GTM-W5W3BK9
Skip to main content
  1. 首页 >
  2. 关于富士通 >
  3. 公共信息 >
  4. 新闻 >
  5. 新闻存档 >
  6. 2018年 >
  7. 富士通为老人健康护理开发了基于可穿戴传感器的人体行为识别系统

富士通为老人健康护理开发了基于可穿戴传感器的人体行为识别系统

富士通研究开发中心有限公司

北京, 2018-03-30

富士通研究开发中心有限公司(以下简称:FRDC)开发了一项针对老年人健康护理服务的基于可穿戴传感器的人体行为识别技术,所述技术可结合室内定位提供位置信息辅助下实现高效能高精度的行为识别效果。该技术通过提取混合滑动窗口内的两两特征相关特性,利用位置信息特征增强识别精度,提高系统鲁棒性与泛化性能。为进一步降低计算复杂度,利用简化的随机深林(random forest, RF)算法或多层分类器算法来实现日常10种行为模式的识别。该技术实现93.01%的识别精度的同时可减少74.9%的能耗,即相比之下,可穿戴设备电池可工作4倍的时间。此外,该技术对摔倒动作检测精度可达99%。

该技术将在 IEEE Wireless Communications and Networking Conference (于2018年4月15日到18日在西班牙巴塞罗那举办) 和 第5届 IEEE International Symposium on Inertial Sensors & Systems (于2018年3月26日到29日在意大利科莫湖举办) 两个国际会议上发表。

【开发背景 】

近年来,可穿戴设备在健康护理领域应用增长显著,其中人体行为识别为可穿戴的重要应用之一,特别是老人摔倒检测,以便对摔倒老人进行及时救助。在基于可穿戴的人体行为识别系统中,能效与识别精度为实际应用中的主要因素与性能评价指标。然而,高精度识别性能通常通过高复杂度、高计算量的模式识别算法来获取,但同时增加了能量的消耗。因此,一种有效的可穿戴模式下的人体行为识别技术是需要能在保持识别精度的同时降低计算复杂度从而降低能耗。

【 课题 】

通常,基于可穿戴的人体行为识别系统主要有两个技术挑战,一是由于较大维度的特征提取与较高复杂度的模式识别算法所导致的巨大能量消耗问题,二是不同行为之间的相似性易识别混淆而导致精度的下降。在现有的技术解决方案中,大部分行为识别系统需要提取几百个特征来做行为分类,然后利用基于大量数据训练得到的复杂模式分类器来进行行为识别,增加了能量的开销。同时,在某些行为之间,比如行走与上下楼梯动作,提取的特征具有很强的相似性与相关性。这类动作之间很容易产生混淆识别误差,从而导致识别系统精度性能的下降。

【 所开发的技术 】

1. 混合滑动窗口内的成对相关特征

现有技术方案中的特征,比如均值、方差,主要是从传感器单轴的滑动窗口内数据来提取的。这些特征对不同体型特征如不同身高、体重的人将具有不同取值,从而导致所设计的算法泛化性能差,不能适应不同的人群,或者系统需要采集更多的训练数据更复杂的分类器来达到一定的识别精度。因此,FRDC通过提取不同窗口大小的混合窗口内的两两特征的相关值来获取相对特征来提高系统的泛化性能。系统所提取的相对特征值是指两个不同滑动窗口内原始数据的特征之间的相互关系,比如传感器不同轴同一滑动窗口内的均值比,或同一轴内不同滑动窗口内的原始数据均值比。在FRDC开发的系统中只提取了总共64个特征值,而用于分类器的训练数据只采集于一人,从而大大降低了离线数据采集的工作量。

