基于加速度傳感器的人體運(yùn)動狀態(tài)識別的制作方法
【專利摘要】本發(fā)明提供了一種基于加速度傳感器的人體運(yùn)動狀態(tài)識別方法及系統(tǒng)，分為離線階段和在線階段；其中，離線階段采用K?Means聚類方法構(gòu)建人體運(yùn)動狀態(tài)識別模型，基于現(xiàn)有帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練研究，提出分類策略；然后在線階段基于Android手機(jī)設(shè)計人體運(yùn)動狀態(tài)識別實時系統(tǒng)，分別從數(shù)據(jù)采集、數(shù)據(jù)處理、運(yùn)動識別、模型更新、數(shù)據(jù)展示等5個功能進(jìn)行設(shè)計；最后通過實驗證明聚類算法的有效性，實驗結(jié)果表明，基于聚類方法構(gòu)建人體運(yùn)動識別模型是可行的，而且該模型具有實時性好、輕量易調(diào)整等優(yōu)點。
【專利說明】
基于加速度傳感器的人體運(yùn)動狀態(tài)識別
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)據(jù)挖掘技術(shù)領(lǐng)域，尤其涉及一種數(shù)據(jù)挖掘中的聚類算法的設(shè)計分類 方法。
【背景技術(shù)】
[0002] 隨著移動互聯(lián)網(wǎng)技術(shù)興起和無線傳感器技術(shù)的發(fā)展，時刻都在產(chǎn)生傳感器數(shù)據(jù)， 這些數(shù)據(jù)蘊(yùn)含著豐富的信息，具有深遠(yuǎn)的研究意義。計步器的廣泛使用就是其中的一個研 究成果。運(yùn)動識別目前也是其中比較熱門的一個方向，通過分析加速度傳感器數(shù)據(jù)，發(fā)現(xiàn)人 體運(yùn)動的固定模型。目前為止，該研究都主要使用傳統(tǒng)的分類技術(shù)，對聚類方法少有涉及。 由于此方法采取的是采樣的過程，事先要知道全部的數(shù)據(jù)集，因此只適合于靜態(tài)的時間序 列數(shù)據(jù)。又由于時間序列具有流動性和不可預(yù)測性，數(shù)據(jù)都是隨著時間而產(chǎn)生，且無法預(yù)知 數(shù)據(jù)變化的范圍，因此，此方法有很大的局限性。
[0003] 人體運(yùn)動狀態(tài)識別研究主要是對人體運(yùn)動數(shù)據(jù)進(jìn)行分析，利用數(shù)據(jù)挖掘和機(jī)器學(xué) 習(xí)技術(shù)挖掘出數(shù)據(jù)中的固定模式，該模式主要有兩個方面的用途:a.運(yùn)動狀態(tài)識別，即根據(jù) 現(xiàn)有數(shù)據(jù)判斷出某人處于哪一種運(yùn)動狀態(tài);b.身份識別，即可以通過計算模式之間的相似 度可以判斷出該運(yùn)動模式屬于哪個人，主要用于刑偵方面。
[0004] 目前，根據(jù)研究的數(shù)據(jù)類型不同可以將運(yùn)動狀態(tài)識別研究分成以下3個方向：
[0005] (1)基于聲音的運(yùn)動狀態(tài)識別：該方法有個明顯的缺陷:適用的場景非常有限而且 使用該方法的成本較大。
[0006] (2)基于圖像視頻的運(yùn)動狀態(tài)識別：該方法主要通過分析挖掘攝像頭采集的數(shù)據(jù) 來捕捉人體的運(yùn)動類別。由于攝像頭采集數(shù)據(jù)很容易受天氣、光線、距離、方位等因素的影 響，使用的場景也非常有限，并且由于視頻圖像非常占用存儲空間無法長期投入使用。
[0007] (3)基于可穿戴設(shè)備的運(yùn)動狀態(tài)識別：該方法主要通過隨身攜帶的穿戴設(shè)備中的 傳感器采集數(shù)據(jù)然后分析研究。相對于以上2種方法，該方法有以下幾種優(yōu)勢:a、成本低且 攜帶方便:穿戴設(shè)備價格低廉且小巧可以隨身佩帶;b、抗干擾性強(qiáng):采集數(shù)據(jù)過程受外界環(huán) 境影響小;c、持續(xù)獲取數(shù)據(jù)的能力：隨身攜帶可以保證持續(xù)地獲取數(shù)據(jù)。
