用块稀疏贝叶斯学习算法重构识别体域网步态模式.docx
- 文档编号:8201947
- 上传时间:2023-01-29
- 格式:DOCX
- 页数:9
- 大小:25.93KB
用块稀疏贝叶斯学习算法重构识别体域网步态模式.docx
《用块稀疏贝叶斯学习算法重构识别体域网步态模式.docx》由会员分享,可在线阅读,更多相关《用块稀疏贝叶斯学习算法重构识别体域网步态模式.docx(9页珍藏版)》请在冰豆网上搜索。
用块稀疏贝叶斯学习算法重构识别体域网步态模式
用块稀疏贝叶斯学习算法重构识别体域网步态模式
摘要:
针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑。
采用USCHAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能。
所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路。
关键词:
块稀疏贝叶斯学习算法;压缩感知;体域网;步态模式识别
中图分类号:
TP393;TP391文献标志码:
A
Abstract:
InordertoachievetheoptimalperformanceofgaitpatternrecognitionandreconstructionofnonsparseaccelerationdatafromWirelessBodyAreaNetworks(WBANs)basedtelemonitoring,anovelapproachtoapplytheBlockSparseBayesianLearning(BSBL)algorithmforimprovingthereconstructionperformanceofnonsparseaccelerometerdatawasproposed,whichcontributestoachievethesuperiorperformanceofgainpatternrecognition.Itsbasicideaisthat,inviewofthegaitpatternandCompressedSensing(CS)frameworkofWBANbasedtelemonitoring,theoriginalaccelerationbaseddataacquiredatsensornodeinWBANwascompressedonlybysparemeasurementmatrix(thesimplelinearprojectionalgorithm),andthecompresseddatawastransmittedtotheremoteterminal,whereBSBLalgorithmwasusedtoperfectlyrecoverthenonsparseaccelerationdatathatassumedasblockstructurebyexploitingintrablockcorrelationforfurthergaitpatternrecognitionwithhighaccuracy.TheaccelerationdatafromtheopenUSCHADdatabaseincludingwalking,running,jumping,upstairsanddownstairsactivitieswereemployedfortestingtheeffectivenessoftheproposedmethod.Theexperimentresultsshowthatwithaccelerationbaseddata,thereconstructionperformanceoftheproposedBSBLalgorithmcansignificantlyoutperformsomeconventionalCSalgorithmsforsparsedata,andthebestaccuracyof98%canbeobtainedbyBSBLbasedSupportVectorMachine(SVM)classifierforgaitpatternrecognition.Theseresultsdemonstratethattheproposedmethodnotonlycansignificantlyimprovethereconstructionperformanceofnonsparseaccelerationdataforfurthergaitpatternrecognitionwithhighaccuracybutalsoisveryhelpfulforthedesignoflowcostsensornodehardwarewithlowerenergyconsumption,whichwillbeapotentialapproachfortheenergyefficientWBANbasedtelemonitoringofhumangaitpatterninfurtherapplication.
