基于慣性傳感器的運動識別系統(tǒng)畢業(yè)論文

1、 . . . 摘要基于慣性傳感器的運動識別系統(tǒng)是模式識別的一個新興領域，克服了傳統(tǒng)基于視頻的動作識別的諸多缺點和限制，具有更高的可操作性和實用性。所以本文首先著重介紹了如何利用慣性傳感器進行動作的分類，與其原理。在對運動進行識別的算法中，比較常用的算法有神經網(wǎng)絡、支持向量機、隱馬爾科夫模型等，這些算法不是很直觀，而且相對來說比較復雜，因此本文采用的是k-means均值聚類算法，本文的工作流程如下：首先通過握在被測實驗對象手中的慣性傳感器采集動作信息，然后通過無線傳輸模塊將數(shù)據(jù)傳輸?shù)?PC 機，進而對數(shù)據(jù)進行動作自動截取和動作特征提取，最后利用選定的識別算法對動作進行識別。在本文中，用于實現(xiàn)動作

2、識別的幾種動作為向上、向下、向左、向右和畫圈，隨后對該動作進行動作捕捉，并采用快速傅里葉變換（Fast Fourier Transform, FFT）進行特征提取，最后采用K-means均值聚類進行識別，識別率為69%。本文的重點在于數(shù)據(jù)的特征提取，與慣性傳感器的運動識別，分別用到了快速傅里葉變換，與K-mean均值聚類兩種算法。關鍵詞：慣性傳感器，K-means均值聚類, FFTABSTRACTInertial sensor based motion recognition system is an emerging field. It overcomes the disadvantage

3、of traditional video based gesture recognition, and has higher maneuverability and practicability. So this article introduces how to classify motions with inertial sensor, and its working principle.The most common algorithm for motion recognition is Neural Networks (NN), support vector machine (SVM)

4、, hidden Markov models (HMM), etc. These algorithms are not so intuitive and relatively complex in algorithm. So this paper adopts k-means clustering for inertial sensor based motion recognition. The workflow is as flows: first of all, the inertial sensor fixed in subjects hand is used to collect mo

5、tion information; and then, the data is transmitted to PC by wireless transmission module, followed by data preprocessing, feature extraction and selection. Finally, the motion is recognized by k-means clustering，This paper exploits the inertial sensors for the recognition of the following motions:

6、up, down, left, right and the circle. The algorithm used for feature selection is Fast Fourier Transform (FFT), and the algorithm for recognition is K-means clustering.So this article is focused on feature extraction, and motion recognition. The corresponding algorithms are fast Fourier transform, a

7、nd K-means clustering algorithm.KEY WORDS：Inertial sensors, K-means clustering, FFT目錄第一章前言41.1研究的背景和意義41.2基于慣性傳感器的運動識別國外現(xiàn)狀51.3傳感器的分類61.4本文的組織結構10第二章數(shù)據(jù)采集和特征提取算法122.1 慣性傳感器的結構122.2 數(shù)據(jù)采集122.3 數(shù)據(jù)的特征提取132.4 離散傅里葉變換(DFT)162.4.1 快速傅里葉變換(FFT)172.4.2快速傅里葉變換FFT 的應用182.4.3 算法基本原理19第三章基于慣性傳感器的運動識別213.1 運動識別主要算法

8、213.2K-means算法介紹223.3Kmeans 文本聚類算法優(yōu)化233.4 初始聚類中心的選擇243.5K一均值聚類算法的算法流程243.6 SOM算法介紹253.7 實驗容273.8 實驗結果30第四章結論34參考文獻34第一章 前言1.1研究的背景和意義 由于加速度現(xiàn)象在生活中無處不在，例如，刷牙、洗臉、走路、跑步等人體的日?；顒佣紩a生加速度。因此，在眾多的傳感器中，利用加速度傳感器測量的加速度信號來識別人的運動狀態(tài)（或活動）受到世界各地研究人員的廣泛重視。 所謂“加速度信號”是指人們在日常生活中由于身體運動產生的人體動作信號。通過對這種運動信號進行有效的處理，就可以判斷產生該信