[0008] 運(yùn)動狀態(tài)識別不僅可以很好地幫助人們監(jiān)測一天的運(yùn)動狀況，而且也智能家居的 一個重要研究領(lǐng)域，它可能帶來一種新的人機(jī)交互方式，例如體感游戲，從而使人們的生活 更加智能化。所以說，運(yùn)動狀態(tài)的識別研究對提高人類的生活質(zhì)量具有很大的意義。
[0009] 基于這方面的研究國外比國內(nèi)要早。多年前在國外就有人做實驗室通過在人體身 上佩戴傳感器來識別監(jiān)測人體的運(yùn)動狀態(tài)，這主要運(yùn)用于運(yùn)動員和術(shù)后病人的康復(fù)上面， 使用領(lǐng)域極窄。在智能家居研究領(lǐng)域，有人提出傳感器網(wǎng)絡(luò)系統(tǒng)，通過在家里安裝各類傳感 器，數(shù)據(jù)統(tǒng)一輸入到控制平臺，然后分析識別出人在家里的具體運(yùn)動;還有人通過在人體腰 部固定一個加速度傳感器，可以非常好地識別出走路、跑步、站立等9種運(yùn)動類別;還有的研 究中，為了保證數(shù)據(jù)的采集效率和傳輸?shù)目煽啃裕ㄟ^USB數(shù)據(jù)線把加速度傳感器和存儲設(shè) 備連接起來并佩戴在身上，最后盡管能達(dá)到94 %的準(zhǔn)確度，但是佩戴很不方便，一般用戶無 法接受；由于人的日常運(yùn)動多種多樣且很復(fù)雜，為了能非常準(zhǔn)確地識別出更多的運(yùn)動模式， 有的研究人員通過做實驗在人的腰部、臀部、手腕、大腿、腳踝等5個人體部分放置加速度傳 感器，最后實驗結(jié)果能準(zhǔn)確地識別出20多種運(yùn)動類別，但是由于佩戴的傳感器太多，用戶體 驗極差，很難得到推廣，不過這也說明了多個傳感器數(shù)據(jù)能提高識別準(zhǔn)確率。
[0010]由于目前絕大多數(shù)研究方法只考慮到先驗知識，忽略了流數(shù)據(jù)動態(tài)變化的特點， 從而造成構(gòu)建的分類模型在靜態(tài)數(shù)據(jù)下準(zhǔn)確率高而實際體驗效果差等問題。此外，目前的 研究方法沒有考慮到用戶差異，訓(xùn)練的分類模型個性化嚴(yán)重。

【發(fā)明內(nèi)容】

[0011] 為了解決現(xiàn)有技術(shù)中問題，本發(fā)明提供了一種基于加速度傳感器的人體運(yùn)動狀態(tài) 識別，本發(fā)明通過如下技術(shù)方案實現(xiàn)：
[0012] -種基于加速度傳感器的人體運(yùn)動狀態(tài)識別方法，所述方法分為離線階段和在線 階段;其中，所述離線階段采用K-Means聚類方法構(gòu)建人體運(yùn)動狀態(tài)識別模型，基于現(xiàn)有帶 標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練研究，提出分類策略;所述分類策略如下:A.通過連續(xù)的窗口提供待預(yù) 測的數(shù)據(jù);B.把窗口中的每個樣本點根據(jù)離每個簇的存心的距離劃分到對應(yīng)的簇;C.根據(jù) 每個簇的類別分布情況，計算所有樣本點屬于每個類別的概率和，求出最大的概率值P以及 對應(yīng)的類別label ;D.如果p大于等于第一閾值，則輸出這個窗口數(shù)據(jù)的運(yùn)動類別label，否 則無法預(yù)測，需要用戶手動標(biāo)記;所述在線階段使用所述離線階段訓(xùn)練所得的模型，實時采 集人體的加速度數(shù)據(jù)進(jìn)行人體運(yùn)動狀態(tài)的識別。
[0013] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述窗口大小不小于所研究的人體運(yùn)動類別的周期的 最大值。
[0014] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述窗口大小為2秒，窗口的步長為1秒。
[0015] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述第一閾值為0.6。
