基于三軸加速度傳感器的人體運(yùn)動(dòng)狀態(tài)識(shí)別

　　摘要提出一種基于可穿戴設(shè)備的人體運(yùn)動(dòng)狀態(tài)識(shí)別系統(tǒng)，內(nèi)置的三軸加速度傳感器用于人體運(yùn)動(dòng)數(shù)據(jù)的收集。系統(tǒng)采用設(shè)備朝向無(wú)關(guān)的算法，利用某時(shí)間段內(nèi)收集的加速度數(shù)據(jù)明確可穿戴設(shè)備的朝向，以此計(jì)算用戶運(yùn)動(dòng)過(guò)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(shí)域與頻域中獲得多個(gè)特征，通過(guò)主成分分析確定對(duì)識(shí)別作用結(jié)果明顯的特征值，用于運(yùn)動(dòng)狀態(tài)識(shí)別。后期，借助隱Markov模型對(duì)初步識(shí)別結(jié)果進(jìn)行處理，保證數(shù)據(jù)特征值在不同環(huán)境下均能保持較高的識(shí)別率。

　　關(guān)鍵詞三軸加速度傳感器;可穿戴設(shè)備系統(tǒng);人體運(yùn)動(dòng)狀態(tài)識(shí)別

　　1可穿戴設(shè)備系統(tǒng)結(jié)構(gòu)與硬件設(shè)計(jì)

　　可穿戴設(shè)備佩戴在用戶身上，用于采集用戶的動(dòng)作信息[4]。在可穿戴設(shè)備的內(nèi)部，進(jìn)行基于三軸加速度傳感器的人體運(yùn)動(dòng)狀態(tài)識(shí)別系統(tǒng)設(shè)計(jì)。系統(tǒng)由數(shù)據(jù)采集與預(yù)處理模塊以及數(shù)據(jù)分析模塊5]構(gòu)成，其中，前者用于采集、存儲(chǔ)與預(yù)處理加速度數(shù)據(jù);后者則對(duì)數(shù)據(jù)進(jìn)行特征提取與分析。該模塊的控制核心為STM32F單片機(jī)，使用6軸加速度-陀螺儀傳感器MPU6050，執(zhí)行對(duì)加速度信號(hào)的AD轉(zhuǎn)換任務(wù)，之后，接受傳感器內(nèi)部的低通濾波處理，經(jīng)I2C接口傳至STM32F，以逗號(hào)分隔的格式將其在Micro-SD卡的TXT文件中存儲(chǔ)，為后期的處理、計(jì)算與分析提供便利。

　　2數(shù)據(jù)采集與預(yù)處理思路

　　2.1數(shù)據(jù)采集

　　設(shè)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(yùn)動(dòng)。該加速度傳感器內(nèi)置于智能、便攜式可穿戴設(shè)備中。在該設(shè)備的嵌入式系統(tǒng)上，編寫用于收集加速度數(shù)據(jù)的程序，此程序主要對(duì)每50ms的三軸加速度傳感器的加速度值進(jìn)行存儲(chǔ)。每間隔10s的時(shí)間，會(huì)有1個(gè)樣本文件生成，存儲(chǔ)10s內(nèi)的數(shù)據(jù)。由于起初需借助計(jì)算機(jī)對(duì)這些數(shù)據(jù)進(jìn)行分析，在找到最佳的識(shí)別方法之后，再進(jìn)行程序的編寫讓該嵌入式系統(tǒng)實(shí)現(xiàn)檢測(cè)。此次研究對(duì)人體的靜止、走、跑與上樓梯、下樓梯5種動(dòng)作進(jìn)行收集與識(shí)別，樣本數(shù)據(jù)量約600，采用用戶手動(dòng)標(biāo)記法收集運(yùn)動(dòng)狀態(tài)。

　　2.2數(shù)據(jù)預(yù)處理思路

　　人體在走路、跑步或上下樓梯等運(yùn)動(dòng)時(shí)會(huì)有側(cè)向、前向與豎向3個(gè)方向加速度分量的產(chǎn)生，它們之間相互正交，對(duì)應(yīng)加速度傳感器3個(gè)軸上的加速度[6]。為一次跑步運(yùn)動(dòng)過(guò)程中x、y、z軸上測(cè)得的波形。在實(shí)際應(yīng)用中，加速度傳感器獲得的三軸加速度信號(hào)含很多類型復(fù)雜的噪聲以及手腕抖動(dòng)產(chǎn)生的干擾，數(shù)據(jù)復(fù)雜，對(duì)分析不利，特別是當(dāng)手機(jī)朝向有所變化之時(shí)，雖然是同一種運(yùn)動(dòng)狀態(tài)，亦會(huì)有不同圖像出現(xiàn)。

　　對(duì)此，為了獲取更好地、有利于特征提取的數(shù)據(jù)形式，應(yīng)對(duì)其進(jìn)行預(yù)處理。此處采用手機(jī)朝向無(wú)關(guān)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(nèi)，手機(jī)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(lái)，所提取的數(shù)據(jù)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(jìn)行頻率成分的提取之時(shí)，出于節(jié)約計(jì)算資源與運(yùn)算時(shí)間的目的，對(duì)x、y、z軸的分量進(jìn)行求和取模處理。然而，這些數(shù)據(jù)不含水平與垂直成分，不利于精確度的提高，故不可直接對(duì)其作相應(yīng)的分析，還需用到之前得到的hi與iv。