Keywords:
BlockSparseBayesianLearning(BSBL)algorithm;CompressedSensing(CS);WirelessBodyAreaNetwork(WBAN);gaitpatternrecognition 0引言
近年来,随着无线传感网、可穿戴加速度计、互联网技术的快速发展,基于无线体域网(WirelessBodyAreaNetwork,WBAN)远程监测人体步态模式技术在人体步态运动监测、老年人步态康复评价及预防跌倒等领域得到广泛关注和应用[1]。
其技术实现路线主要是:
1)体域网传感节点采集加速度数据,并将其传送至路由节点;2)路由节点将采集的加速度数据传送至互联网,并经互联网传送至远程数据终端,识别步态模式变化评价人体步态功能状况[2]。
近年来,相关研究较多集中探索远程步态模式识别方法(诸如隐性马尔可夫模型、支持向量机(SupportVectorMachine,SVM)步态分类器)[3-6],而未能全面考虑体域网远程步态模式识别技术在实际应用的状况。
研究发现,体域网传感节点低功耗、远程数据终端准确获取采集数据是体域网步态模式远程监测技术实际应用中两个关键环节,也是目前亟须解决的关键问题,对于远程步态模式准确识别和进一步的步态功能评价至关重要[7-10]。
近年相关研究发现,体域网传感节点能量主要消耗于大量采集数据传输和复杂计算,探寻有效减少传感节点数据传输量且计算开销低的数据压缩方法是解决传感节点低功耗的有效途径。
为此,一些学者基于生理数据的非线性、非平稳性、随机性等特点,探寻有效可行的数据压缩、重构解决方案,其基本思路主要依据数据压缩降低传感节点数据传输量,然后通过重构被压缩数据获取原始数据,用于进一步数据处理。
近年来相继提出了基于神经网络的数据压缩算法[7]、基于小波变换的数据压缩算法[8]、分布式的数据压缩算法[9]以及相应改进的传统数据压缩算法[10]。
但这些算法所处理数据均需满足奈奎斯特采样率,压缩算法复杂,难以在传感节点低功耗基础上准确重构数据,限制了体域网步态模式远程监测技术的实际应用。
近期,一些学者尝试依据生理数据稀疏性,探寻新的压缩感知生理数据解决方案[11]。
其基本思路是:
依据生理数据稀疏性,通过稀疏测量矩阵线性投影压缩数据,以远低于奈奎斯特采样率获取数据,降低传感节点数据传输量和计算开销;然后构建优化学习重构算法准确恢复数据。
目前,该方法已在一些具有良好稀疏性生理数据(如心电数据)的远程监测应用研究中取得较好效果。
研究发现,压缩感知重构性能依赖于数据稀疏性,将严重限制压缩感知方法在大多数非稀疏生理数据处理中的推广和应用。
目前,一些学者针对非稀疏生理数据,进一步完善传统压缩感知重构算法性能。
诸如,Zhang等学者针对非稀疏性生理数据,提出了块稀疏贝叶斯学习(BlockSparseBayesianLearning,BSBL)压缩感知重构算法,其基本思想是假设非稀疏生理数据由块结构(groups/blocksstructure)构成,采用贝叶斯学习算法寻找数据块内在稀疏性,提高非稀疏数据重构性能。
该算法在非稀疏生理数据(如脑电数据)远程监测应用研究中得到较好效果[12],为非稀疏生理数据压缩感知处理应用提供了新的思路和方法。
当前,应用压缩感知技术压缩、重构非稀疏加速度数据,在体域网步态模式远程监测应用研究中受到广泛关注和重视,相关研究成果仍未见报道。
本文针对体域网加速度数据非稀疏特点,提出了基于块稀疏学习算法的加速度数据压缩感知框架,旨在降低传感节点功耗基础上,准确重构非稀疏加速度数据,为进一步准确识别步态模式提供可靠数据。
其基本思路是:
依据稀疏二进制测量矩阵,在传感节点线性压缩加速度数据,降低其数据传输量和功耗;在远程数据终端,通过设计加速度块稀疏贝叶斯学习重构算法,准确获取原始加速度数据。