[0016] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟B還包括當(dāng)某個數(shù)據(jù)點劃分到某個簇時，如果 離該簇簇心的距離超過該簇半徑的N倍，則說明這個數(shù)據(jù)點是噪聲點，則進(jìn)行丟棄處理，其 中，N根據(jù)實驗效果適當(dāng)設(shè)置，N多1.2。
[0017] 本發(fā)明還提供了一種基于加速度傳感器的人體運(yùn)動狀態(tài)識別系統(tǒng)，所述系統(tǒng)通過 Android程序來實現(xiàn)，所述系統(tǒng)包括:數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、運(yùn)動識別模塊、模型更 新模塊，數(shù)據(jù)展示模塊;其中，所述數(shù)據(jù)采集模塊采集人體運(yùn)動的加速度數(shù)據(jù);所述模型更 新模塊采用K-Means聚類方法構(gòu)建人體運(yùn)動狀態(tài)識別模型，基于現(xiàn)有帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn) 練研究，提出分類策略;所述分類策略如下:A.通過連續(xù)的窗口提供待預(yù)測的數(shù)據(jù);B.把窗 口中的每個樣本點根據(jù)離每個簇的存心的距離劃分到對應(yīng)的簇;C.根據(jù)每個簇的類別分布 情況，計算所有樣本點屬于每個類別的概率和，求出最大的概率值P以及對應(yīng)的類別labe 1; D.如果p大于等于第一閾值，則輸出這個窗口數(shù)據(jù)的運(yùn)動類別label，否則無法預(yù)測，需要用 戶手動標(biāo)記。
[0018] 本發(fā)明的有益效果是:基于聚類方法構(gòu)建人體運(yùn)動識別模型是可行的，而且該模 型具有實時性好、輕量易調(diào)整等優(yōu)點。
【附圖說明】
[0019] 圖1是本發(fā)明的人體運(yùn)動狀態(tài)識別方法的框圖；
[0020] 圖2是走路時的加速度數(shù)據(jù)示意圖；
[0021 ]圖3是上樓梯時的加速度數(shù)據(jù)示意圖；
[0022]圖4是下樓梯時的加速度數(shù)據(jù)示意圖。
【具體實施方式】
[0023]下面結(jié)合【附圖說明】及【具體實施方式】對本發(fā)明進(jìn)一步說明。
[0024]本發(fā)明使用K-Means聚類方法來構(gòu)建人體運(yùn)動狀態(tài)識別模型，并基于Android手機(jī) 上設(shè)計人體運(yùn)動識別系統(tǒng)。首先在離線階段研究構(gòu)建分類模型的方法，為了解決目前存在 的問題，提出了一種基于聚類方法構(gòu)建識別模型的方法;然后在線階段基于Android手機(jī)設(shè) 計人體運(yùn)動狀態(tài)識別實時系統(tǒng)，分別從數(shù)據(jù)采集、數(shù)據(jù)處理、運(yùn)動識別、模型更新、數(shù)據(jù)展示 等5個功能進(jìn)行設(shè)計;最后通過實驗證明聚類算法的有效性，實驗結(jié)果表明，基于聚類方法 構(gòu)建人體運(yùn)動識別模型是可行的，而且該模型具有實時性好、輕量易調(diào)整等優(yōu)點。
[0025]附圖1所示，人體運(yùn)動狀態(tài)識別研究主要分為兩個階段:離線階段和在線階段。 [0026]離線階段是構(gòu)建學(xué)習(xí)模型階段?；诂F(xiàn)有帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練研究，提出分類 策略，驗證模型的好壞。
[0027] 分類策略如下:首先，通過連續(xù)的窗口提供待預(yù)測的數(shù)據(jù)。窗口大小只要不小于所 研究運(yùn)動類別的周期的最大值即可，本發(fā)明使用了 2秒的窗口大小，窗口的步長為1秒，這樣 每次預(yù)測的數(shù)據(jù)都有50%與上一次預(yù)測數(shù)據(jù)重疊，保證數(shù)據(jù)的連續(xù)性。然后，把窗口中的每 個樣本點根據(jù)離每個簇的存心的距離劃分到對應(yīng)的簇;接著，根據(jù)每個簇的類別分布情況， 計算所有樣本點屬于每個類別的概率和，求出最大的概率值P以及對應(yīng)的類別1 abe 1。最后， 如果p多0.6,則輸出這個窗口數(shù)據(jù)的運(yùn)動類別label，否則無法預(yù)測，需要用戶手動標(biāo)記。分 類為了識別出噪聲數(shù)據(jù)，當(dāng)某個數(shù)據(jù)點劃分到某個簇時，如果離該簇簇心的距離超過該簇 半徑的1.5倍，則說明這個數(shù)據(jù)點是噪聲點，丟棄處理。判斷噪聲的條件可以根據(jù)實驗效果 適當(dāng)調(diào)整。