2. 改进的随机森林算法与多层分类器

为识别行为类别,设计了两种可选方案,如图1 所示,第一种为改进的随机森林分类器,第二种为多层分类器。在设计的第一种分类器中采用了基于互信息理论的特征选择方法来最大化那些具有较高相似性行为之间的区分能力,同时在随机森立模型建模中采用混合特征集进行各树节点的特征随机选择,并训练得出各节点的最佳切分变量与切分点。第二种分类器中则首先采用支持向量机(support vector machine, SVM)将所有动作划分为动态集和静态集,然后再分别对两个集合中的行为进行第二次分类,此时各级分类器可减少所需要的特征维度来实现行为识别,同时降低了模型复杂度。

image01

图1 人体行为识别分类器模型

3. 位置信息辅助识别

通常,老人健康护理系统需要集成定位系统以便当紧急情况发生时可提供老人实时位置信息便于及时找打并应急处理。因此,FRDC利用位置信息维度来辅助区分高相似度的行为类别,如图2所示的区域性位置信息,通过此区域性位置特征来区分行走与上下楼梯。区域性位置信息可通过FRDC所开发的基于低功耗蓝牙设备的室内定位系统来获取 [1]。

image02

图2 位置信息辅助以区分行走与上下楼梯

【 效果】

图3给出了基于神经网络(neural network, NN)、分类回归树(classification and regression tree, CART)、传统随机森林以及FRDC技术的能耗与精度性能对比结果,其中能耗的度量以算法计算时间来衡量(单位为us)。如图3所示,相对于传统随机森林方法,FRDC技术可以在获取93.01%的识别精度的同时减少74.9%的能量消耗,即相同情况下可延长至4倍的电池工作时间。图4给出了识别精度的混淆误差性能结果。对比于无位置信息辅助下的如图4(a)所示性能,FRDC技术,如图4(b)所示,能够更好的区分行走与上下楼梯。同时,摔倒动作检测精度可达99%。此外,实验测试中用于训练的数据只采集于一人,而测试集数据则来自于其他具有不同年龄、不同身高、不同体重的6人,而从图3与图4中所示精度性能显示FRDC技术可以获取较好的泛化性能,可适应不同的人群。

image03

图3 能耗与精度性能比较

image04-a

a) 无位置信息辅助时的性能

image04-b

b) 位置信息辅助下的性能

图4. FRDC技术10种行为类型识别混淆误差

【 未来 】

虽然基于可穿戴的人体行为识别具有低成本、无隐私侵犯以及不受杂波环境干扰等优势,但由于佩戴的不舒适感使得老年人对可穿戴设备使用率不高。因此,FRDC在未来将推进基于无接触式的无线感知技术,比如微波雷达技术,来实现行为模式的识别,以推进智慧养老的进一步发展。

[1] Genming Ding, Jun Tian, Qian Zhao, Lili Xie, “Indoor tracking with fusion of wireless positioning, motion recognition and map matching”, IEEE VTC-2017 Spring, 1-5, 2017.

关于Fujitsu(富士通)集团

Fujitsu(富士通)是世界领先的日本信息通信技术(ICT)企业,提供全方位的技术产品、解决方案和服务。在全球拥有约155,000名员工,客户遍布世界100多个国家。我们凭借在ICT领域的丰富经验和实力,致力于与客户携手共创美好的未来社会。富士通集团(东京证券交易所上市代码:6702)截至2017年3月31日财政年度的合并收益为4.5兆日元(400亿美元)。
如需更多资讯,请浏览:http://www.fujitsu.com

关于富士通研究开发中心

富士通研究开发中心有限公司是日本富士通株式会社投资440万美元在中国境内设立的第一家独资法人研发机构。公司的研究领域覆盖了富士通株式会社的所有业务范围,即信息处理、通信、半导体和软件服务4大领域。
公司成立于1998年2月,公司的经营范围涉及多媒体系统的硬件、软件、半导体元器件与材料的技术开发和技术转让,提供相关的技术服务与咨询。
如需更多资讯,请浏览:http://www.fujitsu.com/cn/frdc/

新闻ID: 2018-03-30
日期: 2018-03-30
城市: 北京
公司: 富士通研究开发中心有限公司