CC BY
18
УДК 004.02
DOI: 10.24412/2071-6168-2021-8-150-156
РАСПОЗНАВАНИЕ ПОХОДКИ В УСЛОВИЯХ ПЕРЕМЕЩЕНИЯ ИЗМЕРИТЕЛЬНОЙ ЧАСТИ
А.В. Греченева, Н.В. Дорофеев, М.С. Горячев
В данной работе приводятся результаты исследования возможности различения походки людей с помощью одного аеселерометрического датчика в условиях его перемещения относительно измерительной части. Рассматриваемые случаи перемещения датчика соответствуют условиям эксплуатации портативного устройства, в частности мобильного телефона. рассматривается возможность различения движений человека и людей по их походке на основе данных, которые получаются с акселерометра носимого устройства. Распознавание походи людей с различными физиологическими особенностями осуществляется на основе нейронной сети. Вероятность пра-вильногораспознавания походки предлагаемым способом более 0,9.
Ключевые слова: распознавание, походка, мобильный телефон, акселерометр.
Развитие интеллектуальных технологий в области обработки, анализа и прогнозирования отражается всё в больших аспектах жизнедеятельности человека. Существует множество методов искусственного интеллекта: экспертные системы, рассуждения по аналогии, байесовские сети, поведенческие методы, нейронные сети, нечеткие системы, эволюционные методы. Одним из перспективно развивающихся направлений являются искусственные нейронные сети. Интеграция нейронных сетей в сложные системы позволяет решать задачи при неизвестных закономерностях, адаптироваться к изменениям. При аппаратной реализации они обладают высоким потенциалом в быстродействии и отказоустойчивости. С помощью нейронных сетей решаются такие задачи как: кластеризации и классификации, категоризации, аппроксимации, прогнозирования, оптимизации. Корректный выбор структуры нейронной сети и алгоритма её обучения позволяет более гибко подойти к объекту исследования и найти оптимальные решения. Внедрение интеллектуальных технологий в информационные системы открывает новый виток развития последних. В частности, перспективным направлением являются автоматизированные информационные систем, которые собирают и обрабатывают биометрическую информацию, включая системы контроля и управления доступом, банковский и медицинский сектор [1, 2, 3]. Гонка за биометрическими данными, дистанционная биометрика и развитие носимых устройств требуют разработки новых алгоритмов сбора и анализа биометрических данных. Существует много способов регистрации параметров человека [4, 5, 6, 7, 8]. В настоящий момент наиболее распространен способ получения биометрических данных с помощью видеокамеры и микрофона [9, 10, 11]. Кроме этого активно развиваются другие методы сбора биометрических показателей. Данные методы основываются на сенсорах встроенных в персональные портативные устройства, такие как мобильный телефон или смарт браслет [12].
Целью данной работы является развитие технологий сбора и анализа биометрических данных в автоматизированных информационных системах для повышения качества процедур идентификации и аутентификации пользователей, повышения эффективности персонализированного мониторинга здоровья за счет выявления различий и изменений в параметрах походки человека на основе данных акселерометра носимого устройства.
Задача распознавания походки человека (как распознавания движений у одного человека, так и движений у разных людей - распознавание людей) сводится к их кластеризации и дальнейшей классификации. При распознавании происходит разделение получаемых данных об объектах на подмножества. Внутри каждого подмножества вы-
борки данных должны обладать максимальным сходством, а данные, принадлежащие разным классам, должны обладать максимальными различиями. В последующем происходит оценка принадлежности новых данных к одному из классов (подмножеств). Разбиение происходит на основе признаков. Входными данными могут являться: набор признаков, матрица расстояний, временные ряды [13]. Основными методами классификации данных являются: дерево решений, байесовский классификатор, метод ближайших соседей, метод опорных векторов, метод случайного леса, градиентный спуск и бутсинг, логистическая регрессия, тобит и пробит [14].