[0028] 在線階段主要是基于手機(jī)設(shè)計一款人體運(yùn)動識別實時系統(tǒng)。在這一階段將使用離 線階段訓(xùn)練所得的學(xué)習(xí)模型。將在Android智能手機(jī)上使用該模型來設(shè)計運(yùn)動識別系統(tǒng)，在 實際動態(tài)環(huán)境下使用該模型。
[0029]下面本發(fā)明將通過Andro i d程序來實現(xiàn)該識別系統(tǒng)。系統(tǒng)主要包含如下模塊:數(shù)據(jù) 采集模塊、數(shù)據(jù)處理模塊、運(yùn)動識別模塊、模型更新模塊，數(shù)據(jù)展示。系統(tǒng)中設(shè)計模型更新模 塊可以保證模型隨著數(shù)據(jù)變化而變化，隨著用戶變化而變化，這種設(shè)計思想更適合現(xiàn)實使 用環(huán)境，這種模型具有自適應(yīng)調(diào)整能力。剛開始使用這種模型時，準(zhǔn)確度可能不太高，隨著 時間的推移，調(diào)整的次數(shù)增加，模型會越來越適合使用它的用戶，準(zhǔn)確度也會越來越高。
[0030] 數(shù)據(jù)處理模塊通過對采集的數(shù)據(jù)進(jìn)行去噪，平滑，歸一化處理之后，采用聚類算法 進(jìn)行建模，并部署到手機(jī)上進(jìn)行識別，其對其他模型而言，有著速度快，模型輕量等特點，其 具體識別算法如下：
[0031] (1)使用一階低通濾波器求重力加速度分量。
[0032] gj(i)=agj(i-l) + (l-a)aj(i)
[0033]其中α是濾波參數(shù)，j表示三個坐標(biāo)軸分量，gj(〇) = a j(0)，濾波參數(shù)α-般人為設(shè)定 即可，且滿足〇<α<1，實驗過程中會根據(jù)實驗效果調(diào)整濾波參數(shù)，初始值設(shè)定為0.8(來自 Android文檔建議）。除了直接設(shè)定還可以通過如下公式計算：
[0035]其中t是指低通濾波器的時間常量，dT是指采集數(shù)據(jù)頻率。
[0036] 使用上述公式求得了重力加速度在X、Y、Z三軸上的分量之后，直接使用對應(yīng)坐標(biāo) 軸上的原始加速度值減去重力加速度對應(yīng)的分量即可得到設(shè)備真實運(yùn)動的加速度值。 [0037] (2)通過增維的方式降低坐標(biāo)軸互換的影響。
[0038]主要有三種方式來降低坐標(biāo)互換對實驗結(jié)果的影響：（a)通過求合加速度的方式 來降低影響。將三維數(shù)據(jù)點P(x，y，z)通過公另 ^
轉(zhuǎn)換成一維數(shù)據(jù)點V，這 種方式存在數(shù)據(jù)丟失嚴(yán)重問題，它完全忽略了三軸間的相互關(guān)系，使得最后識別準(zhǔn)確率不 會太理想；（b)將X軸與Z軸、Y軸與Z軸分別求合加速度，這樣數(shù)據(jù)就由三維降成二維，這樣既 可以消除部分因坐標(biāo)互換帶來的影響又可以有不錯的準(zhǔn)確率；（c)增加數(shù)據(jù)維度，通過增加 三個重力分量和消除重力分量之后的對應(yīng)加速度值將數(shù)據(jù)由三維擴(kuò)增到九維數(shù)據(jù)，這樣就 將加速度值和重力分量對應(yīng)起來了，降低了坐標(biāo)翻轉(zhuǎn)的影響。本發(fā)明采用第三種方案。 [0039] (3)基于采樣點的聚類
[0040]這種方式直接把每個采樣點當(dāng)成一個樣本，特征就是三個軸上的原始加速度值和 消除重力之后的加速度值，例如（"走路"，χ,Υ,ζ,χ'，/，z')代表著一個樣本。由于是基于采 樣點的聚類，聚類的樣本會非常大，聚類的過程可能耗時較長。聚類方法使用K-Means聚類， 選取K-Means方法原因主要是該方法原理簡單，設(shè)置參數(shù)容易，可以很快的確定合適的參 數(shù)。K-Means聚類的目標(biāo)是使得簇類樣本相似度高，簇間樣本差異大?？梢酝ㄟ^如下目標(biāo)函 數(shù)來實現(xiàn)：