　　3特征提取與數(shù)據(jù)分析

　　3.1特征提取

　　為保留最大值與最小值特性，同時(shí)，盡可能地減小運(yùn)動(dòng)過(guò)程中偶爾抖動(dòng)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(shí)別算法獲取用戶運(yùn)動(dòng)的每一步，之后對(duì)其每一步產(chǎn)生的加速度最大值與最小值進(jìn)行計(jì)算。在使用這些數(shù)據(jù)之前需首先提取相應(yīng)的特征量。通過(guò)可視化分析可知，跑步與靜止兩種運(yùn)動(dòng)狀態(tài)較容易分辨出來(lái)，上下樓梯與走這3種相似的運(yùn)動(dòng)狀態(tài)有較大的區(qū)分難度。此時(shí)，運(yùn)用頻域的部分特性，先對(duì)各種運(yùn)動(dòng)進(jìn)行FFT變換，獲取時(shí)域與頻域信息。

　　根據(jù)時(shí)域與頻域信息可知，最容易識(shí)別的運(yùn)動(dòng)狀態(tài)依舊是跑步與靜止。究其原因，在于跑步能夠產(chǎn)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(yùn)動(dòng)可通過(guò)簡(jiǎn)單的邏輯判斷識(shí)別出來(lái)。在5種運(yùn)動(dòng)狀態(tài)中，走、上樓梯與下樓梯3種狀態(tài)相似性較高。經(jīng)仔細(xì)觀察，下樓梯產(chǎn)生的數(shù)據(jù)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(shí)，人體會(huì)克服加速度做功，因而晃動(dòng)情況會(huì)比較弱，但下樓梯相對(duì)而言輕松得多，這種狀態(tài)下人體會(huì)出現(xiàn)較為明顯的抖動(dòng)。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(shí)別分類測(cè)試

　　根據(jù)前文已確定的用于運(yùn)動(dòng)狀態(tài)識(shí)別的主要特征值，便可分類與判別樣本數(shù)據(jù)，之后，確定適合的的閾值判別這些運(yùn)動(dòng)狀態(tài)，選用模型對(duì)這些數(shù)據(jù)進(jìn)行高效的處理。此處，對(duì)判決樹J48模型加以應(yīng)用，該模型可達(dá)到96.219%的識(shí)別準(zhǔn)確度，J48存在一定的不足，例如由于受到用戶個(gè)體之間運(yùn)動(dòng)差異的影響，致使部分主特征值過(guò)大，一項(xiàng)下樓梯運(yùn)動(dòng)被識(shí)別為跑，這顯然是錯(cuò)誤的。因此，引入Markov模型減少此類錯(cuò)誤的發(fā)生率。個(gè)體的運(yùn)動(dòng)過(guò)程可被視作一種Markov過(guò)程，通常，每一個(gè)動(dòng)作的下一個(gè)動(dòng)作均能夠預(yù)測(cè)。例如個(gè)體在進(jìn)行上樓梯運(yùn)動(dòng)之時(shí)，其下一個(gè)動(dòng)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(gè)體的日常行為規(guī)律進(jìn)行狀態(tài)轉(zhuǎn)移矩陣的建立，之后運(yùn)用HMM模型平滑輸出，排除不合理的狀態(tài)，以此有效提高個(gè)體運(yùn)動(dòng)準(zhǔn)確度。

　　5結(jié)語(yǔ)

　　文章提出一種可穿戴設(shè)備系統(tǒng)，該系統(tǒng)基于三軸加速度傳感器，可對(duì)個(gè)體運(yùn)用產(chǎn)生的樣本數(shù)據(jù)進(jìn)行收集，之后提取時(shí)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(jù)個(gè)體現(xiàn)有的實(shí)時(shí)數(shù)據(jù)對(duì)其當(dāng)前的行為狀態(tài)進(jìn)行推斷，同時(shí)，統(tǒng)計(jì)分析其歷史行為。在進(jìn)行數(shù)據(jù)處理之時(shí)，文章先執(zhí)行對(duì)數(shù)據(jù)的腳步定位與特征值抽取操作，采用手機(jī)朝向無(wú)關(guān)算法確定水平與垂直方向上的加速度。在進(jìn)行最大值與最小值的計(jì)算之時(shí)，采用以個(gè)體腳步為單位的平均最大值與平均最小值，并對(duì)處理領(lǐng)域進(jìn)行相應(yīng)拓展，使其涵蓋頻域范圍，獲得最大的頻域點(diǎn)，它們包括運(yùn)動(dòng)產(chǎn)生的重要頻率信息。接下來(lái)，采用主成分分析法明確對(duì)結(jié)果有最大貢獻(xiàn)的主要特征屬性，分析怎樣利用這些特征點(diǎn)及樣本進(jìn)行識(shí)別模型的訓(xùn)練。Markov模型有利于識(shí)別精度的增加。

　　傳感器論文投稿刊物：《儀表技術(shù)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(guó)儀器儀表行業(yè)最具影響力的期刊之一。主要報(bào)導(dǎo)儀器儀表、敏感元件及傳感器、電子元器件、檢測(cè)設(shè)備、自動(dòng)化控制系統(tǒng)以及相關(guān)的工藝技術(shù)、應(yīng)用技術(shù)等。

轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/22000.html