9、號的是哪一種動作，從而判斷做出這種動作的人的意圖。基于加速度傳感器的人體運動模式識別除了應用于智能人機交互外，還可應用于智能監(jiān)控、健康監(jiān)控、基于手持設備的上下文感知與人體運動能量消耗評估等領域，有著非常廣闊的應用前景。 伴隨著微型機電系統(tǒng)(MEMS)技術的不斷發(fā)展與成熟，價格低廉、體積小、靈敏度高的 MEMS 加速度傳感器開始廣泛地應用于手機、筆記本、游戲機等嵌入式電子消費產品。2007 年蘋果公司的 iPhone 手機、任天堂的 Wii 游戲機火爆銷售一度轟動業(yè)界，這其中，加速度傳感器功不可沒，它所帶來的全新使用體驗以與獨特的人機交互方式不僅造就了產品本身的巨大成功，更是給日趨同質化的電子整

10、機市場注入了新鮮血液。同時，這種加速度傳感器可以精確的獲取手持嵌入式設備用戶的運動加速度信號，為基于加速度傳感器的人體運動模式識別提供了數(shù)據(jù)方便獲取的保障。 隨著人們對慣性傳感器研究的不斷深入，基于慣性傳感器的人體動作分析已然成為新的研究領域，受到國外研究者的廣泛關注，并進行了卓有成效的研究?；趹T性傳感器的人體運動分析與識別在以下方面有著重要意義： （1）游戲動畫與電影制作 通過采集人體的各種動作的相關數(shù)據(jù)，再通過相關軟件技術將這些數(shù)據(jù)加載到電腦動畫中，從而實現(xiàn)動畫制作和相關游戲開發(fā)。同時，基于慣性傳感器的動作分析與識別在電影制作中也有廣泛的應用，尤其很多電影中的一些高難度動作，根據(jù)人體動作

11、數(shù)據(jù)通過電腦技術制作出這些動作，效果也很好。 （2）體育競技 人體動作分析與識別在體育相關領域應用也相當廣泛，特別是在我們這樣的體育強國中。通過對各種運動中動作的研究，把采集到的相關動作數(shù)據(jù)加以科學的分析和利用，不僅能夠對運動員的訓練水平和技術動作產生促進作用，有效減小運動傷害，而且對運動員損傷的治療也有一定的幫助。如在國家舉重隊，利用高速攝像機采集舉重運動員的動作信息，通過SIMI等動作分析軟件或慣性傳感器動作捕捉配套軟件研究他們的動作，從而對運動員動作做出科學有效的改進。 （3）臨床應用 臨床應用主要體現(xiàn)在醫(yī)療保健和康復訓練兩個方面2。隨著生活質量的提高，人們越來越關注醫(yī)療保健。通過長時間

12、采集記錄人的運動數(shù)據(jù)，分析人體運動規(guī)律和能量消耗等指標，從而為人們提供健康方案。同時，人體運動分析在康復訓練方面也有廣泛應用。通常，手術后的肢體康復訓練對醫(yī)療效果影響很大，醫(yī)生通過分析人體運動，對正在進行康復訓練的病人的動作情況、訓練時間和強度等進行分析，隨時了解他們的恢復情況，與時對康復方案進行改進。另外，通過佩戴在老年人身上的慣性傳感器可以識別他們的動作，對跌倒等突發(fā)性事件作出反應，與時發(fā)出信號求助。 1.2基于慣性傳感器的運動識別國外現(xiàn)狀慣性傳感器采集到的信號除了人們想要的動作信息外，還包含有噪聲。所以首先要對采集的信息進行預處理，之后才能進行下一步工作。在基于慣性傳感器的動作識別中，預

13、處理一般有重采樣、加窗、濾波、歸一化等。Khan A.M 等人12在其研究中，就利用3階滑動平均濾波器來對加速度信號進行噪聲濾除。而文獻13中對原始信號的處理采用了重采樣技術，達到了規(guī)整數(shù)據(jù)的目的。 近年來，在基于傳感器數(shù)據(jù)的動作識別中，特征提取方法主要有三種方法：時域分析法、頻域分析法和時頻分析法。常用的時域特征有：均值、方差或標準差、均方根、與時域積分等頻域特征主要有：FFT系數(shù)、能量、能譜密度、頻域熵等。此外還有時頻分析法，例如，Wang等人在其研究中就使用了小波分解來提取他們需要的特征。隨著人體動作識別研究的不斷深入，也出現(xiàn)了一些新的特征，例如，研究者就提取了四分位間距作為其識別的特征