采用包含多种步态模式加速度数据的美国SouthernCalifornia大学人体日常行为数据库(UniversityofSouthernCaliforniaHumanActivityDataset,USCHAD),评估上述所提算法有效性。
研究中选用正常行走、跑、跳、上楼梯、下楼梯5种步态运动模式,设计分类性能优越的支持向量机多步态分类器,准确识别加速度数据重构的5种步态模式。
此外,文中将所提算法与传统小波分析方法进行比较,进一步验证所提算法有效性。
1基于BSBL的加速度数据压缩感知重构算法
块稀疏贝叶斯学习算法是近年来新发展的一种压缩感知重构技术解决方案,该技术充分利用数据块内相关性(intrablockcorrelation),改善非稀疏数据重构性能,可有效解决非稀疏加速度数据压缩感知重构问题。
1.1压缩感知技术
压缩感知技术是近年新发展的数据压缩处理解决方案[11],其核心思想是依据数据稀疏性,在远低于奈奎斯特采样率情况下,有效实现数据的压缩和重构。
其技术核心环节为数据稀疏化表示、测量矩阵和数据重构3个部分。
技术实现路线是采用与原始数据稀疏表示的稀疏基不相关的测量矩阵,将高维稀疏数据线性投影到一个低维空间上,实现数据压缩;然后通过求解一个优化问题将包含少量投影压缩数据以高概率重构,恢复原始数据。
在此基础上,构建SVM多步态分类器。
目前,构造SVM多类分类器的方法主要有两种:
一种是直接法,其基本思路就是将二分类算法中的目标函数进行适当修改,将多个分类面参数求解合并到一个最优化问题中,通过求解最优化问题“一次性”实现多类分类。
该方法求解复杂,计算复杂度高,实现较困难。
另一种是间接法,其基本思路就是将多分类问题分解为多个二分类问题,通过求解多个二分类结果来判别最终分类结果。
目前,基于间接法的SVM多分类方法主要有:
一对一(oneagainstone)、一对多(oneagainstall),层次支持向量机等多分类方法。
本文考虑到不同运动之间差异性,采用一对多方法,其基本思路就是在样本训练时,依次把某个步态模式类别样本归为一类,其他剩余步态模式样本归为另一类,根据k个类别的样本构造k个SVM,仅需训练k个SVM二分类器,依据各分类器决策函数值,将获得最大值分类器的样本判别为该类模式,分类速度较快。
3实验结果
3.1加速度数据获取
本文采用美国SouthernCalifornia大学人体步态运动数据库(USCHAD)的加速度数据[18],评价所提算法有效性。
其数据获取过程如下:
挑选14名健康受试者,要求每名受试者将加速度传感采集节点佩戴于受试者右前臀,采集节点通过连线实时将采集数据传送至受试者随身携带运动记录节点(motionnode),记录采集获取的步态运动数据。
采集时,要求每名受试者完成自然行走、跑、跳、上楼、下楼等步态运动,每种步态运动,每名受试者重复采集5次,采集频率设置为100Hz。
图1为一名受试者行走期间(1s)的三维加速度数据(X轴表示人体运动前进方向;Y轴表示人体运动侧向方向;Z轴表示人体运动垂直方向)。
3.2基于BSBL算法的加速度数据压缩和重构结果
从理论上讲,压缩感知模型要求测量矩阵Φ与稀疏矩阵Ψ乘积必须满足RIP性质(即有限等距性质),也就是测量矩阵Φ和稀疏矩阵Ψ不相关。
目前研究常采用上述性质的测量矩阵主要有高斯随机矩阵、托普利兹矩阵和稀疏二进制随机矩阵。
但就实际应用而言,高斯随机矩阵和托普利兹矩阵计算量大,传感节点功耗大。
而稀疏二进制随机矩阵(如式(20)所示)中仅含元素0和1,并且每列含有相同数目的元素1,其余均为元素0,有助于降低传感节点计算复杂度和硬件功耗。
实验中,选用稀疏二进制矩阵作为测量矩阵,每列元素1个数选为10。
考虑到稀疏度对压缩重构性能的影响[16,18],压缩率选为50%,原始加速度数据长度选为100,稀疏二进制测量矩阵大小为50×100。
考虑到BSBL算法重构性能对数据块划分不敏感特性[19],将加速度数据任意划分为5个数据块,每个数据块包含20个数据点,设置λ=10-10(不考虑系统存在噪声),选择最大迭代次数为25次作为停止收敛准则。
作为比较,选取4个传统压缩感知重构算法:
正交匹配追踪(OrthogonalMatchingPursuit,OMP)算法[20]、子空间追踪(SubspacePursuit,SP)算法[21]、梯度投影重构(GradientProjectionforSparseReconstruction,GPSR)算法[22]和SPGL1LASSO(LeastAbsoluteShrinkageandSelectionOperator)算法[23]。
