基于智能手机持握方式的行人运动状态识别方法

摘要

本发明提供一种基于智能手机持握方式的行人运动状态识别方法，包括离线训练步骤：对手机持握方式进行分类，针对每一种持握方式采集不同运动状态的加速度传感器数据并提取运动特征训练运动状态分类器；在线识别阶段步骤：先识别出当前的手机握持方式，再根据手机持握方式采集当前手机加速度传感器数据并提取运动特征识别出的运动状态。由于手机的不同握持方式下，获取到的加速度传感器数据不同，提取出的运动特征也不同，所以本发明提出先确定手机的握持方式，再在该握持方式下进行运动识别能极大提高识别准确性。

说明书

技术领域

本发明涉及运动识别领域，尤其涉及一种基于多传感器数据的运动识别方法。

背景技术

近年来，随着微型机电系统(MicroElectroMechanicalSystem，MEMS)技术的发展和传 感器的微型化、智能化，基于传感器对行人活动状态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、智能平板等都内置了多种传感器。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传感器对行人活动状态进 行识别变得可行并在交互游戏、健康监护等许多领域有广泛的应用。

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。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，现有的运动识别 方式都只是识别出用户的大概行为，并没有更加具体的确定用户行为，例如一些算法可以确 定用户处于行走状态，计算用户运动信息，如行走步数、行走距离。

发明内容

本发明所要解决的技术问题是，提供一种更精确的，基于智能手机多传感器数据的的识 别行人运动状态识别方法。

本发明为解决上述技术问题所采用的技术方案是，基于智能手机持握方式的行人运动状 态识别方法，包括以下步骤：

离线训练步骤：对手机握持方式进行分类，针对每一种握持方式采集不同运动状态的加 速度传感器数据并提取运动特征训练运动状态分类器；所述运动状态包括静止、常速行走、 快速行走、跑步；

在线识别阶段步骤：先识别出当前的手机握持方式，再采集当前手机加速度传感器数据 并提取运动特征，将提取的运动特征输入当前的手机握持方式对应的运动状态分类器，运动 状态分类器的输出结果为当前识别出的运动状态。

由于手机的不同握持方式下，获取到的加速度传感器数据不同，提取出的运动特征也不 同，所以本发明提出先确定手机的握持方式，再在该握持方式下进行运动识别能极大提高识 别准确性。

具体的，依据相同运动状态下加速度传感器数据的区别将手机握持方式分为近身握持、 胸前握持、两臂摆动；

手机握持方式通过近程传感器识别，当近程传感器的采样数值一个识别周期内均小于近 身阈值则识别出当前的手机握持方式为近身握持，当一个识别周期内均大于近身阈值则识别 出当前的手机握持方式为近身握持，当一个识别周期内交替出现小于近身阈值与大于近身阈 值的情况则识别出当前的手机握持方式为两臂摆动；

在离线训练步骤时，针对近身握持与两臂摆动的手机握持方式，仅采集对应手机握持方 式下不同运动状态的加速度传感器的x轴加速度数据；针对胸前握持的手机握持方式，仅采 集胸前握持下不同运动状态的加速度传感器的z轴加速度数据；

在线识别阶段步骤中，当识别出的手机握持方式为近身握持或两臂摆动时，仅采集当前 手机加速度传感器中x轴加速度数据，当识别出的手机握持方式为胸前握持时，仅采集当前 手机加速度传感器中z轴加速度数据。

本发明的有益效果是，克服了现有行人运动状态识别方法必须将传感器固定在人体特定 位置的缺点，提高在不同握持条件下，识别行人不同运动状态的精度。

附图说明

图1为实施例握持方式识别流程图；

图2为实施例水平方向运动识别流程图。

具体实施方式

根据发明人实验发现，在近身握持、胸前握持、两臂摆动这三种方式的基础上对近身握 持、胸前握持再进行细分能进一步提高运动状态的识别精度。因此，实施例中对近身握持进 一步分为打电话、口袋或包里、贴近身体一侧静止，胸前握持进一步分为操作手机、看手机。 总共6种手机持握方式：打电话、口袋或包里、贴近身体一侧静止、操作手机、看手机、两 臂摆动。当前本领域技术人员还可以根据其他需求对手机持握方式进行其他的划分。

实施例的7中手机握持方式识别流程如图1所示：

1)采集光照传感器、近程传感器、加速度传感器数据。设置设备光照传感器、近程传感 器的采样率为每200ms一次(5Hz)，加速度传感器的采样率为每20ms一次(50Hz)。设置近程 传感器阈值为5，当获取到近程传感器小于5时，表明贴近身体，反之远离身体；设置光照 传感器阈值为2，当获取到传感器值小于2时，表明此时弱光至无光，反之有光；设置加速 度传感器阈值为5，当加速度传感器值小于5时，认为基本静止。

2)监听智能手机系统状态变化，获取与握持方式相关的系统状态量，即获取系统触屏及 通话状态(该方法通过调用系统函数onCallStateChanged()获取系统通话状态，调用系统函数 onTouchEvent()获取系统触屏状态)。系统通话状态分为：来电、接听及挂断；系统触屏状态 为触摸、未触摸。

3)结合1)和2)两步信息，进行用户当前对手机的握持方式的判别，首先使用近程传 感器数据将状态划分为三个大类，分别是：靠近身体、远离身体、时远时近。在1个识别周 期内近程传感器数据小于5时，划分为靠近身体；大于5时，划分为远离身体；1个识别周 期内近程传感器数据小于5与大于5的情况交替，远近交替，表示用户行走时两臂自然摆动， 则识别当前手机持握方式为两臂摆动；