14、，使用HMM分類時，提出了一種譜系數(shù)特征。 分類就是通過分類算法將某一未知類別樣本匹配到某一已知類別中，從而確定該未知樣本的類別。常見的分類算法有：最近鄰法、貝葉斯（Bayes）分類法、BP 神經網(wǎng)絡分類法、決策樹算法、支持向量機（SVM）算法、隱馬爾科夫（HMM）算法等。 在基于慣性傳感器的動作識別領域，這些傳統(tǒng)分類方法仍然得到了很多研究者的青睞，并在實際應用中證明了其可靠的識別率。2006 年，Daniel Olgu 等人就在基于傳感器的動作識別中引入了 HMM 算法，他們分別在 3 名受試者的右手、左臀、胸3個部位固定了3個加速度計，對坐、跑、蹲、走、站立、爬行、躺下動作進行了識別，識別

15、率達到92.13%。2007 年，Piero Zappi27等人通過穿戴在雙臂上的19個三軸加速度計，利用貝葉斯分類器對修車工人的基本修車動作進行了識別，識別率高達98%。2008 年，Jhun-Ying Yang28等人選取了7個測試者，研究了日常生活中的站、坐、走、跑、吸塵、洗衣服、刷牙7種動作，分別采用人工神經網(wǎng)絡分類器和最近鄰算法進行了識別，達到了95.24%和87.17%的識別率。同年，Zhenyu He29等人準備了一部置了三軸加速度計的手機，測試了67個受試者手持手機時的17種動作，使用了支持向量機分類器，識別率達到了87.36%。2010年，Yu-Jin Hong30等人將3個

16、三軸加速度計分別固定在15名受試者的大腿、腰部、前臂三個部位，采用決策樹分類器對站、坐、走、跑、揮手等 18 種日常動作進行了識別，識別率達到 92.58%。Ling Bao31和 Dean M. Karantonis32等人也分別用決策樹分類器對人體跌倒進行了識別，識別率也到達了 80%以上。 1.3傳感器的分類 傳感器是將物理、化學、生物等自然科學和機械、土木、化工等工程技術中的非電信號轉換成電信號的換能器。相應的英文單詞為Sensor或Transducer。注意,若在英文文獻中Sensor和Transducer,甚至還有Actuator同時出現(xiàn)時,則Transducer應譯為“換能器”,

17、是指將自然科學和工程技術中的非電能量轉換成電能的設備。而Actuator應譯成“執(zhí)行器”,定義為將電信號轉換成物理、化學、生物等自然科學和機械、土木工程技術中的非電信號的換能器或轉換為實際動作(如平動、轉動、通斷、發(fā)光、發(fā)聲、發(fā)熱等)的設備。傳感器可從不同角度分類。從被測量不同,分為幾何機械量(例如尺寸、角度、表面參數(shù)、位移、速度、加速度、角位移、角速度等),熱工量(例如溫度壓力、流量、密度、黏度、質量等),光學量(強度、功率、波長、頻率、相位、速度、脈寬、延遲、折射率、束散角等),聲學量,生物參數(shù),醫(yī)學量(生理參數(shù))等。從傳感器的輸出不同,可分為模擬信號(連續(xù)波和脈沖波),數(shù)字信號,電壓和電

18、流等傳感器。大致分為1)光纖傳感器;(2)集成傳感器;(3)MEMS傳感器;(4)模糊傳感器;(5)智能傳感器;(6)多功能傳感器;(7)模型傳感器;(8)網(wǎng)絡傳感器;(9)生物傳感器;，本文用到的是MEMS慣性傳感器。傳感技術的發(fā)展從產品結構來說經歷了由利用物理學中場的定律和運動定律等構成的結構型傳感器,到利用物質法則構成的物性型傳感器,再到如今采用微電子和微機械加工技術制造出來的新型MEMS傳感器的幾十年發(fā)展過程.MEMS傳感器的門類品種繁多,分類方法也很多。按其工作原理,可分為物理型、化學型和生物型三類。按照被測的量又可分為加速度、角速度、壓力、位移、流量、電量、磁場、紅外、溫度、氣體成

