基于时频域特征的人员连续动作分段识别

摘要

基于惯性传感器的步态识别研究是人工智能应用到实际生活的典型范例,近几年取得满意的成就。针对日常生活中连续动作类型的信号,对其进行精确分割和识别的效果仍略有不足;这些研究局限于传感器信号的时域特征和一些简单的频域特征,且没有对不同动静状态的动作进行分类。将人类常见6种连续行为分为3类动态动作和3类静态动作,并对其进行分割和识别。使用滤波器去除原始信号噪声干扰。通过滑动窗口分割法进行分割,对每一个窗口片段提取常用传统特征和梅尔倒谱系数,以及倒谱系数的一二阶delta导数等频域特征。将6类动作的不同特征进行多种组合,使用分类器识别不同动作,将不同特征组合的识别结果进行比较。该模型在UCI公开数据集随机抽取了5组测试样本,整体分割识别准确率最高达到98.19%。