基于加速度传感器的人体运动行为识别研究.pdf

《基于加速度传感器的人体运动行为识别研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于加速度传感器的人体运动行为识别研究张洁基于加速度传感器的人体运动行为识别研究张洁（榆林学院陕西榆林，７１９０００）摘要：基于单个加速度传感器的人体运动行为识别进行研究，文中分析了人体运动监测系统组成及人体动作识别中的加速度数据采集、数据预处理、特征提取、基于ＳＶＭ的分类识别过程，最后对文中的识别机制进行验证，结果表明：该识别方法的准确度较高。关键词：加速度传感器；小波阀值去噪；ＰＣＡ－ＲｅｌｉｅｆＦ算法中图分类号：ＴＰ２７４＋畅２文献标识码：ＡＤＯＩ编码：１０．１４０１６／ｊ．ｃｎｋｉ．１００１－９２２７．２０１６．０３．２２８Abstract：Ｉｎｔｈｉｓｐａｐｅｒ，

2、Ｉｔｒｅｓｅａｒｃｈｏｎｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｈｕｍａｎｍｏｖｅｍｅｎｔｂｅｈａｖｉｏｒｏｆｉｎｄｉｖｉｄｕａｌｂａｓｅｄｏｎａｓｉｎｇｌｅａｃｃｅｌｅｒａｔｉｏｎｓｅｎｓｏｒ，ａｎａｌｙｚｉｎｇｈｕｍａｎｍｏｔｉｏｎｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｃｏｍｐｏｎｅｎｔｓａｎｄｔｈｅｈｕｍａｎａｃｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｐｒｏｃｅｓｓｏｆｔｈｅａｃｃｅｌｅｒａｔｉｏｎｏｆｄａｔａａｃｑｕｉｓｉｔｉｏｎ，ｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ＳＶＭ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｌａｓｔＩｔｖｅｒｉｆｙｔｈｅｔｅ

3、ｘｔｒｅｃｏｇｎｉｔｉｏｎｍｅｃｈａｎｉｓｍ，ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ：ｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｉｓｍｏｒｅｈｉｇｈａｃｃｕｒａｃｙ．Keywords：Ａｃｃｅｌｅｒａｔｉｏｎｓｅｎｓｏｒ；Ｗａｖｅｌｅｔｔｈｒｅｓｈｏｌｄｄｅ－ｎｏｉｓｉｎｇ；ＰＣＡ－ＲｅｌｉｅｆＦａｌｇｏｒｉｔｈｍ０引言２基于单个加速度特征的动作识别机制由于在人体运动如行走、骑自行车等过程中一直存在加２．１加速度数据采集速度现象，因此，在运动过程中会产生相应的加速度信号，对本文中对人体行为进行识别选用的加速度传感器为这种信号进行有效的处理，能够判断出人体做了何种动作。

4、ＭＭＡ７３６１Ｌ，它是一款电容式小型的低功耗三轴加速度传感利用加速度对人体运动状态进行监测成为了国内外学者研究器，其主要功能包括温度补偿、零重力检测、信号调理等，以采和关注的热点。其中文献［１］在人体背部放置一枚加速度传集的加速度传感器信号为依据，它放置在人体的不同部位，采感器，对人体的日常行为进行识别，但是计算量较大。文献集的信号数据会存在一定的偏差，为了降低这种偏差则将数［２］通过单个加速度收集人体信息，并提前相应的人体特征，据采集模块放置在人体的腰腹位置，见图２。然后采用ＳＶＭ算法对人体运动进行识别和分类，取得了较好的识别效果。文献［３］应用神经网络算法提出了一种多层

5、分类器模型，取得了较为理想的分类效果，但是这种方法的计算量仍然较大。本文提出了一种基于单个加速度传感器的人体运动监测识别机制，简化了运算量。１人体运动监测系统人体运动监测系统主要由三轴加速度传感器、ＰＣ机、无图２加速度传感器放置位置示意图线网络等组成，系统框架见图１所示。２．２数据预处理当前用于数据处理的主要方法包括小波分析、Ｋａｌｍａｎ滤波等，但是采用Ｋａｌｍａｎ滤波方法有时需要对噪声信号构建明［４］确的模型，因此本文中采用小波去噪方法对采集的数据信号进行去噪处理。采用小波阀值去噪，其过程主要包括以下三步：（１）对含噪信号进行小波分解处理。由于不同的含噪信号具备不同的特点

6、，因此在分析的过程中需要具体确定小波分解层次，得到一组小波系数；（２）对小波系数进行阀值量化处理。对不同层次的原始小波系数选取适宜的阀值进行阀值量化处理，获得估计小波系数；（３）采用小波逆变换重构信号得到去噪信号。小波系数经过阀值化处理之后，进行小波逆变换，得到去噪后信号f（t）。小波阀值去噪过程见图３。图１人体运动监测系统框架图３小波阀值去噪过程收稿日期：２０１５－１２－１１作者简介：张洁（１９７８－），男，宁夏隆德，硕士研究生，讲师，主要研究方向针对传统阀值函数存在的问题，本文对阀值函数进行改为体育教育训练学。进，提出一种新的阀值函数，该阀值函数在j与k处有一个平·２２

7、８·枟自动化与仪器仪表枠２０１６年第３期（总第１９７期）滑过渡的区域，提高了重构信号的平滑性，在滤除噪声的同径向基核函数，其中，损失函数C＝１，参数γ＝１／K。时，抑制了信号的衰减，使去噪效果更好。提出的新阀值函数ＳＶＭ二分类过程如下：的数学表达式（１）如下：（１）输入：测试样本和标签y∈－１，１：ωj，k（２）初始化：行为ｉ（ｉ＝１，２，⋯，７），ＳＶＭ两类分类器Ａ（ωj，k辰λωj，k－λe１－λＡ＝１，２，⋯，２１），其中分类器１（行为ｉ＝１，行为ｉ＝２）、分类器＾ωj，k＝０ωj，k＃λ（１）２（行为ｉ＝１