19、分、濕度、pH值、離子濃度、生物濃度與觸覺等類型的傳感器。綜合兩種分類方法的分類體系如圖1。其中每種MEMS傳感器MEMS傳感器具有體積小、質量輕、響應快、靈敏度高、易批產、成本低、可測量各種物理量、化學量和生物量等優(yōu)勢,在航天、航空、航海、兵器、機械、化工等領域又有多種細分方法。如微加速度計,按檢測質量的運動方式劃分,有角振動式和線振動式加速度計;按檢測質量支承方式劃分,有扭擺式、懸臂梁式和彈簧支承方式;按信號檢測方式劃分,有電容式、電阻式和隧道電流式;按控制方式劃分,有開環(huán)和閉環(huán)式。MEMS傳感器不僅種類繁多,而且用途廣泛。作為獲取信息的關鍵器件, MEMS傳感器對各種傳感裝備的微型化發(fā)展

20、起著巨大的推動作用,已在太空衛(wèi)星、運載火箭,航空航天設備、飛機、各種車輛、生物醫(yī)學與消費電子產品等領域中得到了廣泛的應用。制造技術的日益精進使MEMS傳感器的參數(shù)指標和性能不斷提高,與多種學科的交叉融合又使傳感器不斷推出新,應用領域不斷拓寬。MEMS傳感器的發(fā)展以20世紀60年代霍尼韋爾研究中心和貝爾實驗室研制出首個硅隔膜壓力傳感器和應變計為開端。壓力傳感器是影響最為深遠且應用最廣泛的MEMS傳感器,其性能由測量圍、測量精度、非線性和工作溫度決定。從信號檢測方式劃分, MEMS壓力傳感器可分為壓阻式、電容式和諧振式等;從敏感膜結構劃分,可分為圓形、方形、矩形和E形等。進入21世紀以來,在市場引

21、導、科技推動、風險投資和政府介入等多重作用下, MEMS傳感器技術發(fā)展迅速,新原理、新材料和新技術的研究不斷深入, MEMS傳感器的新產品不斷涌現(xiàn)。目前, MEMS傳感器正向高精度、高可靠性、多功能集成化、智能化、微型化和微功耗方向發(fā)展。借助新型材料,如SiC、藍寶石、金剛石與SOI開發(fā)出的各種新型高可靠MEMS傳感器,如溫度傳感器、氣體傳感器和壓力傳感器具有耐高溫、耐腐蝕和防輻照等性能,進一步提高了MEMS傳感器的精度和可靠性。納米管、納米線、納米光纖、光導、超導和智能材料也將成為制作納米傳感器的材料。MEMS傳感器向納米級發(fā)展將產生多種傳感器,如氣體、生物和化學傳感器,使MEMS傳感器的種

22、類更加多樣化。新的加工技術,如先進的MEMS制作和組裝技術使MEMS傳感器體積更小、功耗更低且性能更高,如具有耐振動和抗沖擊的能力。利用專門的集成設計和工藝,如與CMOS兼容的MEMS加工技術和芯片上集成系統(tǒng)(SoC)技術可把構成傳感器的敏感元件和電路元件制作在同一芯片上,能夠完成信號檢測和信號處理,構成功能強大的智能傳感器,滿足傳感器微型化和集成化的要求。傳感器集成化是實現(xiàn)傳感器小型化、智能化和多功能的重要保證。MEMS傳感器一直是研究的熱點和重點,是各國大力發(fā)展的核心和前沿技術,引起了各國研究機構、大學和公司的高度重視,歐美和日本等國顯示出了明顯的領先優(yōu)勢。國的一些高校和研究機構已著手ME