[0042] η代表樣本總數(shù)，i代表簇C的id，C代表簇集，error (Ci)計算公式如下：
[0044] 其中Ci代表簇Ci的簇心，指點p與簇心Ci之間的距離。計算距離 的公式多種多樣，這里采用的是歐式距離。
[0045] 為了驗證本發(fā)明方法的有效性，實驗環(huán)境如下：離線階段主要在PC機(jī)器上進(jìn)行實 驗，構(gòu)建學(xué)習(xí)模型。離線階段實驗環(huán)境如下:64位Windows 7旗艦版系統(tǒng)、Python(2.7.8);在 該階段主要使用了第三方庫。
[0046]本發(fā)明是基于加速度數(shù)據(jù)研究的，所以使用了WISDM的最新加速度數(shù)據(jù)來構(gòu)建模 型。表1所示的數(shù)據(jù)集是2012年12月份收集的，該數(shù)據(jù)集收集過程如下:在實驗環(huán)境下，36個 志愿者攜帶Android手機(jī)通過使用同一款A(yù)ndroid采集加速度數(shù)據(jù)APP采集走路、慢跑、上樓 梯、下樓梯、靜坐、站立這六種運(yùn)動狀態(tài)下的加速度數(shù)據(jù)。采集的過程都是按要求進(jìn)行某種 運(yùn)動的，所以數(shù)據(jù)都是自帶標(biāo)簽的，即數(shù)據(jù)都是已知類別的。數(shù)據(jù)采集之后會自動上傳給后 臺。
[0047]表1數(shù)據(jù)處理之后分類結(jié)果
[0049] 從表1可以得出，該分類模型對"慢跑"、"靜坐"和"站立"三種類別數(shù)據(jù)具有很好的 分類效果，精確率和召回率都達(dá)到85%以上，分類器整體識別正確率為0.8195。造成其它類 別數(shù)據(jù)效果差的原因是："上樓梯"和"下樓梯"數(shù)據(jù)無法預(yù)測出來，都分類成了"走路"數(shù)據(jù)， 導(dǎo)致這三種類別數(shù)據(jù)分類準(zhǔn)確率低。為了解決這個問題，本發(fā)明研究這三種運(yùn)作狀態(tài)下的 加速度曲線(如附圖2至4所示），并單獨研究了真實類別是"上樓梯"或"下樓梯"而最終分類 成"走路"的數(shù)據(jù)。
[0050] 研究發(fā)現(xiàn)，這些錯分成"走路"的數(shù)據(jù)屬于"走路"的概率盡管最大，但是與屬于"上 樓梯"或"下樓梯"的概率差距不大，分類成"走路"的置信度不高。通過觀察附圖2至4可以發(fā) 現(xiàn)，"走路"數(shù)據(jù)與"上樓梯"數(shù)據(jù)和"走路"數(shù)據(jù)與"下樓梯"數(shù)據(jù)還是差別明顯，而"上樓梯" 數(shù)據(jù)與"下樓梯"數(shù)據(jù)差別較小，僅僅通過這種聚類方式很難將它們區(qū)分開，本發(fā)明將這兩 種數(shù)據(jù)合并成一種，命名為"Stairs"。為了從"走路"數(shù)據(jù)中區(qū)分出"樓梯"數(shù)據(jù)，如果數(shù)據(jù)屬 于"樓梯"的概率僅次于最大概率且接近，則預(yù)測為"樓梯"。實驗結(jié)果如表2所示。
[0051] 表2合并上下樓梯后的數(shù)據(jù)
[0053]觀察表2可以看出，上述解決方案把"樓梯"數(shù)據(jù)從"走路"區(qū)分出來了。整體的分類 正確率達(dá)到0.8740，對每一種運(yùn)動類別都有較好的分類效果。
[0054]以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定 本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在 不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的 保護(hù)范圍。
【主權(quán)項】
