性定義為正確檢測(cè)到除摔倒以外的其他活動(dòng)的概率:

(15)

其中,TP、TN、FP、FN分別代表真陽(yáng)性、真陰性、假陽(yáng)性、假陰性的數(shù)量。敏感性和特異性證明了DA-Fall系統(tǒng)檢測(cè)摔倒的能力。評(píng)估結(jié)果基于各系統(tǒng)分別在室內(nèi)陽(yáng)臺(tái)、臥室、洗手間三個(gè)場(chǎng)景的檢測(cè)平均值。具體結(jié)果展示在圖5中。

(a)敏感性

3.4 評(píng)估結(jié)果分析

從上節(jié)實(shí)驗(yàn)結(jié)果可以看出,文中系統(tǒng)的檢測(cè)精度在不考慮環(huán)境遷移的情況下,與WiFall、RT-Fall和SignGAN等都能達(dá)到90%以上的檢測(cè)精確度,當(dāng)檢測(cè)系統(tǒng)被移動(dòng)到一個(gè)未經(jīng)訓(xùn)練的場(chǎng)景時(shí),從圖中很明顯能看出WiFall以及RT-Fall出現(xiàn)了檢測(cè)精度驟降的情況。由于WiFall使用局部異常因子來檢測(cè)人在環(huán)境中的摔倒活動(dòng),對(duì)環(huán)境的變化更加敏感,但無法細(xì)分具體動(dòng)作,因此無論在哪個(gè)房間,識(shí)別度都不是很高。而檢測(cè)系統(tǒng)SignGAN仍然能達(dá)到平均83%以上的檢測(cè)精度,得益于其引入的與文中相似的基于GAN的域自適應(yīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)可以將源域的真實(shí)樣本轉(zhuǎn)換為具有目標(biāo)域樣式的目標(biāo)域,消除了特定環(huán)境和用戶的影響。

提出的系統(tǒng)DA-Fall引入了域鑒別器和域混淆自適應(yīng)層來進(jìn)行對(duì)抗性訓(xùn)練,其通過引入依賴于相對(duì)值的相對(duì)鑒別器來優(yōu)化對(duì)抗訓(xùn)練更好地反映域間差異,并將多核MMD(MK-MMD)作為域?qū)箵p失的正則化項(xiàng),在模型的梯度更新中添加約束,進(jìn)一步減小域間差異和域間的分布距離,促進(jìn)了整體遷移學(xué)習(xí)的效果。最終DA-Fall在原場(chǎng)景(數(shù)據(jù)及訓(xùn)練充分)中達(dá)到了96.83%的精度,在新場(chǎng)景中僅需要少量數(shù)據(jù)即可達(dá)到91.03%的精度。

4 結(jié)束語(yǔ)

在提出的摔倒檢測(cè)系統(tǒng)中,引入了域鑒別器和域混淆自適應(yīng)層進(jìn)行對(duì)抗性訓(xùn)練。首先,該算法通過引入依賴于相對(duì)值的相對(duì)鑒別器來優(yōu)化對(duì)抗訓(xùn)練,從而更好地反映域間差異。其次,將基于多核架構(gòu)的最大均值差異作為域?qū)箵p失的正則化項(xiàng),進(jìn)一步減小了域間的邊緣分布距離。通過實(shí)驗(yàn)分析證明了該算法的優(yōu)越性。