23、MS傳感器技術的開發(fā)和研究,但在靈敏度、可靠性與新技術能力提升方面與國外相比還存在較大差距。許多MEMS傳感器品種尚未具備批量生產的能力,離產品的實用化和產業(yè)化還很遠,有待于進一步提高和完善。MEMS傳感器是利用集成電路技術工藝和微機械加工方法將基于各種物理效應的機電敏感元器件和處理電路集成在一個芯片上的傳感器。MEMS是微電子機械系統(tǒng)的縮寫,一般簡稱微機電。圖2為MEMS的原理圖 MEMS傳感器主要用于控制系統(tǒng)。利用MEMS技術工藝將MEMS傳感器、MEMS執(zhí)行器和MEMS控制處理器都集中在一個芯片上,則所構成的系統(tǒng)稱為MEMS芯片控制系統(tǒng)。圖3表示了MEMS控制系統(tǒng)。微控制處理器的主要功能

24、包括A/D和D/A轉換,數(shù)據(jù)處理和執(zhí)行控制算法。微執(zhí)行器將電信號轉換成非電量,使被控對象產生平動、轉動、聲、光、熱等動作。系統(tǒng)接口單元便于同高層的管理處理器通信,以適合遠程分布測控. 圖2 MEMS慣性傳感器原理圖 圖3 MEMS控制系統(tǒng)原理框圖1.4本文的組織結構本文主要對慣性傳感器的數(shù)據(jù)采集與模式識別進行了研究，首先深入研究了國傳感器的運動識別的相關狀況和國傳感器的運動識別的應用。接著，在理解并掌握慣性傳感器的運動識別系統(tǒng)的理論基礎上，對系統(tǒng)模型的數(shù)據(jù)采集和特征提取算法與運動識別主要算法進行介紹。然后對慣性傳感器的運動識別識別系統(tǒng)進行了詳細推導闡述，并進行了實驗驗證對比分析。最后，對復雜的

25、慣性傳感器的運動識別識別系統(tǒng)模型，并通過K-means算法算法對系統(tǒng)模型的參數(shù)進行辨識。論文的主要工作安排如下：第一章書寫了目錄，第二章首先簡單介紹課題的提出與研究的意義，然后對慣性傳感器的運動識別國外現(xiàn)狀的研究現(xiàn)狀進行了闡述，最后介紹本文各章節(jié)的結構安排。第三章，主要介紹了數(shù)據(jù)采集和特征提取算法，首先是慣性傳感器的部結構，之后就是工作的流程，由于本項目中慣性傳感器的采樣頻率為100 Hz, 遠大于人體運動時的頻率。為了提高運算速度和對運動的主要特征進行分析，所以本文中采用傅里葉變換對運動數(shù)據(jù)進行提取。簡要介紹慣性傳感器的運動識別，包括當今的對運動識別算法的主要方法例如支持向量機、隱馬爾科夫模

26、型等，本文主要用k-mean均值聚類算法，最后介紹了SOM辨識方法。利用polt畫出5幅動作圖，畫出表格，給出各個姿勢的正確率并進行分析。最后,課題總結與展望。對全文分析和總結，提出一些仍需要解決的問題，并對課題的前景做出展望。第二章 數(shù)據(jù)采集和特征提取算法2.1 慣性傳感器的結構本文所使用慣性傳感器的部結構如下圖所示。該慣性傳感器由兩個雙軸的加速度計和一個三軸的陀螺儀組合而成。在進行數(shù)據(jù)采集時，采樣頻率設為100 Hz。工作時被測對象的各種參量通過傳感器的適當轉換后，再通過信號跳理，采樣，量化，編碼，傳輸?shù)炔襟E傳到控制器的過程，并且數(shù)據(jù)采集器具有數(shù)據(jù)采集、數(shù)據(jù)傳送、數(shù)據(jù)刪除和系統(tǒng)管理等功能。

27、圖2-1 慣性傳感器部結構圖。2.2數(shù)據(jù)采集圖2-2 工作流程圖 數(shù)據(jù)采集是指被測對象的各種參量通過傳感器的適當轉換后，再通過信號跳理，采樣，量化，編碼，傳輸?shù)炔襟E傳到控制器的過程。數(shù)據(jù)采集的目的是為了測量被測對象的動作信息，數(shù)據(jù)采集系統(tǒng)整合了信號、傳感器、信號調理、數(shù)據(jù)采集設備和應用軟件主要流程包括，慣性傳感器藍牙接收器數(shù)據(jù)采集數(shù)據(jù)自動截取數(shù)據(jù)處理運動識別。2.3 數(shù)據(jù)的特征提取本項目中慣性傳感器的采樣頻率為100 Hz, 遠大于人體運動時的頻率。為了提高運算速度和對運動的主要特征進行分析，本文中采用傅里葉變換對運動數(shù)據(jù)進行提取。下圖為上下左右畫圈圈動作的時域圖。圖 2-3 畫圈圖2-4 向