Классификация движений человека по данным одного датчика является не корректной, т.к. образуемые множества очень сильно пересекаются между собой. Решение задачи имеет смысл при условии классификации ограниченного количества движений. В данном работе при классификации используются признаки, которые определяют особенности походки человека в различных условиях и косвенно включают в себя параметры отдельных движений конечностей. То есть, при движении включается в работу большое количество мышц, связок и суставов [15, 16]. Кроме этого на точность классификации влияют особенности самого метода регистрации перемещений, которые связаны с изменением в процессе регистрации местоположения и ориентации в пространстве самого датчика (которое может совершаться без походки), конструктивными и метрологическими особенностями мобильного устройства (расположением и типом акселерометрического датчика), преобразования проекции ускорения свободного падения в параметры движения.
Для получения набора признаков, на основании которых возможно проводить классификацию движений, проводились исследования на группе людей возрастом от 15 до 67 лет. Всего в исследованиях участвовали 32 человека мужского и женского пола, с различными физиологическими особенностями (рост, вес, осанка). Для эксперимента испытуемые были разбиты на подгруппы (по схожим физиологическим признакам) по 4 человека с целью анализа качества различения испытуемых и их упражнений между собой на основе разрабатываемого классификатора. Объем обучающей выборки формировался из движений, которые совершались при различных условиях: форма одежды (свободная и обтягивающая, различный тип обуви), местоположение телефона (передний и задний карман штанов, около уха). Объем обучающей выборки внутри каждой подгруппы составлял от 2000 до 3000 движений. Основными двигательными шаблонами для классификации являлись совершаемые движения при ходьбе по прямой и лестнице с грузом (сумка с ноутбуком весом 3.5 кг) и без него. Таким образом, в обучающую выборку были включены основные движения совершаемые в повседневной жизни человека. Измерения производились с помощью акселерометра мобильного телефона. Это связано с его высокой распространенностью в настоящее время по сравнению с умными браслетами. Кроме этого мобильные телефоны по сравнению с умными браслетами имеют более развитый функционал и обширное программное обеспечение в котором могут быть реализованы результаты работы.
В результате проведенных исследований было установлено, вероятность правильного различения по среднему значению составляет не более 0,19 при использовании порогового обнаружителя. Правильное различение по среднеквадратическому отклонению составляет не более 0,13. При наихудшем сценарии (в свободной одежде и кроссовках) на основе корреляционного приемника можно различить не менее 90% движений при пороге значения коэффициента корреляции более 0,8, в хороших условиях (обтягивающая одежда, ботинки) данный процент достигается при пороге в 0,7.
Алгоритм классификации с предварительной обработкой данных представлен на рис. 1. Для каждого пользователя происходит выделение шаблонов движения и обучение нейросетевого классификатора. Длительность максимального по времени шаблона принимается в качестве значения временного окна. Все шаблоны нормализуются по амплитуде и дополняются нулями до длительности максимального шаблона (нормализация по времени). Далее в процессе функционирования, считываемые с акселерометра
телефона, данные обрабатываются в рамках временного окна. Каждая компонента (ось) акселерометра обрабатывается в отдельности. Это позволяет приблизить к нулю зависимость данных от ориентации датчика.
Находящиеся в рамках временного окна считываемые данные нормализуются. Происходит оценка среднего значения и среднеквадратического отклонения данных временного окна. После чего выполняется оценка значения корреляции данных временного окна и каждого из шаблонов. В случае если значение корреляции превышает установленный порог запускается нейросетевой классификатор. Проведение предварительного корреляционного анализа позволяет отбросить часть шумовых сигналов и повысить качество работы классификатора. Пример структуры нейронной сети для различения испытуемых внутри группы приведен на рис. 2.