靠近身体类中，结合手机通话状态、光传感器及加速度传感器信息，可判断3种状态： 当系统状态为通话时且光照为无光(光照传感器值＝0)或弱光，判别为打电话；当光照传感 器数值小于等于2时，判别为在口袋或包里；当最近两次加速度值只差的绝对值abs (lastAcc-currentACC)小于5时，可判别为手机在身体一侧静止。远离身体类中，通过结合 加速度传感器及触屏状态可判断2种状态：当触屏状态为接触屏幕时，判别为用户操作手机； 当加速度z轴数值Acc_Z大于5时，判别为用户在看手机，远离身体类的2种状态均属于胸 前握持。

实施例基于手机持握方式的行人运动状态识别方法如图2所示：

一、离线训练阶段：

a)根据握持方式，采集不同握持方式下不同运动状态的相应轴向的加速度传感器数据， 设置加速度传感器采样率为50Hz。其中：打电话、口袋或包里、贴近身体一侧静止、两臂摆 动选取x轴加速度，操作手机、看手机选取z轴加速度。的水平方向用户运动包括静止、慢 速行走、常速行走、快速行走、跑步。

b)确定握持方式后，对加速度数据进行多尺度离散小波变换。对原始加速度数据进行层 数n为3的小波变换，得到各层级中高频的部分和低频的部分 其中i∈n表示第i层的高频信号，i∈n代表第i层的低频信号； 此时将分解得到的信号取最后一层的低频部分和每一层的高频部分组成初特征矩阵 A，$A=\left(\begin{array}{cccc}{c}_k^3,& d_k^1,& d_k^2,& d_k^3\end{array}\right).$

c)使用奇异值分解的方法对初特征矩阵进行降维，由于任意A可通过表示为如下公式： A＝UΣV^T

其中Σ为奇异值矩阵，U为左奇异向量，V为右奇异向量，奇异值分解可分两步：

i.将A^TA矩阵进行正交对角化。即求矩阵A^TA的特征值机器对应的特征向量的标准正交 集。

ii.计算V和Σ。将A^TA的特征值计算算术平方根后降序排列，并将其组成奇异值矩阵Σ， Σ中对角线上的元素为降序排列的奇异值，其余值均为0。

使用这些降序排列的奇异值作为最终的加速度曲线特征值。

d)使用机器学习的方法对不同运动状态下的特征值进行分类。对不同握持方式下的加速 度数据进行训练，得到不同握持方式下对应的运动识别模型。

实施例方法使用基于径向基核函数的支持向量机。由于支持向量机解决的是二分类问题， 使用one-against-one的方法进行多分类。如果有k个类，训练阶段进行两两组合的训练即 k×(k-1)/2次训练，最终得到k×(k-1)/2个分类模型。测试阶段采用投票的方式。首先对每一类 得票数初始为0；分别对测试数据使用训练得到的k×(k-1)/2个分类模型进行分类，如果分类 结果为第i类，则第i类得票数加一，以此类推；最后选择得票最多的那个结果。对于分类问 题，为得到较好的泛化能力及非线性分类效果，该方法使用基于径向基的软间隔支持向量机， 即为解决以下问题：

$\underset{w,b,\zeta }{\min }\frac{1}{2}{w}^{T}w+c\underset{n=1}{\overset{N}{\Sigma }}{\zeta }_n$

使得y_n(w^Tx_n+b)≥1-ζ_n，其中n＝1，2，...，N；ζ_n≥0

其中w^Tx_n+b为分类超平面、x_n为训练样本、y_n为类标签、w为垂直于分类超平面的向 量、b为偏转，C为惩罚系数、ζ_n为松弛变量、N为样本数，该函数可通过下式求得，

$w^T{x}_n+b={\Sigma }_{n=1}^N{a}_i{y}_{i}K(x_i,x)+b$

其中K(x_i，x)即为核函数，x_i为第i个训练样本，x为测试数据，α_i为拉格朗日系数。

$K(x_i,x)=e^{-\gamma \left|\right|x-x_i|{|}^2}$

其中γ为核函数参数，最终得到包含分类超平面模型参数的分类模型文件。

上述的多尺度离散小波变换、奇异值分解为从传感器数据中提取特征值的一种现有方法。 上述基于径向基的软间隔支持向量机是现有的分类训练法。本领域技术人员可以根据本发明 思路选择其他的特征提取方法与分类训练方法。

二、在线识别阶段

a)确定的握持方式，根据握持方式采集相应轴向的加速度传感器数据；

b)对加速度数据进行多尺度小波变换；

c)使用奇异值分解的方法，对初提取出的时频特征进行降维，得到低维运动特征；

d)使用离线训练阶段得到的对应当前握持方式下的运动状态分类模型进行分类，判断出 当前运动状态。

通过对各个不同行为更加具体的判断有助于更加精确的记录用户运动信息，判断用户行 走步数、行走距离。

通过验证实施例方法可高精度地区分在不同握持方式下的水平方向用户运动：静止、慢 速行走、常速行走、快速行走、跑步。

另外，利用气压传感器、气压与海拔转换关系可以计算海拔高度变化，确定用户的上下 楼行为。通过加速度传感器与磁场传感器可以判断出用户是否发生了转向行为。