28、下圖2-5 十字圖2-6 向左圖2-7 向右2.4 離散傅里葉變換(DFT) 在信號處理中，DFT 的計算具有舉足輕重的地位，信號的相關、濾波、譜估計等等都可通過 DFT 來實現(xiàn)。然而，由DFT 的定義式可以看出，求一個N點的DFF要N 2次復數(shù)乘法和N (N-1)次負數(shù)加法。當N 很大時，其計算量是相當大。 傅立葉變換是信號分析和處理的重要工具。離散時間信號x (n)的連續(xù)傅立葉變換定義為 = （2-1）式中 X(e j )是一個連續(xù)函數(shù)，不能直接在計算機上做數(shù)字運算。為了在計算機上實現(xiàn)頻譜分析，必須對 x(n)的頻譜作離散近似。有限長離散信號x(n)，n=0, 1, , N-1的離散傅立葉

29、變換(DFT)定義為 X(k) = （2-2）式中 (N= , n=0, 1, , N-1。其反變換定義為 （2-3）將DFT 變換的定義式寫成矩陣形式，得到 X=A· x。其中DFT 的變換矩陣A為 （2-4）2.4.1 快速傅里葉變換(FFT) 快速傅里葉變換(FFT)是 1965 年 J.W.Cooley 和J.W.Tukey 巧妙地利用 WN 因子的周期性和對稱性，構造了DFT 的快速算法，即快速離散傅里葉變換(FFT)。在以后的幾十年中，F(xiàn)FT 算法有了進一步的發(fā)展，目前較常用的是基2算法和分裂基算法. 在討論圖像的數(shù)學變換時，我們把圖像看成具有兩個變量x, y的函數(shù)。首先

30、引入二維連續(xù)函數(shù)的傅里 葉變換，設f (x, y)是兩個獨立變量x, y的函數(shù)，且滿足 ，則定義為傅立葉反變換。 （2-5）傅里葉變換的振幅譜、相位譜和能量譜分別為 （2-6） （2-7） （2-8）式中 R(u, í), I(u, í)分別表示傅里葉變換的實部和虛部。下圖是幾種典型信號傅里葉變換的振幅譜。 連續(xù)信號f (x, y)經過抽樣后成為二維離散信號f (m, n)，其中0mM-1，0nN-1，相應地定義二維離散傅里葉變換(DCT)與其反變換為 （2-9） （2-10）2.4.2快速傅里葉變換FFT 的應用 圖3是模擬遠程高空衛(wèi)星照片，圖4 是利用Matlab 5.

31、3中的圖像處理工具箱(Image Processing Toolbox)提供的圖像處理函數(shù)89 將圖像信號讀入，經傅里葉變換將空間域圖像信號變換到空間頻率域信號，使快速卷積、目標識別等許多算法易于實現(xiàn)，然后對圖像信號的頻譜分布進行分析，用Butterworth帶通濾波器和二維維納濾波進行濾波處理，去除圖像信號中的低頻干擾信號和噪聲信號，然后利用傅里葉反變換將信號還原，所得到的模擬遠程高空衛(wèi)星照片。從圖4可看到，整個模擬遠程高空衛(wèi)星輪廓清晰可見，達到了較為理想的效果。對下一步利用光學系統(tǒng)裝置采集的遠程目標的進一步識別提供了有利的條件。2.4.3 算法基本原理有限長序列X(n)與其頻域表示X(k)

