引用本文

左国玉, 徐兆坤, 卢佳豪, 龚道雄. 基于结构优化的DDAG-SVM上肢康复训练动作识别方法. 自动化学报, 2020, 46(3): 549-561. doi: 10.16383/j.aas.c170724

ZUO Guo-Yu, XU Zhao-Kun, LU Jia-Hao, GONG Dao-Xiong. A Structure-optimized DDAG-SVM Action Recognition Method for Upper Limb Rehabilitation Training. ACTA AUTOMATICA SINICA, 2020, 46(3): 549-561. doi: 10.16383/j.aas.c170724

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c170724

关键词

上肢康复训练，动作识别，SODDAG-SVM，多分类器，二分类器 

摘要

针对上肢康复训练系统中训练评估方法核心的动作识别问题, 提出一种面向Brunnstrom 4~5期患者上肢康复训练动作的SODDAG-SVM (Structure-optimized decision directed acyclic graph-support vector machine)多分类识别方法.首先将多分类问题分解成一组二分类问题, 并使用支持向量机构建各二分类器, 分别采用遗传算法和特征子集区分度准则对各二分类器的核函数参数及特征子集进行优化.然后使用类对的SVM二分类器泛化误差来衡量每个类对的易被分离程度, 并由其建立类对泛化误差上三角矩阵.最后由根节点开始, 依次根据各节点的泛化误差矩阵, 通过选择其中最易被分离类对的SVM分类器构成该节点的方式, 来构建SODDAG-SVM多分类器结构.当待预测的实例较少时, 直接构建实例经过的SODDAG-SVM部分结构并对实例进行预测; 当待预测的实例较多时, 先构建完整的SODDAG-SVM结构, 再代入所有实例进行预测.通过人体传感技术获得Brunnstrom 4~5阶段上肢康复训练的常用动作样本集, 进行SODDAG-SVM动作识别实验, 准确率达到了95.49%, 结果均优于常规的决策有向无环图(Decision directed acyceic graph, DDAG)和MaxWins方法, 实验表明本文方法能有效地提高上肢康复训练动作识别的准确率.

文章导读

随着世界各国老龄化问题的日益突出, 脑卒中患者的数量不断增加.脑卒中是一种进展性慢性致残疾病[1], 85%的脑卒中患者在患病初期就有上肢功能障碍[2], 约30%~36%的脑卒中患者在发病6个月后仍遗留有上肢功能障碍, 严重影响了他们的生活质量[3].大量研究结果表明, 由于大脑的可塑性, 康复训练可以恢复中风患者大部分的运动能力[4].传统的康复训练多是在理疗师和大型训练器械的帮助下, 协助患者进行康复训练[5].这种方法虽可以有效地完成对患者的训练, 但其成本高、自主性差、单调乏味, 且难以对康复效果进行实时有效的测量和评价[6].随着人体传感技术的不断创新和发展, 已有越来越多的学者将人体动作传感技术应用于脑卒中患者的康复训练[7].国内外已有不少研究证实, 该方法对治疗肢体残疾患者的运动功能有很好的效果, 尤其是能积极改善患者的心理和情感状态, 让患者乐于接受康复训练, 具有定量的评价体系也可为患者及医护人员提供患者的康复动作评估信息[8-11].即便如此, 也并非所有康复阶段都适合采用这种方法.根据Brunnstrom分期理论, 患者肢体运动功能的曲线恢复过程可分为6个阶段, 其中在4~5阶段, 患者开始脱离共同运动, 出现分离的精细运动, 肌张力逐渐恢复[12].这个阶段患者运动范围增大, 而且可以脱离助力器械自主完成一些训练, 此时使用人体传感技术对医护人员和患者提供动作评估信息就具有了很重要的作用.

进行康复训练评估的关键在于应用人体传感技术进行动作识别, 即使用动作识别算法对患者正在做的康复训练动作进行识别, 判断是否为当前康复训练要求的规定动作.若符合, 初步判定患者所做的康复训练动作为合格, 否则判定为不合格.

