基于加速度傳感器的人體行為特征提取及識(shí)別

基于加速度傳感器的人體行為特征提取及識(shí)別

1人體行為識(shí)別人體行為的識(shí)別是智能家庭最重要的研究方向。這是改善人們?nèi)粘Ｉ畹闹匾夹g(shù)。人體行為的識(shí)別主要分為兩個(gè)方向：基于視覺(jué)的視覺(jué)和傳感器的行為識(shí)別方法和基于三維加速度傳感器的行為識(shí)別方法。后者是人類行為識(shí)別研究的一個(gè)新興分支。與以往基于視覺(jué)的人類行為識(shí)別相比，它具有更自由的運(yùn)動(dòng)數(shù)據(jù)和更人性化的優(yōu)點(diǎn)。人體行為識(shí)別可以認(rèn)為是時(shí)變數(shù)據(jù)的分類問(wèn)題,行為識(shí)別的方法可以分為基于模板匹配、統(tǒng)計(jì)模式識(shí)別和基于語(yǔ)義描述這三種.基于模板匹配的方法是人體行為識(shí)別的早期方法,在沒(méi)有大量樣本進(jìn)行訓(xùn)練的時(shí)候是個(gè)不錯(cuò)的選擇,動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)是模板匹配方法中常用的技術(shù),文獻(xiàn)將DTW算法用于步態(tài)識(shí)別.相比較于模板匹配算法,統(tǒng)計(jì)模式識(shí)別方法的識(shí)別精度更高,基于加速度傳感器的人體行為識(shí)別通常使用統(tǒng)計(jì)模式識(shí)別方法,常用的統(tǒng)計(jì)識(shí)別方法有決策樹(shù)、K近鄰、貝葉斯、SVM、神經(jīng)網(wǎng)絡(luò)和隱馬爾科夫模型(HMM)等,文獻(xiàn)使用隱馬爾科夫模型進(jìn)行長(zhǎng)期行為識(shí)別,文獻(xiàn)使用神經(jīng)網(wǎng)絡(luò)作為基于多維加速度傳感器行為識(shí)別的分類器,文獻(xiàn)使用SVM分類器來(lái)識(shí)別人體行為.隨著微機(jī)電系統(tǒng)的發(fā)展,加速度傳感器廣泛應(yīng)用于各個(gè)領(lǐng)域,包括手勢(shì)識(shí)別,跌倒監(jiān)測(cè)等,本文闡述的基于單個(gè)三維加速度傳感器的行為識(shí)別方法通過(guò)對(duì)三維加速度信號(hào)進(jìn)行處理及特征提取獲得特征矩陣,設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)分類器,有效地識(shí)別了站立、走、跑、上樓和下樓五種動(dòng)作.2原始加速度信號(hào)的預(yù)處理本文使用的加速度傳感器信號(hào)來(lái)自于一個(gè)公開(kāi)的人體日常行為數(shù)據(jù)庫(kù)USC-HAD(ADailyActivityDatasetforUbiquitousActivityRecognitionUsingWearableSensors),該數(shù)據(jù)庫(kù)包括14位不同采集者的12類動(dòng)作(包括本文需要的站立、走、跑、上樓和下樓五種動(dòng)作),對(duì)每種動(dòng)作,每位采集者都采集5次位于右前臀的傳感器數(shù)據(jù),共計(jì)840個(gè)樣本,本文選取了其中10位不同采集者的上述五類動(dòng)作的加速度數(shù)據(jù)作為原始加速度信號(hào).原始加速度信號(hào)不僅包含了各種動(dòng)作對(duì)應(yīng)的加速度信號(hào),還包含了各種噪聲,為了提高系統(tǒng)的識(shí)別效果,通常在原始加速度信號(hào)進(jìn)行特征提取前需要對(duì)其進(jìn)行預(yù)處理,預(yù)處理的方法通常有平滑、去噪、歸一化、加窗等.為了減少噪聲對(duì)行為識(shí)別的影響,考慮到人體運(yùn)動(dòng)頻帶寬度遠(yuǎn)小于加速度計(jì)的噪聲帶寬,本文選取了切比雪夫I型數(shù)字低通濾波器對(duì)原始加速度信號(hào)進(jìn)行了濾波處理,該濾波器的數(shù)學(xué)模型如下式所示:從圖1可以看出,該濾波器很好的濾除了高頻噪聲.為了便于特征提取,本文使用了加窗的方法分割原始加速度信號(hào),用一個(gè)窗口長(zhǎng)度為512個(gè)樣本點(diǎn)的矩形窗分割原始加速度信號(hào),相鄰的窗重疊半個(gè)窗長(zhǎng).經(jīng)過(guò)加窗后的單個(gè)加速度信號(hào)包含512個(gè)樣本,根據(jù)該加速度信號(hào)的采樣頻率為100Hz,加窗后的每個(gè)加速度信號(hào)的時(shí)間跨度為5.12秒,足以包含單個(gè)完整動(dòng)作.