Начало "j
Выделение двигательных шаблонов М
Определение длительности временного окна
Нормализация шаблонов по времени
Нормализация шаблонов по амплитуде
Перемещение временного окна выборке
: :
Нормализация по амплитуде данных временного окна
Оценка среднего значения во временном окне
Оценка среднеквадратичес кого отклонения во временном окне
t
Перебор шаблонов М
нив Ч (на по 1
I_I
/Перебор\ компоненты N акселерометра
Нахождение
значения корреляции к шаблона и сигнала во временном окне
Запуск нейросетевого классификатора
1 »
1 « J
Конец
Рис. 1. Алгоритм классификации
Output
Hidden
Input ^ j^J J^B^ Output
О ~~j © k oo-frj I
100 4
Рис. 2. Структура нейронной сети
В качестве базовой структуры для нейронной сети выбрана сеть прямого распространения. Количество входов равно 260, из которых 256 относятся к анализируемому временному окну размерностью 256 отсчета, на остальные входы подаются следующие параметры: коэффициент корреляции, среднее значение, среднеквадратиче-ское отклонение шаблона и данных временного окна. Размер анализируемого временного окна (256 отсчета) выбирался как максимальная длительность выполняемого движения из всех упражнений и испытуемых данного исследования. В дальнейшем на практике это значение может увеличиваться.
Нейросеть имеет 260 входных нейрона, 100 нейронов в одном скрытом слое, и 4 нейрона в выходном слое. Количество нейронов выходного слоя (4 штуки) соответствует количеству испытуемых в подгруппе (в каждую подгруппу входят испытуемые с
наиболее близкими физиологическими особенностями). Различение данной нейронной сетью осуществляется для каждой подгруппы в отдельности. Различение испытуемых между подгруппами осуществляется с помощью корреляционного приемника. При обучении нейронной сети использовалась функция градиентного обратного спуска. Вся выборка делилась на обучающую выборку, выборку для проверки и тестирования в следующем соотношении: 70%, 15%, 15%. В качестве критерия оптимизации использовалась кросс-энтропия. Функцией активации скрытого слоя являлась сигмоид, а выходного слоя - нормализованная экспоненциальная функция.
В качестве примера результаты обучения нейронной сети представлены на рис. 3, а результаты работы предлагаемого алгоритма классификации одной из подгрупп испытуемых для всех видов движения представлены на рис. 4.
График зависимости погрешности от эпохи для этапов обучения, проверки и тестирования нейронной сети. Лучшее значение на
этапе проверки составляет 0 016306 в эпоху 85
— Проверка
— Гест Оптимум
Эпоха
Рис. 3. Результат обучения нейронной сети
Матрица ошибок нсир осотс в ого классификатора ка этапе тестирования
ЩкН 4 в П1%
151* 00% 01% 004 07%
М 623 ж В3 7%
ЗВ% 23.7% 1.0% 0 1% 10 3%
и 1$ «г и 51 0%
1 44 0в% лп 0 5* ао%
и 1 700 93 7%
ш 0.1% 02% »7% 0.3%
69 84 9Г0% »6% 97 В% 11.0%
зог% 30% 4М 2-1% 9.0%
8 I
1 3
Ожидаемый номер «пасса
Рис. 4. Результаты распознавания
153
Таким образом, в результате проведенного исследования было установлено, что даже при наихудшем сценарии, при котором испытуемые находились в свободной одежде и кроссовках (что добавляет больше шумовых составляющих в сигнал акселерометра и сглаживает индивидуальные особенности походки за счет смягчения шага), представленный алгоритм позволяет различить испытуемых при совершении различных движений в более чем 90% случаев. Это касается так же наиболее однообразных движений - спуск и подъем по лестнице и при походке с мобильным телефоном около уха. Различение собственных движений испытуемого составляет 100%.
В ходе исследования было установлено, что применение одного акселеромет-рического датчика мобильного телефона позволяет различать совершаемые как индивидуальные движения человека, так и движения, производимые разными людьми. При этом следует отметить, что предлагаемый алгоритм различения движений позволяет отделять одни движения от других при различных условиях, которые характеризуются степенью прилегания одежды к телу, сложностью пути и. Для повышения качества различения движений и людей, нейросеть может дополнительно обучаться в процессе функционирования. Однако, для дальнейшего развития необходимо проведения на большем количестве испытуемых с различными физиологическими особенностями и включение в методику эксперимента большее число различных мешающих факторов. Тем не менее, внедрение и развитие предлагаемого алгоритма на практике позволит повысить функциональность автоматизированных информационных систем медицинского, правоохранительного и банковского сектора.
