一種基于慣性傳感器的人體行為識(shí)別方法
【專利摘要】本發(fā)明提供一種基于慣性傳感器的人體行為識(shí)別方法，所述方法包括：通過(guò)慣性傳感器采集測(cè)試者的人體行為數(shù)據(jù)；對(duì)采集的人體行為數(shù)據(jù)進(jìn)行滑動(dòng)窗口分割處理；對(duì)滑動(dòng)窗口分割處理后獲得的三軸的加速度子序列和三軸的角速度子序列進(jìn)行特征提??；對(duì)特征向量進(jìn)行特征融合處理，形成測(cè)試者的所述人體行為的樣本集；利用最小相關(guān)最大冗余算法和貝葉斯正則化的稀疏多項(xiàng)式邏輯回歸算法，對(duì)樣本集進(jìn)行特征選擇處理；分別獲得全部測(cè)試者的全部人體行為的分類特征向量；利用模糊最小二乘支持向量機(jī)，獲得每種人體行為的分類器模型；利用模糊最小二乘支持向量機(jī)，獲得測(cè)試人體行為數(shù)據(jù)的人體行為識(shí)別結(jié)果。本發(fā)明能夠提高人體行為識(shí)別方法的自適應(yīng)性和識(shí)別效率。
【專利說(shuō)明】一種基于慣性傳感器的人體行為識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及行為識(shí)別【技術(shù)領(lǐng)域】，尤其涉及一種基于慣性傳感器的人體行為識(shí)別方 法。

【背景技術(shù)】
[0002] 在過(guò)去的 10 年里，隨著 MEMS (Micro-Electro-Mechanical System，MEMS)技術(shù)的 迅猛發(fā)展，使得傳感器以及移動(dòng)設(shè)備擁有了高計(jì)算能力、小尺寸以及低成本等前所未有的 特性，從而使得這些移動(dòng)設(shè)備與人們的信息交互成為日常生活的一部分。普適傳感的主要 目的是從那些遍布的傳感器中獲得數(shù)據(jù)，并提取其中有用的信息。而在這個(gè)領(lǐng)域中，人體行 為的分析與識(shí)別尤其成為了炙手可熱的研究課題，其對(duì)醫(yī)療、體育競(jìng)技、軍事、安全等有著 重要的推動(dòng)作用。
[0003] 常用的人體行為識(shí)別有兩種不同的實(shí)現(xiàn)形式，一是利用外部傳感器來(lái)實(shí)現(xiàn)，二是 利用可穿戴式傳感器來(lái)實(shí)現(xiàn)。外部傳感器一般被固定在預(yù)定的地點(diǎn)，所以人體行為的分析 與識(shí)別完全取決于用戶與傳感器的自愿互動(dòng)?？纱┐魇絺鞲衅髦幸话愎潭ㄔ谟脩舻纳眢w部 位上，慣性傳感器是可穿戴式傳感器在識(shí)別人體日常行為動(dòng)作中最常用也是最有效的器件 之一，慣性傳感器可以提供可靠和客觀的人體活動(dòng)測(cè)量數(shù)據(jù)。
[0004] 現(xiàn)有的基于慣性傳感器的人體行為識(shí)別方法的特征提取多采用快速傅里葉變換 和小波變換的方法，得到運(yùn)動(dòng)信號(hào)的頻域信息和時(shí)頻信息。但由于慣性傳感器采集得到 的人體行為數(shù)據(jù)通常為非線性非平穩(wěn)信號(hào)，使用快速傅里葉變換并不能得到非線性非平 穩(wěn)信號(hào)的局部特性，而常用的小波變換雖然能夠得到人體行為數(shù)據(jù)的局部信息，但該方法 并不具有自適應(yīng)性，即基函數(shù)選擇的好壞將直接影響信號(hào)分解的效果，從而對(duì)特征提取產(chǎn) 生影響，因此需要找到一種自適應(yīng)的，且適合處理非線性非平穩(wěn)信號(hào)的方法，用來(lái)提取 人體行為數(shù)據(jù)的時(shí)頻特征。另外，現(xiàn)有特征選擇處理大部分采用的是執(zhí)行效率較高的簡(jiǎn) 單降維方法如主成分分析（Principal Component Analysis, PCA)，或者是序列前向選擇 (Sequential Forward Selection, SFS)算法等。但是，現(xiàn)有技術(shù)中簡(jiǎn)單降維方法雖然執(zhí) 行效率較高，但分類精度較低，序列前向選擇算法雖然擁有較高分類精度，但計(jì)算過(guò)程較 復(fù)雜?