如果采用更短的矩形窗,則不能包含足夠的用于識(shí)別不同動(dòng)作的信息;而如果矩形窗的窗廠過(guò)長(zhǎng),那么對(duì)于實(shí)時(shí)系統(tǒng),就會(huì)出現(xiàn)嚴(yán)重的延遲現(xiàn)象.每個(gè)加速度信號(hào)包含了X軸、Y軸和Z軸這三軸的加速度信號(hào),分別代表了前后、左右和上下這三維的加速度信號(hào).圖2展示了通過(guò)加速度信號(hào)識(shí)別行為的基本過(guò)程,特征提取模塊處理一系列的加速度信號(hào)原始數(shù)據(jù)得到一個(gè)特征矩陣,分類器通過(guò)特征矩陣進(jìn)行訓(xùn)練以達(dá)到識(shí)別行為的目的,其輸出是待識(shí)別動(dòng)作中的一種.3加速度傳感器數(shù)據(jù)的標(biāo)準(zhǔn)差分析本文使用加窗的方法對(duì)行為進(jìn)行建模,使用重疊半個(gè)窗廠的矩形窗提取加速度傳感器信號(hào),在選取合適的窗廠后,通過(guò)對(duì)單個(gè)窗廠的加速度信號(hào)提取多種特征構(gòu)成特征向量來(lái)表征行為.下面介紹本文所使用的用來(lái)表征行為的特征集.1)標(biāo)準(zhǔn)差:標(biāo)準(zhǔn)差的定義如公式(1)所示:式中N為樣本數(shù),為樣本平均值,標(biāo)準(zhǔn)差是經(jīng)常被使用的統(tǒng)計(jì)特征之一.標(biāo)準(zhǔn)差反映了加速度傳感器數(shù)據(jù)的離散程度.由于人在靜態(tài)時(shí)加速度數(shù)據(jù)基本不變,標(biāo)準(zhǔn)差幾乎為零,而人運(yùn)動(dòng)時(shí)加速度數(shù)據(jù)不停的變化,標(biāo)準(zhǔn)差總是遠(yuǎn)大于零,因此標(biāo)準(zhǔn)差是識(shí)別靜態(tài)動(dòng)作與動(dòng)態(tài)動(dòng)作的重要特征.圖3充分說(shuō)明了標(biāo)準(zhǔn)差在區(qū)別動(dòng)態(tài)與靜態(tài)動(dòng)作時(shí)的顯著效果.2)偏度:偏度的定義如公式(2)所示:式中N為樣本數(shù),為樣本平均值,σ為樣本標(biāo)準(zhǔn)差.偏度是用來(lái)度量加速度傳感器數(shù)據(jù)分布偏斜方向和程度的統(tǒng)計(jì)特征,如圖3所示,X軸的偏度可以有效區(qū)分下樓與另外四種動(dòng)作.3)峰度:峰度的定義如公式(3)所示:式中為樣本平均值,N為樣本數(shù),σ為樣本標(biāo)準(zhǔn)差,fi為樣本間隔.峰度反映了加速度傳感器數(shù)據(jù)在數(shù)據(jù)曲線頂峰處的陡峭程度,是一個(gè)重要的統(tǒng)計(jì)特征.圖4顯示,Y軸的峰度能有效地區(qū)分跑步與另外四種動(dòng)作.4)相關(guān)系數(shù):相關(guān)系數(shù)的定義如公式(4)所示:式中和分別為兩個(gè)樣本的平均值,N為樣本數(shù).相關(guān)系數(shù)是衡量變量之間線性相關(guān)程度的指標(biāo),是一個(gè)常用的統(tǒng)計(jì)特征.由圖4可以看出,Y軸和Z軸的相關(guān)系數(shù)能有效地區(qū)分走路與上樓.4svm的主要思想支持向量機(jī)SVM(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì),并能夠推廣應(yīng)用到函數(shù)擬合等其它機(jī)器學(xué)習(xí)問(wèn)題中.它是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)分險(xiǎn)最小原理基礎(chǔ)上的,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷,以期獲得最好的推廣能力.SVM的主要思想可以概括為兩點(diǎn):1)SVM是針對(duì)線性可分情況進(jìn)行分析,對(duì)于線性不可分的情況,通過(guò)使用非線性映射算法將低維輸入空間特性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分,從而使得高維特征空間采用線性算法對(duì)樣本的非線性特征進(jìn)行線性分析成為可能;2)SVM基于結(jié)構(gòu)分險(xiǎn)最小化理論之上在特征空間中建構(gòu)最優(yōu)分割超平面,使得學(xué)習(xí)器得到全局最優(yōu)化,并且在整個(gè)樣本空間的期望風(fēng)險(xiǎn)以某個(gè)概率滿足一定上界.