Работа выполнена при финансовой поддержке гранта Президента Российской Федерации № МК-1558.2021.1.6.
Список литературы
1. Lei C., Chuang Y. Privacy protection for telecare medicine information systems with multiple servers using a biometric-based authenticated key agreement scheme // IEEE Access. 2019. V. 7. P. 186480-186490.
2. Mehmood Z., Ghani A., Chen G., Alghamdi A. S. Authentication and secure key management in E-health services: a robust and efficient protocol using biometrics // IEEE Access. 2019. V. 7. P. 113385-113397.
3. Dorofeev N.V., Grecheneva A.V., Buzhinsky V.S. Assessment of human gait parameters base on accelerometer data // Biomedical Engineering. 2021. № 2. C. 11-14.
4. Marcialis G. L., Mastinu P., Roli F. Serial fusion of multi-modal biometric systems // IEEE Workshop on Biometric Measurements and Systems for Security and Medical Applications. 2010. P. 1-7.
5. Subjects Authentication Based on Secret Biometric Patterns Using Wavelet Analysis and Flexible Neural Networks / A.E. Sulavko, D.A. Volkov, S.S. Zhumazhanova, R.V. Borisov // XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineerin. 2018. P. 218-227.
6. Vandana, Kaur N. A Study of Biometric Identification and Verification System // International Conference on Advance Computing and Innovative Technologies in Engineering (ICACITE). 2021. P. 60-64.
7. Raju S., Udayashankara V. Biometric person authentication: A review // International Conference on Contemporary Computing and Informatics (IC3I). 2014. P. 575580.
8. Singla S. K., Singh M., Kanwal N. Biometric System - Challenges and Future Trends // 8th International Conference on Computing for Sustainable Global Development (INDIACom). 2021. P. 647-651.
9. Крутохвостов Д.С., Хиценко В.Е. Парольная и непрерывная аутентификация по клавиатурному почерку средствами математической статистики // Вопросы кибер-безопасности. 2017. №5 (24). C. 91-99.
10. Сулавко А.Е., Шалина Е.В. Биометрическая аутентификация пользователей информационных систем по клавиатурному почерку на основе иммунных сетевых алгоритмов // Прикладная информатика. 2019. Т. 14. № 3 (81). С. 39-45.
11. Handwriting Biometrics: Applications and Future Trends in e-Security and e-Health / M. Faundez-Zanuy, J. Fierrez, M.A. Ferrer, M. Diaz, R. Tolosana, R. Plamondon // Cognitive Computation. 2020. V. 12(5). P. 940-953.
12. Dorofeev N.V., Grecheneva A.V. The assessment of gait features according to the data of a portable acceleration sensor in an intelligent monitoring system // IOP Conference Series: Materials Science and Engineering. 2020. V. 873(1). 012017. P. 1-7.
13. Jia-jia J., Fa-jie D., Xian-quan W. An Efficient Classification Method of Mixed Sources // IEEE Sensors Journal. 2016. V. 16(10). P. 3731-3734.
14. Черезов Д.С., Тюкачев Н.А. Обзор основных методов классификации и кластеризации данных // Вестник ВГУ. Системный анализ и информационные технологии. 2009. № 2. С. 25-29.
15. Скворцов Д.В. Клинический анализ движений. Анализ походки. Иваново: Издательство НПЦ - Стимул, 1996. - 344 с.
16. Сутченков И. А. Информативность биомеханических параметров при патологической ходьбе до и после курса электростимуляции мышц при ходьбе // Российский журнал биомеханики. 1999. №2. С. 1-5.
