一种与加速度传感器的放置方式和位置无关的运动识别方法

摘要

本发明公开了一种与加速度传感器的放置方式和位置无关的运动识别方法。该方法的特征提取过程包括：（1）采用PCA算法从原始信号中抽取主要成分，得到与加速度传感器的放置方式和位置无关的时序信号；（2）对时序信号进行离散化处理，得到离散序列；（3）利用滑动窗口模型将离散序列划分为若干个分段序列；（4）将每个分段序列转换为符号序列作为模式词汇；（5）统计各模式词汇的词频，按词频从高到低排序，取前K个模式词汇作为模式特征词汇。本发明的运动识别方法，利用加速度信号本身变化的特点，找出加速度信号变化中不随传感设备放置方式和位置变化而改变的部分，从而解决非固定加速度传感器位置下的运动识别问题。

说明书

技术领域

本发明涉及运动识别领域，尤其涉及一种与加速度传感器的放置方式和位置无关的运动识别方法。

背景技术

近年来，随着微型机电系统（Micro Electro Mechanical System，MEMS）技术的发展，加速度传感器的微型化、智能化，基于加速度传感器对人体运动如走路、跑步、站立等基本动作的识别越来越受到重视。同时，目前许多智能手持设备如智能手机、智能平板等都集成了加速度传感器。由于智能手持设备总是被用户随身携带，且计算能力越来越强，因此利用智能手持设备中内置加速度传感器对人体运动进行识别变得可行并在交互游戏、健康监护等领域有广泛的应用。

基于加速度传感器的运动识别方法主要包括原始信号采集、特征抽取、模型建立和活动识别四个过程。采集到的原始信号为三维的加速度信号，通过特征抽取过程抽取运动的特征，根据运动的特征建立模型，用于进行后续的运动识别过程。现有的特征抽取过程主要是抽取均值、方差、最大值、最小值等统计特征和频域熵、能量等频域特征。由于装备加速度传感器的设备如智能手机的放置方式及放置位置不同，其中放置方式指智能手机的手机屏幕朝向或背向人体，智能手机正放或者倒着放置等多种不同的放置方式，放置位置指的是智能手机放置在胸口，裤子口袋等不同的放置位置，不同放置方式或放置位置下的加速度传感器在同一运动下的活动变化不同，提取的特征在分布上差异很大，因此，现有的利用加速度传感器进行人体运动识别的方法要求加速度传感器必须以特定的方式固定在人体特定的位置，当不按照指定方式佩戴传感设备时会极大地影响识别的准确率。另一方面，加速度传感器在使用过程中很容易发生平移或旋转，偏离预定位置，导致识别性能下降。智能手持设备在用户运动过程中的放置方式和位置一般无法固定，用户对智能手持设备的放置方式和位置的自由度很高，该现象在使用智能手持设备如智能手机的情况下尤其严重。

发明内容

针对现有技术的不足，本发明提供了一种与加速度传感器的放置方式和位置无关的运动识别方法。

一种与加速度传感器的放置方式和位置无关的运动识别方法，包括：原始信号采集过程、特征抽取过程、模型建立过程和运动识别过程，所述的特征抽取包括以下步骤：

（1）采用PCA算法从原始信号中抽取主要成分，得到与加速度传感器的放置方式和位置无关的时序信号；

（2）对所述的时序信号进行离散化处理，得到离散序列；

（3）利用滑动窗口模型将所述的离散序列划分为若干个分段序列；

（4）将每个分段序列转换为符号序列作为模式词汇；

（5）统计各模式词汇的词频，并按词频从高到低排序，取前K个模式词汇作为模式特征词汇。

本发明利用加速度信号本身变化的特点，通过PCA算法（即主成分分析，Principal Component Analysis，PCA）将原始的三维的加速度信号降阶得到一维的时序信号，成功的从原始信号（原始的三维加速度信号）中提取出与加速度传感器的放置方式和位置无关的部分，进一步对该部分进行分段编码得到若干个模式词汇，并从中提取得到一定数量的模式特征词汇。单个运动的模式特征词汇个数K的取值可变，根据实际情况设定。