1. 一種基于加速度傳感器的人體運(yùn)動狀態(tài)識別方法，其特征在于，所述方法分為離線 階段和在線階段;其中，所述離線階段采用K-Means聚類方法構(gòu)建人體運(yùn)動狀態(tài)識別模型， 基于現(xiàn)有帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練研究，提出分類策略;所述分類策略如下:A.通過連續(xù)的窗 口提供待預(yù)測的數(shù)據(jù);B.把窗口中的每個樣本點根據(jù)離每個簇的存心的距離劃分到對應(yīng)的 簇;C.根據(jù)每個簇的類別分布情況，計算所有樣本點屬于每個類別的概率和，求出最大的概 率值P以及對應(yīng)的類別label;D.如果p大于等于第一閾值，則輸出這個窗口數(shù)據(jù)的運(yùn)動類別 label，否則無法預(yù)測，需要用戶手動標(biāo)記;所述在線階段使用所述離線階段訓(xùn)練所得的模 型，實時采集人體的加速度數(shù)據(jù)進(jìn)行人體運(yùn)動狀態(tài)的識別。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于:所述窗口大小不小于所研究的人體運(yùn)動類 別的周期的最大值。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于:所述窗口大小為2秒，窗口的步長為1秒。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于:所述第一閾值為0.6。5. 根據(jù)權(quán)利要求1所述的方法，其特征在于:所述步驟B還包括當(dāng)某個數(shù)據(jù)點劃分到某 個簇時，如果離該簇簇心的距離超過該簇半徑的N倍，則說明這個數(shù)據(jù)點是噪聲點，則進(jìn)行 丟棄處理，其中，N根據(jù)實驗效果適當(dāng)設(shè)置，N>1.2。6. -種基于加速度傳感器的人體運(yùn)動狀態(tài)識別系統(tǒng)，所述系統(tǒng)通過Android程序來實 現(xiàn)，其特征在于，所述系統(tǒng)包括:數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、運(yùn)動識別模塊、模型更新模 塊，數(shù)據(jù)展示模塊;其中，所述數(shù)據(jù)采集模塊采集人體運(yùn)動的加速度數(shù)據(jù);所述模型更新模 塊采用K-Means聚類方法構(gòu)建人體運(yùn)動狀態(tài)識別模型，基于現(xiàn)有帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練研 究，提出分類策略;所述分類策略如下:A.通過連續(xù)的窗口提供待預(yù)測的數(shù)據(jù);B.把窗口中 的每個樣本點根據(jù)離每個簇的存心的距離劃分到對應(yīng)的簇;C.根據(jù)每個簇的類別分布情 況，計算所有樣本點屬于每個類別的概率和，求出最大的概率值P以及對應(yīng)的類別labe 1; D. 如果P大于等于第一閾值，則輸出這個窗口數(shù)據(jù)的運(yùn)動類別label，否則無法預(yù)測，需要用戶 手動標(biāo)記。7. 根據(jù)權(quán)利要求6系統(tǒng)的方法，其特征在于:所述窗口大小不小于所研究的人體運(yùn)動類 別的周期的最大值。8. 根據(jù)權(quán)利要求7系統(tǒng)的方法，其特征在于:所述窗口大小為2秒，窗口的步長為1秒。9. 根據(jù)權(quán)利要求6系統(tǒng)的方法，其特征在于:所述第一閾值為0.6。10. 根據(jù)權(quán)利要求6系統(tǒng)的方法，其特征在于:所述步驟B還包括當(dāng)某個數(shù)據(jù)點劃分到某 個簇時，如果離該簇簇心的距離超過該簇半徑的N倍，則說明這個數(shù)據(jù)點是噪聲點，則進(jìn)行 丟棄處理，其中，N根據(jù)實驗效果適當(dāng)設(shè)置，N多1.2。
【文檔編號】G06K9/62GK106096662SQ201610472604
【公開日】2016年11月9日
【申請日】2016年6月24日
【發(fā)明人】張春慨
【申請人】深圳市頤通科技有限公司