支持向量機(jī)的原理是將低維空間中的點(diǎn)映射到高維空間中,使它們成為線性可分,再使用線性劃分的原理來(lái)判斷分類邊界.BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最深入,應(yīng)用最廣泛的一種模型,由輸入層、隱層和輸出層節(jié)點(diǎn)組成,隱層可以是一層,也可以是多層,前層至后層節(jié)點(diǎn)之間通過(guò)權(quán)系數(shù)相聯(lián)結(jié).BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入—輸出模式映射關(guān)系,而無(wú)須事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程,它的學(xué)習(xí)規(guī)則是使用梯度下降法,通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閥值,使網(wǎng)絡(luò)的誤差平方和最小.本文分別使用了支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)這兩種分類器對(duì)提出的分類方法進(jìn)行了驗(yàn)證.其中BP神經(jīng)網(wǎng)絡(luò)選用了三層神經(jīng)網(wǎng)絡(luò),包含一個(gè)有12個(gè)節(jié)點(diǎn)的輸入層、一個(gè)有10個(gè)節(jié)點(diǎn)的隱層和一個(gè)只有一個(gè)節(jié)點(diǎn)的輸出層.5svm分類器實(shí)驗(yàn)和bp神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)分析本文選取了兩種不同的分類器進(jìn)行了實(shí)驗(yàn),首先隨機(jī)從數(shù)據(jù)庫(kù)中選取10個(gè)人的對(duì)應(yīng)5種動(dòng)作的加速度傳感器信號(hào)作為原始加速度傳感器信號(hào),對(duì)原始加速度信號(hào)進(jìn)行濾波處理后,通過(guò)加窗方法,用窗長(zhǎng)為512個(gè)樣本的矩形窗滑過(guò)每個(gè)加速度傳感器信號(hào)數(shù)據(jù),相鄰兩個(gè)窗重疊半個(gè)窗長(zhǎng),從每個(gè)加速度傳感器信號(hào)截取10個(gè)加速度傳感器數(shù)據(jù),每個(gè)加速度傳感器數(shù)據(jù)包含512個(gè)樣本,這樣就構(gòu)成了5×10×10總計(jì)500個(gè)加速度傳感器數(shù)據(jù),每種動(dòng)作分別100個(gè),然后用特征提取函數(shù)對(duì)這些數(shù)據(jù)進(jìn)行特征提取,每個(gè)數(shù)據(jù)都能提取出一個(gè)12維的特征向量,包括X、Y、Z軸數(shù)據(jù)的標(biāo)準(zhǔn)差、偏度、峰度和相關(guān)系數(shù),最終構(gòu)成了一個(gè)12×500的特征矩陣.選取每種動(dòng)作100個(gè)特征向量中的80個(gè)組成12×400的特征矩陣用來(lái)訓(xùn)練SVM分類器和BP神經(jīng)網(wǎng)絡(luò),剩余的12×100的特征矩陣(每種動(dòng)作20個(gè)特征向量)用來(lái)測(cè)試訓(xùn)練好的SVM分類器和BP神經(jīng)網(wǎng)絡(luò).圖5說(shuō)明了兩種分類器各自的實(shí)驗(yàn)結(jié)果,從圖中可以看出,使用SVM分類器的平均識(shí)別率達(dá)到了98%除了上樓和下樓的識(shí)別率為95%,另外三種動(dòng)作的識(shí)別率達(dá)到了100%,而使用BP神經(jīng)網(wǎng)絡(luò)的識(shí)別效果較差,平均識(shí)別率為93%,造成SVM分類器的效果比BP神經(jīng)網(wǎng)絡(luò)好的原因大致有兩個(gè):1)本文的訓(xùn)練樣本為400個(gè),每種動(dòng)作的訓(xùn)練樣本只有80個(gè),樣本數(shù)較少,SVM在小樣本識(shí)別中有獨(dú)特的優(yōu)勢(shì),而B(niǎo)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量的樣本,這是造成SVM識(shí)別效果較好的原因之一.2)BP神經(jīng)網(wǎng)絡(luò)本身存在一些不足:BP神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇沒(méi)有理論性的指導(dǎo),一般是根據(jù)經(jīng)驗(yàn)和反復(fù)實(shí)驗(yàn)確定,網(wǎng)絡(luò)存在很大的冗余性.此外,BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性.6s