OMP和SP是典型的解决最小化l1范数问题的贪婪算法,GPSR算法是解决最小化l0范数问题的凸优化算法,SPGL1LASSO也是解决最小化l1范数问题的重构算法,上述重构算法均未利用解向量的块结构信息。
实验中,选用X轴加速度数据,各重构算法均采用DCT基作为稀疏基。
为了客观评价上述算法重构性能和各种压缩感知重构算法对加速度数据的适用性,选用均方误差和结构相似性[16,18]作为客观评价指标,其定义如下:
其中:
u(g),u(h)为信号g和h的均值;d(g),d(h)为信号g和h的方差;d(g,h)为信号g,h的协方差;L(g,h)常用于比较信号g和h的均值;C(g,h)用于比较信号g和h的对比度;S(g,h)比较数据信号g和h的结构差异;α>0,β>0,γ>0为调整L(g,h)、C(g,h)和S(g,h)的相对重要性的参数。
结构相似性指标的值越大,表明两个数据相似性程度就越高。
实验中,为了计算方便,设置α,β,γ均为1,C1,C2,C3也均为1。
实验中,首先根据均方误差(即重构误差)来评估各种重构算法性能与测量维数(也就是压缩数据)的变化关系,其结果如图2所示。
从图2中发现,各种重构算法的重构误差均随着测量维数的增大而减少,相比较而言,BSBLBO的重构误差明显低于其他传统压缩感知重构算法的重构误差,并且在测量维数50~100变化时保持较稳定。
而其他传统压缩感知重构算法的误差随测量维数增加急剧减少,变化极为不稳定。
同样,再依据结构相似性,评估各种重构算法性能与测量维数的变化关系,其结果如图3所示。
从图3中能够看到,各种重构算法的结构相似性均随着测量维数增大而增大,相比较而言,块稀疏学习重构算法(BSBLBO)结构相似性明显优于其他传统压缩感知重构算法的结构相似性,并且在测量维数50~100变化时保持较稳定(约0.98)。
而其他传统压缩感知结构相似性随测量维数增加迅速增加,变化极为不稳定。
这些结果表明,与传统的压缩感知重构算法相比,块稀疏贝叶斯学习重构算法能够有效地从加速度数据块结构中获取非稀疏加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能。
此外,从图2和图3的结果中可以发现,测量维数越大,各种重构算法性能越优异。
但从数据压缩角度来讲,测量维数越大,压缩数据越小,数据计算量大,不利于传感节点低功耗。
因根据实际应用情况,在重构性能和测量维数之间折中,来选择测量维数。
本文选取测量矩阵的维数M为50,即压缩率为50%。
3.3支持向量机多步态模式识别结果
为评价重构加速度数据在步态模式识别中的有效性,实验中,选取10名受试者行走、跑、跳、上楼梯、下楼梯5种步态运动模式,分别从X、Y、Z轴方向上各截取10段加速度数据,每段加速度数据包含512个数据点(即窗长为512,相邻两窗长重叠50%,加窗后的每段加速度数据样本间隔是5.12s),步态样本总数为500,其中每种步态运动样本数均为100,基于标准差、偏差、峰度和Person相关系数4个征参数,将每个步态模式定义为12维特征向量,即构成一个500×12的特征矩阵样本数据。
由于样本数据有限,采用留一交叉验证法测试支持向量机多分类器识别性能,即依次从每种步态选取80个样本数据组成400×12特征矩阵作为训练集,然后用剩余的100×12的特征矩阵作为测试集,上述训练和测试过程循环20次,取20次分类结果的平均值作为最终分类结果。
实验选用高斯径向基核函数(RadialBasisFunction,RBF):
其中,r为函数的径向宽度参数。
采用网格寻优法确定高斯径向基最优参数。
采用台湾大学林智仁教授开发的LIBSVM程序代码[24],运行环境为IntelCorei534703.20GHzCPU和4.00GBRAM,在Matlab7.0上进行仿真实验。
高斯径向基核参数变化过程如图4所示,从图4可以发现,支持向量机多分类器性能与其算法的相关参数变化密切相关,当r=0.2,惩罚参数C=6时,准确率约为98%,分类性能最优。
基于最优重构加速度数据的步态模式识别结果如表1所示,从表1的分类器混淆矩阵中发现,除行走步态模式的分类性能稍差外,其余四种步态运动模式分类准确率均为100%,总体平均分类准确率达到98%,结果表明,基于块稀疏贝叶斯学习算法重构的加速度数据能够保持原始加速度数据内在刻画步态运动的细节特征信息,为支持向量机分类算法提供了更多步态运动模式差异信息,有效提高支持向量机多步态模式识别性能。
实验中,也将所提算法与基于传统小波分析压缩重构算法进行比较,进一步验证所提算法处理加速度数据的有效性。