Греченева Анастасия Владимировна, канд. техн. наук, доцент, [email protected], Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых,
Дорофеев Николай Викторович, д-р техн. наук, доцент, заведующий кафедрой, [email protected], Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых,
Горячев Максим Сергеевич, магистр, [email protected], Россия, Владимир, Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых
GAIT RECOGNITION IN THE CONDITIONS OF MOVEMENT OF THE MEASURING PART
A.V. Grecheneva, N.V. Dorofeev, M.S. Goryzchev
This paper presents the results of a study of the possibility of distinguishing the gait of people using a single aeselerometric sensor in conditions of its movement relative to the measuring part. The considered cases of sensor switching correspond to the operating conditions of a portable device, in particular a mobile phone. the possibility of distinguishing the movements of a person and people by their gait is considered on the basis of data obtained from the accelerometer of a wearable device. Recognition of the appearance of people with various physiological features is carried out on the basis of a neural network. The probability of correct gait recognition by the proposed method is more than 0.9.
Key words: recognition, gait, mobile phone, accelerometer.
Grecheneva Anastasia Vladimirovna, candidate of technical sciences, docent, [email protected], Russia, Vladimir, Vladimir State University,
Dorofeev Nikolay Viktorovich, doctor of technical sciences, docent, head of department, [email protected], Russia, Vladimir, Vladimir State University,
155
Goryachev Maxim Sergeevich, student, maximgoryachev9 7@ yandex. ru, Russia, Vladimir, Vladimir State Universit
УДК 355.013.3
DOI: 10.24412/2071-6168-2021-8-156-160
МЕТОДИКА ВЫЯВЛЕНИЯ ПОРОГОВ УСТОЙЧИВОСТИ СТРУКТУР ГОСУДАРСТВЕННОГО И ВОЕННОГО УПРАВЛЕНИЯ
С.Ю. Галов
Рассмотрены вопросы нахождения порогов устойчивости государств в случае воздействия на них сил специальных операций иностранных государств или незаконных вооруженных формирований, подготовленных и при их поддержке на территории «государства-жертвы». Решение задачи основано на применении математических методов исследования биологических систем, в частности - на исследовании поведения системы вблизи тех значений параметров, при которых возникают перестройки (возможно, и катастрофические). Предложен порядок выполнения задачи по определению порогового значения устойчивости с использованием предложенной методики.
Ключевые слова: пороговое значение; динамическая модель; устойчивость государственных структур; силы специальных операций.
С момента заключения Вестфальского мира и формирования «Вестфальской системы мироустройства» в мире появилось около 200 государств. Исходя из определения термину «государство», одна из основных функций, которые выполняет государство - организаторская (организационная), призванная обеспечивать порядок и поддержание стабильности состояния государства. С этой точки зрения среди различных свойств присущих государствам в качестве одного из базовых можно выделить устойчивость. Под устойчивостью понимается - способность системы сохранять текущее состояние при наличии внешних воздействий или с другой стороны - способность возвращаться в равновесное состояние, после выхода из него под влиянием внешних факторов.
Любая открытая сложная система, которой является государство находится под воздействием двух разнонаправленных тенденций: самопроизвольной деградации (роста энтропии) и самопроизвольной организации в более сложные системы (рис. 1). При этом у любой предметной или общественной системы имеется определенный уровень ее организованности, называемый критическим. Если система организована ниже этого уровня, то в системе преобладают процессы упорядочения, если выше - преобладают процессы дезорганизации. На самом критическом уровне, иногда называемым уровнем энтропийного баланса, процессы упорядочения и дезорганизации уравновешивают друг друга, и система принимает стационарное состояние [1].
Устойчивость системы к возмущениям характеризуется неизменностью, или постоянством, исследуемой системы. Это может быть постоянством состояния, структуры или других параметров системы. Однако в случае появления воздействия, превышающего пороговое значение или при небольшом воздействии в критических точках, происходит выход системы из устойчивого состояния (бифуркация или катастрофа) [2].
Причинами возникновения неустойчивости государств являются как объективные причины, вызванные наличием космических, цивилизационных, политических, социальных, экономических, технологических циклов, так и субъективными, возникающими под действием конкурирующих государств [3].