目前, 人体动作识别主要分为基于视觉传感[13]和基于可穿戴传感器[14]的两大类方法.其中, 基于视觉传感的动作识别方法受环境条件影响严重, 且视觉传感模式产生的大数据量, 与在动作识别任务中信息处理时对特征数据简化表示的约束之间, 存在严重不对称的数据鸿沟.基于可穿戴传感器的动作识别方式通过固定在人体肢体上的传感器, 对人体进行接触式测量, 可在光线、角度和障碍物等外部条件受限的情况下稳定可靠地获取姿态数据, 免于分布式视觉采集系统对空间环境的严格要求.随着无线传感器技术的发展, 使用可穿戴传感器的动作识别也获得了较大优势, 国内外很多机构也开展了基于可穿戴设备的人体动作识别研究[15]. Foerster等[16]将4个加速度计分别固定在胸、腕、大腿、小腿上, 对坐、躺等9个动作进行了识别, 其实验结果表明基于加速度计的运动检测是可靠的. Lee等[17]将单个加速度计放在背部, 先将信号分为AC、DC两路, 之后再对AC和DC信号细分, 对跑、走等9个动作进行识别, 得到的动作平均分类准确率达到95.1%. Karantonis等[18]在腰部固定单个加速度计和陀螺仪传感模块, 采用幅值与重力方向的夹角阈值来识别走路和跌倒, 验证了基于加速度计的实时动作分类器的可行性. Khan等[19]将一个加速度计固定在胸部, 采用AR自回归模型系数、倾角和信号幅值区域作为特征, 依据分层人工神经网络对3个静态动作(躺、坐、站)和4个动态动作(走、上楼、下楼、跑)进行了识别, 平均准确率达到了97.9%. Zhang等[20]把单个九轴传感器固定在人体右髋关节前, 通过随机投影方法对特征向量进行优化, 并构建稀疏矩阵对9个动作进行识别, 最高识别率达到了96.1%. Vital等[21]使用FatoXtract可穿戴动作采集服, 对一些相似动作(如刷牙和挥手、走路和迈步)进行识别, 准确率和召回率都保持在85%左右.

在动作识别技术中, 支持向量机(Support vector machine, SVM)由于具有很多优秀的特性, 如很强的泛化能力, 至今仍被广泛地采用[22].文献[21]的概率集成算法集成了SVM及朴素贝叶斯、神经网络三个分类器对动作进行识别分类. Wu等[23]使用SVM对基于MMG信号的6类人体膝关节动作进行识别, 平均准确率到达88%. Wang等[24]基于SVM研究了一种集成学习算法, 用于乳腺癌的诊断, 减少了97.89%的诊断不一致率, 提高了33.34%的诊断准确率.但在将SVM方法从解决二分类问题拓展到解决多分类问题时, 常会出现存在不可分区域的情况. Platt等[25]针对这一问题提出的决策有向无环图(Decision directed acyclic graph, DDAG)方法, 可将不可分区域划归到具体的类别中, 并可以降低分类的计算量.但DDAG方法构建的多分类器结构随机性较大, 会将不可分区域随机划分到某些类别中, 降低了DDAG多分类器的性能.

针对DDAG方法存在的问题, 本文结合SVM方法, 提出一种面向Brunnstrom 4~5期患者上肢康复训练的SODDAG-SVM (Structure-optimized decision directed acyclic graph-support vector machine)动作识别方法.该方法首先衡量多分类问题中各类对(class pair)的易被分离程度, 之后将较易被分离的类对放在多分类器的较上层节点, 降低不易被分离的类对对分类的影响, 提高将不可分区域划分到正确类别的几率, 从而提高多分类器的性能.本文先简要介绍支持向量机及多分类问题的基础理论, 在分析DDAG层级结构对多分类器性能影响的问题后, 详细描述所提出的SODDAG-SVM算法, 并在第3节中对SODDAG-SVM多分类器的构建过程进行介绍, 最后在采集到的上肢康复训练动作样本数据集上进行分类实验.

图 1  投票策略产生的不可分区域响

图 2  三分类器DDAG结构示意图

图 3  消除了不可分区域的DDAG分类

本文针对上肢康复训练系统评估方法中核心的动作识别问题, 提出了一种SODDAG-SVM多分类算法.采用该算法在Brunnstrom 4~5阶段6个常用坐姿上肢康复训练动作数据集上进行了分类实验, 结果表明, 采用本文方法构建的多分类器结构可以有效地降低泛化能力较差的二分类器对多分类器性能的影响, 提高了多分类问题的分类准确率.在本文方法的实现过程中, 发现所选用的DFS特征选择方法, 未能完全将已选特征和候选特征对分类的联合贡献引入特征子集的评价准则.下一步, 我们将针对该问题展开研究, 以进一步提升对各二分类器性能的优化, 从而最终提升多分类器的性能.

作者简介

徐兆坤

北京工业大学信息学部硕士研究生.主要研究方向为模式识别和机器学习. E-mail: 21xzk@sina.com.cn

卢佳豪  

北京工业大学信息学部硕士研究生.主要研究方向为模式识别和机器人学习. E-mail: ljh lujiahao@163.com

龚道雄  

博士, 北京工业大学信息学部副教授.主要研究方向为计算智能与机器人学. E-mail: gongdx@bjut.edu.cn

左国玉  

博士, 北京工业大学信息学部副教授.主要研究方向为智能技术系统, 机器人学习和机器人控制.本文通信作者. E-mail: zuoguoyu@bjut.edu.cn