基于上述相同加速度数据,采用db3小波对原始加速度数据3层分解,然后采用软阈值方法选取分解后每层高频系数重构数据,小波压缩重构所得能量剩余为98.6476,零系数成分为78.2051。
基于小波分析重构加速度数据的步态模式识别结果如表2所示,从表2可以看到,基于小波分析的压缩重构的多步态分类器平均识别率仅为92%,远低于本文所提算法的步态模式识别率98%,表明非稀疏加速度小波分析重构算法,难以准确恢复原始加速度数据,易丢失步态运动的细节特征信息,难以为支持向量机分类算法提供更多的步态模式差异信息。
此外,根据算法复杂度和步态识别时间,进一步评价本文所提加速度数据压缩感知框架在体域网步态模式远程监测系统架构的实用性。
基于上述算法步态识别时间结果如表3所示。
从表3的结果来看,基于稀疏二进制测量矩阵的数据压缩消耗时间明显低于传统小波分析数据压缩消耗时间,这主要是由于稀疏二进制测量矩阵线性投影压缩加速度数据,所需计算次数仅为N×d次简单加法运算,所耗费时间复杂度仅为O(N)。
而传统小波分析压缩数据时,则需处理大量乘法和加法运算;基于块稀疏贝叶斯学习的加速度数据重构算法消耗时间稍高于传统小波分析加速度数据重构消耗时间,其原因主要是所提重构算法主要求解加速度数据块内未知稀疏解,也就是在求解迭代过程中,寻找最优块稀疏控制参数γ、正定矩阵Bi,尺度参数λ,所需时间复杂度为O(N3+2N2×M),重构时间相对较长。
但在实际应用中,可将本文所提重构算法放置体域网远程终端高性能计算机上运行。
由于本文采用小样本步态数据,SVM多步态分类器时间复杂度和空间复杂度均为O(N3),识别时间主要消耗于寻找最优参数惩罚因子C和核函数参数g,空间复杂度为O(N3)。
结果表明,本文所提加速度数据压缩感知框架较适用于体域网步态模式远程监测系统,有助于传感节点低功耗和远程数据终端准确获取数据。
4讨论与分析
实验结果表明,基于块稀疏贝叶斯学习的压缩感知重构算法能够有效处理非稀疏加速度数据。
本文算法选用稀疏二进制测量矩阵,有效降低传感节点传输数据量和计算复杂性;在远程数据终端采用块稀疏贝叶斯学习算法准确重构非稀疏加速度数据,为后续步态模式识别提供可靠数据,有助于体域网步态模式远程监测技术推广和应用。
目前,传感节点低功耗和远程数据终端准确获取加速度数据仍是体域网步态模式远程监测技术应用中亟须解决的关键问题。
当前相关领域学者仍致力于探寻有效解决上述问题的技术手段。
本文从体域网步态模式远程监测系统架构和加速度数据非稀疏特点两方面综合考虑,提出了基于块稀疏学习的加速度数据压缩感知框架,旨在探讨压缩感知框架对非稀疏加速度数据的适用性,寻找有效解决体域网传感节点低功耗和远程准确获取加速度数据等关键问题的技术手段。
从图2和图3的实验结果来看,当选用稀疏二进制测量矩阵,压缩率为50%时,所提算法的重构性能明显优于传统压缩重构算法(诸如OMP、SP、GPSR、SPGL1LASSO)性能,表明非稀疏加速度数据块稀疏贝叶斯学习重构算法在稀疏二进制测量矩阵有效压缩数据基础上,能够充分利用加速度数据块结构内在相关性,捕获加速度数据块内在稀疏性,明显改善非稀疏加速度压缩数据重构性能,而传统压缩重构算法更多依赖于重构数据的先验信息,未能有效利用加速度数据空间信息和时序结构,难以有效改善非稀疏加速度数据重构性能。
更重要的是,本文选用的稀疏二进制测量矩阵中每列仅含有少量元素1,有助于低功耗传感节点硬件体系架构简化设计[12]。
为评价所提算法重构的加速度数据对步态模式识别的影响,构建了泛化性能优越的支持向量机多步态分类器。
从表1的实验结果来看,基于本文所提算法重构加速度数据的步态模式识别性能明显优于基于传统压缩感知重构算法的步态模式识别性能,表明本文所提取的特征参数(标准差、偏度、峰度和Person相关系数)能够有效从重构的加速度步态数据中获取步态运动内在变化差异信息,为支持向量机多步态模式识别算法提供更多不同步态模式间的差异信息。
此外,考虑到所提算法处理的数据假设于独立随机分布特性,本文选用高斯径向基核函数构建支持向量机多步态模式识别模型,采用网格搜寻方法寻找识别性能最优的核参数,从图4的实验结果来看,网格搜寻方法能够充分综合考虑不同参数对步态模式识别性能的影响,较直观体现多步态模式识别性能变化状况,可避免以往采用经验方法反复寻找最优参数
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 稀疏 贝叶斯 学习 算法 识别 体域网 步态 模式