所述步骤（2）的离散化处理包括以下步骤：

（2-1）对所述的时序信号进行归一化处理，得到标准序列；

（2-2）根据公式：

$>{\bar{t}}_i=\frac{w}{n}\underset{j=\frac{n}{w}(i-1)+1}{\overset{\frac{n}{w}i}{\Sigma }}{T}_j(i=1,...,w)$>

对所述的标准序列进行离散化处理，得到离散序列，其中n为标准序列的长度，T_j为标准序列中的第j个元素，w为离散序列的长度，为离散序列中的第i个元素。

对时序信号进行归一化处理，将时序信号转化为均值为0，标准差为1的标准序列，并进一步进行离散化处理，在保留数据局部信息的同时有较高的压缩率，对噪声有较高的承受能力，既实现了消除噪声，又实现了数据平滑处理。

作为优选，所述步骤（3）中滑动窗口模型的步进长度为1。

所述步骤（4）依据概率模型依次对每个分段序列中的所有元素进行N状态编码，得到符号序列。

所述的N状态编码包括以下步骤：

（4-1）根据高斯分布函数将所述的分段序列的取值区间划分为N个等概率区间；

（4-2）将所述的N个等概率区间从小到大依次采用不同的字符进行编号；

（4-3）依次判断离散序列中各元素所属的等概率区间，以相应等概率区间的编号作为该元素的N状态编码结果；

（4-4）将离散序列中所有元素的编码结果依次组合得到符号序列。

利用滑动窗口模型将时序信号分为若干个分段时序后再进行编码，且设定窗口滑动的步进长度设为1，能够提高N状态编码的精确度，从而使得到的符号序列更符合对应的运动模式。其中，滑动窗口模型的窗口的大小根据实际情况设定。

所述的模型建立过程包括以下步骤：

S1：通过信号采集过程采集所有运动的原始信号，通过步骤（1）～（5）分别对各原始信号提取模式特征词汇；

S2：根据模式特征词汇的词频采用tf-idf算法分别计算各模式特征词汇在原始信号中的权重，并将所述的权重组合得到模式特征向量；

S3：根据所述的模式特征向量，采用机器学习方法建立识别模型。

作为优选，所述的机器学习方法为SVM法。

基于一系列正确标注运动类型的模式特征向量，采用机器学习技术如SVM法训练分类器（SVM即支持向量机，Support Vector Machine），建立识别模型。再利用该识别模型去识别原始信号，实现运动识别。SVM基于严谨的数学推理，提供了一种避开高维空间复杂性的决策方法，并且具有较好的“鲁棒性”。

本发明提供的与加速度传感器的放置方式和位置无关的运动识别方法，利用加速度信号本身变化的特点，找出加速度信号变化中不随传感设备放置方式和位置变化而改变的部分，从而解决非固定加速度传感器位置下的运动识别问题。本发明的运动识别方法中加速度传感器可以按照任意的放置方式或位置设置于的移动设备中，且在运动识别过程中，该移动设备发生偏移或平移，仍然能够准确的完成运动识别。

附图说明

图1为本发明的运动识别方法的流程图；

图2为PCA算法的流程图；

图3为时序信号的离散化处理的流程图；

图4N状态编码即模式特征词汇抽取。

具体实施方式

下面将结合附图和具体实施例对本发明做进一步说明。

本实施例的与加速度传感器的放置方式和位置无关的运动识别方法，如图1所示，包括：

原始信号采集过程，通过加速度传感器采集所有运动的加速度信号作为原始信号；

特征抽取，包括以下步骤：

（1）采用PCA算法从原始信号中抽取主要成分，得到与加速度传感器的放置方式和位置为无关的时序信号T，如图2所示，具体过程如下：

（1-1）对原始信号进行归一化处理，在各维度上均变成均值为0，标准差为1的标准序列(X,Y,Z)，该序列包括标准序列X、标准序列Y和标准序列Z，各序列的长度相同，

（1-2）计算标准序列的协方差矩阵，即：

$>C=\left(\begin{array}{ccc}\mathrm{cov}(X,X)& \mathrm{cov}(X,Y)& \mathrm{cov}(X,Z)\\ \mathrm{cov}(Y,X)& \mathrm{cov}(Y,Y)& \mathrm{cov}(Y,Z)\\ \mathrm{cov}(Z,X)& \mathrm{cov}(Z,Y)& \mathrm{cov}(Z,Z)\end{array}\right)---\left(1\right)$>

