基于三軸加速度傳感器的人體運動狀態(tài)識別

　　摘要提出一種基于可穿戴設備的人體運動狀態(tài)識別系統(tǒng)，內置的三軸加速度傳感器用于人體運動數(shù)據的收集。系統(tǒng)采用設備朝向無關的算法，利用某時間段內收集的加速度數(shù)據明確可穿戴設備的朝向，以此計算用戶運動過程中水平及垂直方向的加速度。之后，在加速度各方向上的時域與頻域中獲得多個特征，通過主成分分析確定對識別作用結果明顯的特征值，用于運動狀態(tài)識別。后期，借助隱Markov模型對初步識別結果進行處理，保證數(shù)據特征值在不同環(huán)境下均能保持較高的識別率。

　　關鍵詞三軸加速度傳感器;可穿戴設備系統(tǒng);人體運動狀態(tài)識別

　　1可穿戴設備系統(tǒng)結構與硬件設計

　　可穿戴設備佩戴在用戶身上，用于采集用戶的動作信息[4]。在可穿戴設備的內部，進行基于三軸加速度傳感器的人體運動狀態(tài)識別系統(tǒng)設計。系統(tǒng)由數(shù)據采集與預處理模塊以及數(shù)據分析模塊5]構成，其中，前者用于采集、存儲與預處理加速度數(shù)據;后者則對數(shù)據進行特征提取與分析。該模塊的控制核心為STM32F單片機，使用6軸加速度-陀螺儀傳感器MPU6050，執(zhí)行對加速度信號的AD轉換任務，之后，接受傳感器內部的低通濾波處理，經I2C接口傳至STM32F，以逗號分隔的格式將其在Micro-SD卡的TXT文件中存儲，為后期的處理、計算與分析提供便利。

　　2數(shù)據采集與預處理思路

　　2.1數(shù)據采集

　　設置加速度傳感器的采集頻率為20Hz，以此保證能夠采集每秒小于等于10次的運動。該加速度傳感器內置于智能、便攜式可穿戴設備中。在該設備的嵌入式系統(tǒng)上，編寫用于收集加速度數(shù)據的程序，此程序主要對每50ms的三軸加速度傳感器的加速度值進行存儲。每間隔10s的時間，會有1個樣本文件生成，存儲10s內的數(shù)據。由于起初需借助計算機對這些數(shù)據進行分析，在找到最佳的識別方法之后，再進行程序的編寫讓該嵌入式系統(tǒng)實現(xiàn)檢測。此次研究對人體的靜止、走、跑與上樓梯、下樓梯5種動作進行收集與識別，樣本數(shù)據量約600，采用用戶手動標記法收集運動狀態(tài)。

　　2.2數(shù)據預處理思路

　　人體在走路、跑步或上下樓梯等運動時會有側向、前向與豎向3個方向加速度分量的產生，它們之間相互正交，對應加速度傳感器3個軸上的加速度[6]。為一次跑步運動過程中x、y、z軸上測得的波形。在實際應用中，加速度傳感器獲得的三軸加速度信號含很多類型復雜的噪聲以及手腕抖動產生的干擾，數(shù)據復雜，對分析不利，特別是當手機朝向有所變化之時，雖然是同一種運動狀態(tài)，亦會有不同圖像出現(xiàn)。

　　對此，為了獲取更好地、有利于特征提取的數(shù)據形式，應對其進行預處理。此處采用手機朝向無關的算法，獲得平行于重力方向的鉛錘面以及垂直于重力方向的水平面加速度(在10s內，手機朝向有可能發(fā)生變化，但大體上可將其視作穩(wěn)定不變的)，如此一來，所提取的數(shù)據更加利于分析�？紤]到頻率成分的疊加不具有幅值疊加的特性，在進行頻率成分的提取之時，出于節(jié)約計算資源與運算時間的目的，對x、y、z軸的分量進行求和取模處理。然而，這些數(shù)據不含水平與垂直成分，不利于精確度的提高，故不可直接對其作相應的分析，還需用到之前得到的hi與iv。