，F(xiàn)有技術(shù)獲得人體行為的分類器模型方法一般采用支持向量機(jī)（Support Vector Machine，SVM)，現(xiàn)有技術(shù)的支持向量機(jī)雖然識(shí)別精度較高，但是當(dāng)訓(xùn)練樣本的數(shù)據(jù)量較大 時(shí)，由于需要求解耗時(shí)的二次規(guī)劃問(wèn)題，求解過(guò)程所需計(jì)算資源很大，導(dǎo)致訓(xùn)練時(shí)間較長(zhǎng)。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提出一種基于慣性傳感器的人體行為識(shí)別方法，以達(dá)到提高人 體行為識(shí)別方法的自適應(yīng)性和識(shí)別效率的目的。
[0006] 本發(fā)明提供了一種基于慣性傳感器的人體行為識(shí)別方法，所述方法包括：
[0007] 通過(guò)η個(gè)慣性傳感器，采集測(cè)試者的η個(gè)傳感器節(jié)點(diǎn)的人體行為數(shù)據(jù)，其中，所述 人體行為數(shù)據(jù)包括測(cè)試者產(chǎn)生人體行為時(shí)的三軸加速度數(shù)據(jù)和三軸角速度數(shù)據(jù)；
[0008] 對(duì)每個(gè)傳感器節(jié)點(diǎn)的人體行為數(shù)據(jù)進(jìn)行滑動(dòng)窗口分割處理，以獲得每個(gè)觀測(cè)窗口 的三軸的加速度子序列和三軸的角速度子序列；
[0009] 對(duì)獲得的所述三軸的加速度子序列和三軸的角速度子序列進(jìn)行特征提取，以獲得 每個(gè)傳感器節(jié)點(diǎn)的特征向量；
[0010] 對(duì)獲得的全部傳感器節(jié)點(diǎn)的特征向量進(jìn)行特征融合處理，以形成測(cè)試者的所述人 體行為的樣本集；
[0011] 利用最小相關(guān)最大冗余算法和貝葉斯正則化的稀疏多項(xiàng)式邏輯回歸算法，對(duì)所述 樣本集進(jìn)行特征選擇處理，以獲得最能反映測(cè)試者人體行為類別的分類特征向量；
[0012] 依次重復(fù)以上過(guò)程，分別獲得全部測(cè)試者的全部人體行為的分類特征向量；將全 部的分類特征向量分為訓(xùn)練樣本集和測(cè)試樣本集，利用模糊最小二乘支持向量機(jī)對(duì)訓(xùn)練樣 本集進(jìn)行建模和參數(shù)訓(xùn)練，以獲得不同種類人體行為的分類器模型；
[0013] 根據(jù)所述測(cè)試樣本集和獲得的所述分類器模型，利用模糊最小二乘支持向量機(jī)， 獲得所述人體行為數(shù)據(jù)的人體行為識(shí)別結(jié)果。
[0014] 可選的，所述對(duì)每個(gè)傳感器節(jié)點(diǎn)的人體行為數(shù)據(jù)進(jìn)行滑動(dòng)窗口分割處理，以獲得 每個(gè)觀測(cè)窗口的三軸的加速度子序列和三軸的角速度子序列，包括 ：
[0015] 選取長(zhǎng)度為1的滑動(dòng)窗口將所述人體行為數(shù)據(jù)的序列分成若干等長(zhǎng)的子序列，且 每?jī)蓚€(gè)相鄰的觀測(cè)窗口之間有50%的數(shù)據(jù)重疊，得到總的觀測(cè)窗口數(shù)為M= INT(2L/1)-1， 其中，1表示窗口長(zhǎng)度，L表示人體行為數(shù)據(jù)的序列長(zhǎng)度，獲得的所述每個(gè)觀測(cè)窗口的三軸 的加速度子序列和三軸的角速度子序列為R k = (rx，k, ry，k, rz，k)，Sk = (sx，k, sy，k, sz，k)，k = 1，2, ···，M，其中，Rk、Sk分別表示第k個(gè)觀測(cè)窗口內(nèi)的三維加速度子序列和三維角速度子序 列，

【權(quán)利要求】
