王鹏宇 邵卓雅 马传辉 王志恒 汤佳杰

(1.南通大学体育科学学院;2.南通大学信息科学技术学院 江苏南通 226019)

1 相关工作

据中国社会科学院预测，2050年我国60岁及以上老年人口数量将达到4.83亿人，80岁及以上老人人口将达到1.08 亿人[1]。随着老人空巢化等问题日益突出，老人因摔倒而导致的住院率和死亡率不断攀升，60岁以上的老年人每年跌倒的概率达33%，70 岁及以上的老人每年跌倒的概率则更高[2]。老人智能健康技术的研发受到密切关注并成为趋势[3]，而跌倒检测是老人智能健康技术中较为常见并十分重要的领域。

目前已有多种基于人工智能的跌倒检测方案被提出。依据跌倒检测方法可主要分为基于图像识别的传统检测方法、基于环境监测的方法及穿戴式设备检测方法三类。基于图像识别的传统检测方法通过部署摄像头获取人体运动图像信息并分析特征判断是否发生跌倒。此检测方法应用较为广泛，但会侵犯老人生活隐私，算法准确性易受环境和光照的影响，且摄像头只能固定在特定位置[4]。基于环境变量的方法通过在地面布设震动传感器或红外线传感器等，通过分析震动波形信号或电信号识别跌倒行为，该方法应用场景局限，且布设成本高，通常作为辅助判断方案[5-6]。穿戴式设备检测方法通过实时检测运动参数判断是否发生跌倒，检测设备与移动终端进行集成，目前常见应用为使用加速度传感器进行姿态识别[7-8]。

该文提出了一种基于MLP 神经网络的跌倒检测模型。该模型融合深度学习和置于腰间的姿态传感器进行跌倒检测，以MLP 神经网络模型为基础，优化学习率迭代方案；训练跌倒检测多层感知器模型并通过量化缩小体积（Fall Detection Multilayer Perceptron，FDMLP）。实验结果显示，该文提出的FDMLP 神经网络跌倒检测模型在使用特征数据集时候的准确率达99.99%，优于其他同类模型，且结构简单，适合部署在边缘设备上。

2 FDMLP模型

2.1 搭建FDMLP

首先选择Sis Fall[9]数据集，此数据集由线性加速度数据和陀螺仪数据组成。然后基于原始数据集提取数据特征。在一个测量周期内选取一段包含A={N1,…,Ni,…,NA}个数据点的姿态数据流，其中Ni={Axi,Ayi,Azi,Rxi,Ryi,Rzi}，Axi、Ayi、Azi分别表示x、y、z轴加速度数据，Rxi、Ryi、Rzi分别表示x、y、z轴陀螺仪数据。对A个数据点的姿态数据流求最大值、平均值、方差，以及Axi与Azi的弧度值、Rxi与Rzi的弧度值。

MLP 模型接收特征值数据集作为输入值，MLP 由全接连层构成，全接连层将输入值投射到隐藏层中进行权重学习。每一层的输入分布都会随着前一层参数的变化而变化[10]。该文改进MLP 模型并将Sigmoid 函数作为激活函数以支持网络的非线性建模能力，将特征值数据集用以训练的维度数量除以批处理尺寸计算得到训练周期长度[10]，训练周期长度计算如下。

式（1）中，epoch表示训练周期长度；X_train.shape表示用以训练的维度数量；batch_size表示批处理尺寸。

“学习率范围测试”可以估计初始学习率的上下边界值[11]。首先运行短期迭代来调整架构和超参数。平均损失函数（Avg Loss）随学习率的变化如图1 所示。图像左区平均损失函数收敛趋势稳定；右区学习率过大，模型无法收敛。模型学习以最小化损失函数为目标，因此设置初始学习率的范围在区间[1e-4，1e-3]。

图1 学习率范围测试

为解决模型训练过程中陷入局部极小点问题，学习过程中以最小化损失函数为目标，采用自适应学习率的方法优化学习率和权重衰减。首先使用较大学习率加速训练[12]，快速得到较优解，然后随迭代次数指数衰减学习率，使模型在训练后期损失函数稳定收敛。

训练集与验证集的准确率与损失值具体见图2，FDMLP模型的准确率达99.99%，损失为0.0004%。

图2 训练集与验证集的准确率与损失值

2.2 网络性能评估

通过使用原始姿态数据集和自建的特征值数据集，将FDMLP 神经网络模型与多种模型进行性能对比。对比神经网络模型及评估性能如表1及图3所示。

表1 使用原始姿态数据集训练的神经网络性能评估表

首先评估使用原始姿态数据集训练的九种模型进行性能，混淆矩阵如图3 所示，训练结果如表1 所示。在使用原始姿态数据集的情况下，与准确率达到89%的KNN相比，FDMLP模型的准确率只有81%。而在同等条件下，DT 的准确率也达到了84%，优于提出的FDMLP。但是FDMLP的准确率相比于LR、LSVC、SGD和GB这几种经典模型仍然有很大的性能提升。

对原始数据集进行处理并建立特征值数据集。使用特征数据集进行训练，混淆矩阵具体见图4，使用特征值数据集训练的神经网络性能见表2。

表2 使用特征值数据集训练的神经网络性能评估表

图4 使用特征值数据集训练的神经网络混淆矩阵

使用自建的特征值数据集，每种神经网络的性能都得到了显着提升。除了在使用原始数据集时性能最差的SGD外，都达到了90%以上。FDMLP使用SGD后准确率提升了15%，达到了85%。LR的准确率则提升了23%，达到了95%。由此可见特征值数据集在增强数据特征并提高网络性能方面具有良好贡献。

与其余算法相比，FDMLP在各项性能指标中都具有更好的表现。其中FDMLP的准确率提升了18%，达到了99%，优于其他模型。此外，FDMLP 的查准率提升了49%，查全率提升了46%，F1值提升0.48，混淆矩阵在各个类别上的表现提升显着。

3 结语

该文提出了一种基于MLP，神经网络的FDMLP模型。该模型基于开源姿态数据集进行特征强化和标签分类；提出了全整数量化的优化策略，优化学习过程中的学习率，实现模型量化，并成功部署量化后的FDMLP 到嵌入式设备上，联合完善的跌倒检测系统，实现安全、低功耗、高准确率的边缘计算。通过对比同类模型，验证了FDMLP算法的有效性和准确性。在未来，该系统可通过完善硬件性能以提升信噪比；提升FDMLP神经网络的泛化能力。