基于三维加速度传感器的人体行为识别

摘要

基于加速度传感器的人体行为识别是人体行为识别领域中一个新兴的研究方向，相比于基于视觉的人体行为识别方法具有抗外界干扰能力强、携带方便、数据获取方式自由等优点。本文围绕加速度传感器信号的去噪方法、特征提取方法和分类识别方法这三方面展开了一系列的研究，主要工作包括:
　　1、针对小波去噪方法中传统的硬阈值法和软阈值法的不足，本文提出了一种新的阈值函数，克服了硬阈值法的振荡和软阈值法的固定衰减问题，通过仿真比较说明，本文提出的方法相比较于硬阈值和软阈值法能更有效地滤除加速度传感器信号中的噪声。
　　2、提出了一种基于标准差、偏度、峰度和相关系数的五种走路模式（站立、走路、跑步、上楼和下楼）的识别算法。实验结果表明，本文提出的特征提取方法能有效的区分站立、走路、跑步、上楼和下楼这五种不同的走路模式，用SVM进行分类时，五种动作的平均识别率达到了98％。
　　3、针对三种相似的走路模式难以区分的问题，提出了基于小波能量和四分位间距的走路模式识别算法，细分了三种走路模式:正常走、慢走和快走。实验结果表明，本文提出的特征提取方法能达到100％的平均识别率，比传统的FFT系数提高了6.667％的识别率，从而显示出本文提出的特征提取方法的有效性。
　　4、初步研究了基于三维加速度传感器的步态识别，提出了一种基于多种时域特征和时频特征的步态识别算法。通过SVM分类器进行分类识别，识别的正确率为95.7134％，说明了基于加速度传感器的步态识别是可行的，也是有效的。
　　5、针对传统的支持向量机参数选择方法的不足，采用粒子群算法优化支持向量机，通过实验对比说明了粒子群优化支持向量机相比于传统参数选择方法的优越性。
　　总而言之，基于加速度传感器的人体行为识别是人体行为识别领域一个重要的研究方向，该课题的研究具有很大的理论价值和实际意义，值得人们进行细致、深入的研究。

目录

声明

摘要

第1章 绪论

1．1 课题背景和意义

1．2 本文研究的问题

1．3 本文的研究内容与章节安排

第2章 人体行为识别研究现状

2．1 人体行为识别各模块介绍

2．1．1 数据采集模块

2．1．2 预处理模块

2．1．3 特征提取和选择模块

2．1．4 分类器

2．2 人体行为识别的现状和难点

2．3 本章小结

第3章 基于小波分析的加速度信号去噪方法研究

3．1 小波分析的理论基础

3．1．1 连续小波变换

3．1．2 离散小波变换

3．1．3 常用小波函数介绍

3．2 小波阈值去噪

3．3 改进阈值的小波去噪方法

3．3．1 改进的阈值函数

3．3．2 阈值的估计

3．3．3 仿真实验结果及分析

3．4 本章小结

第4章 基于加速度传感器的人体行为识别

4．1 加速度传感器信号的获取

4．2 五种步态模式的识别

4．2．1 信号预处理

4．2．2 特征的选择

4．2．3 分类识别

4．2．4 实验结果

4．3 三种步态模式的分类

4．3．1 特征的选择

4．3．2 分类识别

4．4 基于加速度传感器的步态识别

4．4．1 步态识别

4．4．2 特征的选择

4．4．3 分类识别

4．5 本章小结

第5章 粒子群优化的支持向量机分类器研究

5．1 支持向量机

5．1．1 VC维和结构风险最小化原则

5．1．2 线性支持向量机

5．1．3 非线性支持向量机

5．2 粒子群优化算法

5．2．1 粒子群算法的概述

5．2．2 粒子群算法的原理

5．2．3 粒子群算法的改进

5．3 粒子群优化支持向量机参数的选择方法

5．3．1 网格搜索的支持向量机参数选择方法

5．3．2 粒子群优化的支持向量机参数选择方法

5．4 仿真分析

5．5 本章小结

第6章 总结与展望

参考文献

致谢

攻读学位期间参加的科研项目和成果