1. 一種基于慣性傳感器的人體行為識(shí)別方法，其特征在于，所述方法包括： 通過(guò)n個(gè)慣性傳感器，采集測(cè)試者的n個(gè)傳感器節(jié)點(diǎn)的人體行為數(shù)據(jù)，其中，所述人體 行為數(shù)據(jù)包括測(cè)試者產(chǎn)生人體行為時(shí)的三軸加速度數(shù)據(jù)和三軸角速度數(shù)據(jù)； 對(duì)每個(gè)傳感器節(jié)點(diǎn)的人體行為數(shù)據(jù)進(jìn)行滑動(dòng)窗口分割處理，以獲得每個(gè)觀測(cè)窗口的三 軸的加速度子序列和三軸的角速度子序列； 對(duì)獲得的所述三軸的加速度子序列和三軸的角速度子序列進(jìn)行特征提取，以獲得每個(gè) 傳感器節(jié)點(diǎn)的特征向量； 對(duì)獲得的全部傳感器節(jié)點(diǎn)的特征向量進(jìn)行特征融合處理，以形成測(cè)試者的所述人體行 為的樣本集； 利用最小相關(guān)最大冗余算法和貝葉斯正則化的稀疏多項(xiàng)式邏輯回歸算法，對(duì)所述樣本 集進(jìn)行特征選擇處理，以獲得最能反映測(cè)試者人體行為類別的分類特征向量； 依次重復(fù)以上過(guò)程，分別獲得全部測(cè)試者的全部人體行為的分類特征向量；將全部的 分類特征向量分為訓(xùn)練樣本集和測(cè)試樣本集，利用模糊最小二乘支持向量機(jī)對(duì)訓(xùn)練樣本集 進(jìn)行建模和參數(shù)訓(xùn)練，以獲得不同種類人體行為的分類器模型； 根據(jù)所述測(cè)試樣本集和獲得的所述分類器模型，利用模糊最小二乘支持向量機(jī)，獲得 所述人體行為數(shù)據(jù)的人體行為識(shí)別結(jié)果。
2. 根據(jù)權(quán)利要求1所述的人體行為識(shí)別方法，其特征在于，所述對(duì)每個(gè)傳感器節(jié)點(diǎn)的 人體行為數(shù)據(jù)進(jìn)行滑動(dòng)窗口分割處理，以獲得每個(gè)觀測(cè)窗口的三軸的加速度子序列和三軸 的角速度子序列，包括： 選取長(zhǎng)度為1的滑動(dòng)窗口將所述人體行為數(shù)據(jù)的序列分成若干等長(zhǎng)的子序列，且每 兩個(gè)相鄰的觀測(cè)窗口之間有50%的數(shù)據(jù)重疊，得到總的觀測(cè)窗口數(shù)為M=INT(2L/1)-1， 其中，1表示窗口長(zhǎng)度，L表示人體行為數(shù)據(jù)的序列長(zhǎng)度，獲得的所述每個(gè)觀測(cè)窗口的三軸 的加速度子序列和三軸的角速度子序列為Rk = (rx，k,ry，k,rz，k)，Sk = (sx，k,sy，k,sz，k)，k= 1，2,…，M，其中，Rk、Sk分別表示第k個(gè)觀測(cè)窗口內(nèi)的三維加速度子序列和三維角速度子序 列，h二(心，…，么），.? =(4,t… 窗口內(nèi)的三維加速度子序列和三維角速度子序列在T軸上的數(shù)據(jù)；或者 獲得每個(gè)采樣時(shí)刻每個(gè)傳感器節(jié)點(diǎn)的人體行為數(shù)據(jù)中的三軸的加速度數(shù)據(jù)的合成加 速度；選取長(zhǎng)度為1的滑動(dòng)窗口將所述合成加速度數(shù)據(jù)的序列分成若干等長(zhǎng)的子序列，且 每?jī)蓚€(gè)相鄰的窗口之間有50%的數(shù)據(jù)重疊，得到總的觀測(cè)窗口數(shù)為M=INT(2L/1)-1，其 中，1表示窗口長(zhǎng)度，L表示人體行為數(shù)據(jù)的序列長(zhǎng)度，獲得第k個(gè)觀測(cè)窗口內(nèi)的合成加速度 子序列；根據(jù)獲得第k個(gè)觀測(cè)窗口內(nèi)的合成加速度子序列，確定滑動(dòng)窗口分割所需的擊球 時(shí)刻點(diǎn)；利用獲得的擊球時(shí)刻點(diǎn)進(jìn)行滑動(dòng)窗口分割處理，將所述擊球時(shí)刻點(diǎn)設(shè)置在窗口的 中心位置，獲得每個(gè)觀測(cè)窗口的三軸的加速度子序列和三軸的角速度子序列。