　　3特征提取與數(shù)據分析

　　3.1特征提取

　　為保留最大值與最小值特性，同時，盡可能地減小運動過程中偶爾抖動造成的誤差影響，此處將平均最大值與平均最小值的概念引入，采用腳步識別算法獲取用戶運動的每一步，之后對其每一步產生的加速度最大值與最小值進行計算。在使用這些數(shù)據之前需首先提取相應的特征量。通過可視化分析可知，跑步與靜止兩種運動狀態(tài)較容易分辨出來，上下樓梯與走這3種相似的運動狀態(tài)有較大的區(qū)分難度。此時，運用頻域的部分特性，先對各種運動進行FFT變換，獲取時域與頻域信息。

　　根據時域與頻域信息可知，最容易識別的運動狀態(tài)依舊是跑步與靜止。究其原因，在于跑步能夠產生最大的加速度方差與平均最大值，而靜止的加速度方差及平均最大值則最小，兩種運動可通過簡單的邏輯判斷識別出來。在5種運動狀態(tài)中，走、上樓梯與下樓梯3種狀態(tài)相似性較高。經仔細觀察，下樓梯產生的數(shù)據方差在3者中最大，其次為走，最小為上樓梯。原因在于在上樓梯之時，人體會克服加速度做功，因而晃動情況會比較弱，但下樓梯相對而言輕松得多，這種狀態(tài)下人體會出現(xiàn)較為明顯的抖動。分析加速度的平均最小值，上樓梯要大于下樓梯，而加速度平均最大值上，上樓梯又比下樓梯小，走的狀態(tài)一直是居中的。

　　4識別分類測試

　　根據前文已確定的用于運動狀態(tài)識別的主要特征值，便可分類與判別樣本數(shù)據，之后，確定適合的的閾值判別這些運動狀態(tài)，選用模型對這些數(shù)據進行高效的處理。此處，對判決樹J48模型加以應用，該模型可達到96.219%的識別準確度，J48存在一定的不足，例如由于受到用戶個體之間運動差異的影響，致使部分主特征值過大，一項下樓梯運動被識別為跑，這顯然是錯誤的。因此，引入Markov模型減少此類錯誤的發(fā)生率。個體的運動過程可被視作一種Markov過程，通常，每一個動作的下一個動作均能夠預測。例如個體在進行上樓梯運動之時，其下一個動作狀態(tài)仍有很大的可能是繼續(xù)上樓梯或走，成為跑或下樓梯的可能性較小。因此，可按照個體的日常行為規(guī)律進行狀態(tài)轉移矩陣的建立，之后運用HMM模型平滑輸出，排除不合理的狀態(tài)，以此有效提高個體運動準確度。

　　5結語

　　文章提出一種可穿戴設備系統(tǒng)，該系統(tǒng)基于三軸加速度傳感器，可對個體運用產生的樣本數(shù)據進行收集，之后提取時域與頻域特征值，利用主成分分析法確定最重要的特征值，采用J48模型根據個體現(xiàn)有的實時數(shù)據對其當前的行為狀態(tài)進行推斷，同時，統(tǒng)計分析其歷史行為。在進行數(shù)據處理之時，文章先執(zhí)行對數(shù)據的腳步定位與特征值抽取操作，采用手機朝向無關算法確定水平與垂直方向上的加速度。在進行最大值與最小值的計算之時，采用以個體腳步為單位的平均最大值與平均最小值，并對處理領域進行相應拓展，使其涵蓋頻域范圍，獲得最大的頻域點，它們包括運動產生的重要頻率信息。接下來，采用主成分分析法明確對結果有最大貢獻的主要特征屬性，分析怎樣利用這些特征點及樣本進行識別模型的訓練。Markov模型有利于識別精度的增加。

　　傳感器論文投稿刊物：《儀表技術與傳感器》(月刊)是1964年創(chuàng)刊，是面向儀器儀表行業(yè)的專業(yè)性科技期刊，是中國儀器儀表行業(yè)最具影響力的期刊之一。主要報導儀器儀表、敏感元件及傳感器、電子元器件、檢測設備、自動化控制系統(tǒng)以及相關的工藝技術、應用技術等。

轉載請注明來自發(fā)表學術論文網：http:///dzlw/22000.html