其中协方差根据公式：

cov(X_i,X_j)＝E[(X_i-μ_i)(X_j-μ_j)]      （2）

计算，cov(X_i,X_j)表示序列X_i和序列X_j的协方差，μ_i，μ_j分别为序列X_i，X_j的均值，

（1-3）求解协方差矩阵C的特征值和特征向量，取最大特征值对应的特征向量，记为w^T，

（1-4）根据公式：

t_i＝(x_i,y_i,z_i)×w^T(i＝1,...,n)      （3）

将标准序列(X,Y,Z)转换为与加速度传感器的放置方式和位置无关的一维的时序信号T，t_i为时序信号T中的第i个元素，n为标准序列(X,Y,Z)的长度，x_i,y_i,z_i分别表示准序列X、标准序列Y和标准序列Z中的第i个元素。本实施例中在加速度采样频率为25Hz的情况下n=150；

（2）对时序信号T进行离散化处理，得到离散序列，如图3所示，具体包括以下步骤：

（2-1）对时序信号T进行归一化处理，得到均值为0，标准差为1的标准序列T`，

（2-2）根据公式：

$>{\bar{t}}_i=\frac{w}{n}\underset{j=\frac{n}{w}(i-1)+1}{\overset{\frac{n}{w}i}{\Sigma }}{T}_j(i=1,...,w)---\left(4\right)$>

对标准序列T`进行离散化处理，得到离散序列，其中T<sub>j</sub>为标准序列T`中的第j个元素，w（本实施例中w=12）为离散序列的长度，为离散序列中的第i个元素；

（3）采用步进长度1，窗口大小为m的滑动窗口模型将离散序列划分为若干个分段序列，本实施例中m=40；

（4）运用统计规律将所述的分段序列转换为符号序列，如图4所示，具体包括以下步骤：

（4-1）根据高斯分布函数将各分段序列的取值区间划分为N个等概率区间（本实施例中N=3），

（4-2）将N个等概率区间从小到大依次采用不同的字符进行编号，

（4-3）依次判断离散序列中各元素所属的等概率区间，以相应等概率区间的编号作为该元素的N状态编码结果，

（4-4）将离散序列中所有元素的编码结果依次组合得到与分段序列的对应的符号序列，一个符号序列即为一个模式词汇，将一个运动对应的所有符号的集合即为该运动的所有模式词汇；

（5）统计各模式词汇的词频，并按词频从高到低排序，取前K个词汇作为该运动的模式特征词汇，本实施例中K=10；

模型建立过程，包括：

S1：通过信号采集过程采集所有运动的原始信号，通过步骤（1）～（5）分别对各原始信号提取模式特征词汇；

S2：根据模式特征词汇的词频采用tf-idf算法分别计算各模式特征词汇在原始信号中的权重，并将所述的权重组合得到模式特征向量，具体方法如下：

以所有运动的模式特征词汇为坐标轴，构建向量空间模型，

以所有运动的模式特征词汇在原始信号中的权重为坐标，将每个运动表示为该向量空间中的一个点，并用向量D＝(d₁,d₂,…,d_k)表示该点，该向量即为相应运动的模式特征向量，其中d_i为特征词汇i在原始信号中的权重，k所有运动的总模式特征词汇的总数量（相同的模式特征词汇不重复计数，一般k≥K）。

根据tf-idf公式：

$>d_i={\mathrm{tf}}_i\times {\mathrm{idf}}_i={\mathrm{tf}}_i\times \log \left(\frac{P}{{\mathrm{df}}_i+1}\right)---\left(5\right)$>

计算得到，其中tf_i表示特征词汇i的词频，P表示原始信号的数目，df_i表示出现过特征词汇i的原始信号数目。根据模式特征词汇的词频采用tf-idf算法分别计算各模式特征词汇在原始信号中的权重，并将权重组合得到各运动的模式特征向量；

S3：基于所有运动的模式特征向量，采用SVM法训练分类器，得到识别模型。

运动识别过程，包括以下步骤：

采集待识别运动的原始信号，通过步骤（1）～（5）从原始信号中提取得到待识别运动的模式特征词汇，

将待识别运动的模式特征词汇投射到向量空间，得到待识别运动的模式特征向量，

根据识别模型判定待识别运动的种类，完成对待识别运动的运动识别。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。