3. 根據(jù)權(quán)利要求1所述的人體行為識(shí)別方法，其特征在于，所述對(duì)獲得的所述三軸的 加速度子序列和三軸的角速度子序列進(jìn)行特征提取，包括： 所述特征提取是通過(guò)采用信號(hào)理論中的時(shí)域分析法和時(shí)頻特征分析法，分別提取X軸、y軸、z軸三個(gè)軸上加速度數(shù)據(jù)和角速度數(shù)據(jù)的均值，X軸、y軸、z軸三個(gè)軸上加速度數(shù) 據(jù)和角速度數(shù)據(jù)的方差，X軸、y軸、z軸三個(gè)軸上加速度數(shù)據(jù)和角速度數(shù)據(jù)的峰度值，X軸、 y軸和z軸之間加速度數(shù)據(jù)和角速度的協(xié)方差以及x軸、y軸、z軸三個(gè)軸上加速度數(shù)據(jù)和 角速度數(shù)據(jù)由集合經(jīng)驗(yàn)?zāi)B(tài)分解得到的內(nèi)稟模態(tài)函數(shù)的能量特征集。
4. 根據(jù)權(quán)利要求1所述的人體行為識(shí)別方法，其特征在于，利用最小相關(guān)最大冗余算 法和貝葉斯正則化的稀疏多項(xiàng)式邏輯回歸算法，對(duì)所述樣本集進(jìn)行特征選擇處理，以獲得 最能反映測(cè)試者人體行為類別的分類特征向量，包括： 利用最小相關(guān)最大冗余算法，對(duì)測(cè)試者的所述人體行為的樣本集進(jìn)行特征選擇，得到 N1個(gè)能夠使識(shí)別率達(dá)到最高的特征組成特征子集，其中，紇RcFi ,Fdjr表示能夠使識(shí)別率達(dá) 到最高的特征組成的特征子集，F(xiàn)k表示測(cè)試者的所述人體行為的樣本集； 利用基于貝葉斯正則化的稀疏多項(xiàng)式邏輯回歸算法對(duì)測(cè)試者的所述人體行為的樣本 集進(jìn)行特征選擇，得到N2個(gè)對(duì)分類最有用的特征組成特征子集，其中，c&，F(xiàn)sm表示對(duì) 分類最有用的特征組成特征子集，F(xiàn)k表示測(cè)試者的所述人體行為的樣本集； 將識(shí)別率最高的特征向量組成特征子集和分類最有用特征向量組成特征子集進(jìn)行合 并，獲得最能反映測(cè)試者人體行為類別的分類特征向量，其中，F(xiàn)smK = Fdik U Fsm，其中，？_表 示最能反映測(cè)試者人體行為類別的分類特征向量。
5. 根據(jù)權(quán)利要求1-4任一項(xiàng)所述的人體行為識(shí)別方法，其特征在于，根據(jù)所述測(cè)試樣 本集和獲得的所述分類器模型，利用模糊最小二乘支持向量機(jī)，獲得所述測(cè)試人體行為數(shù) 據(jù)的人體行為識(shí)別結(jié)果，包括： 通過(guò)公式
獲得將所述測(cè)試樣本作為輸入時(shí)，各個(gè)最小二乘支持向 量機(jī)的輸出，其中，i、j分別表示人體行為的類別標(biāo)簽即第i類、第j類，X表示所述測(cè)試樣 本的數(shù)據(jù)，Gu(X)表示將第i類與第j類分開的決策函數(shù)，表示所述決策函數(shù)對(duì)應(yīng)的權(quán) 值向量，by表示所述決策函數(shù)對(duì)應(yīng)的偏差； 根據(jù)公式
突得H^ij(X)，再由公式Inuj(X)= I-H^ij(X)獲得Inuj(X)，其中，H^ij(X)表示在Gij(X)下X屬于第i類的隸屬度，In^ij(X)表 示在Gu(X)下X屬于第j類的隸屬度； 根據(jù)獲得的&u(X)、Hlj,u(X)，構(gòu)造以下的矩陣：
根據(jù)獲得的矩陣M，獲得列向量MRmin，其中，MRmin = [Hi1 (X)，m2 (X)，…，mk (X) ]T， 獲得所述列向量中最大的元素Mi?:，如果在MRmin中的下標(biāo)為i，并且i是 唯一的，則把X分為第i類；如果i不唯一，則重新獲得列向量MRavg，其中，MRavg = [In1 (X)，m2 (X)，…，mk(x)]T，
，找到MRavg中最大的元素趟如果 MC=在MRavg中的下標(biāo)為i，則把X分為第i類。
【文檔編號(hào)】G06K9/62GK104268577SQ201410532519
【公開日】2015年1月7日 申請(qǐng)日期:2014年10月10日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】王哲龍 申請(qǐng)人:大連理工大學(xué)