32、可由以下離散傅立葉變換得出 0kN-1 （2-11） 0nN-1 （2-12） 其中，第一個稱為離散傅立葉正變，第二個稱為離散傅立葉反變換，、X（n）與X（k） 構成了離散傅立葉變換對。根據(jù)上述公式,計算一個X(k），需要N次復數(shù)乘法和N-1一次復數(shù)加法,而計算全部X(k）(0KN-1),共需要,次復數(shù)乘法和N(N-1)一次復數(shù)加法實現(xiàn)一次復數(shù)乘法需要四次實數(shù)乘法和兩次實數(shù)加法,一次復數(shù)加法需要兩次實數(shù)加法,因此直接計算全部共需要4次實數(shù)乘法和2N(N-1)次實數(shù)加法.當N較大時,對實時信號處理來說,對處理器計算速度有十分苛刻的要求,于是如何減少計算離散傅里葉變換運算量的問題變得至關重要. 為

33、減少運算量,提高運算速度,就必須改進算法。計算DFT過程中需要完成的運算的系數(shù)里,存在相當多的對稱性。通過研究這種對稱性,可以簡化計算過程中的運算,從而減少計算DFT所需的時間. 具有以下固有特性 (1) 的周期性： （2-13） (2) 的對稱性： （2-14） （3）的可約性： （2-15）另外， , （2-16）利用的以上特性，將X（n）或X（k）序列按一定規(guī)律分解成短序列進行運算,這樣可以避免大量的重復運算,提高計算的運算速度算法形式有很多種,但基本上可以分為兩大類,即按時間抽取,FFT算法和按頻率抽取FFT算法。 FFT譜的頻率分辨率為,與采樣頻率成正比,與采樣點數(shù)成反比,N為一定時

34、,頻率分辨率無法再提高。時間序列X(t）中己含有從0至的頻域信息,所以如果用連續(xù)的傅里葉變換對譜進行計算 （2-17） （2-18） 這時頻率分辨率己不受采樣點數(shù)的限制,f是一個連續(xù)的頻率。對指定的一個頻率區(qū)間，包含在區(qū)間（0，/2)。其特點為細化密度可以任意設定。這種細化方法與傳統(tǒng)的復調制細化方法（ZOOM）不同,由于沒有加大窗的長度,所以僅能對信號局部頻率的幅值和相位細化運算,而不能將己經非常密集、幅值和相位相互疊加的頻率成分分離開。十細化算法與比例法校正精度基本一樣,但其相位精度要高一些。第三章 基于慣性傳感器的運動識別3.1 運動識別主要算法分類就是通過分類算法將某一未知類別樣本匹配到

35、某一已知類別中，從而確定該未知樣本的類別。常見的分類算法有：最近鄰法、貝葉斯（Bayes）分類法、BP 神經網(wǎng)絡分類法、決策樹算法、支持向量機（SVM）算法、隱馬爾科夫（HMM）算法等。 在統(tǒng)計模式識別領域有一種最具有代表性的識別方法就是隱馬爾可夫模型(Hidden Markov Model, HMM)。隱馬爾可夫模型是一種能很好地對基于時間序列的數(shù)字信號進行建模的技術，它最大的好處在于它完善的數(shù)學模型框架以與現(xiàn)有成熟的自動訓練和識別的相應算法HMM 最初被用在連續(xù)語音的自動識(AutomaticSpeechRecognition, ASR)上，并獲得了很大的成功。后來也應用于手寫識別領域，成

36、為一種應用非常廣泛的識別模型。由于人體運動模式的加速度信號與連續(xù)語音的數(shù)字信號具有類似的時間序列特性，于是研究人員將這種技術引入基于加速度傳感器的人體運動模式識別領域。由于語音信號是一維隨機信號，所以通常用到的 HMM模型也都是一維的。而對于運動產生的加速度信號都是三維信號，為了能應用語識別領域已經成熟的一維HMM 模型，人體運動模式識別的研究人員想了各種方法將三維信號轉成一維信號，最常見的方法是用矢量量化得到一維特征矢量，然后用這個一維特征矢量來訓練 HMM模型典型結構框圖如圖所示。 當用HMM 模型對人體運動模式進行識別時，需要確定所使用的狀態(tài)數(shù)以與概率密度分布函數(shù)等，通常這些參數(shù)都是人為

37、選定的，而對這些參數(shù)進行自動優(yōu)化調整可以改進 HMM模型的識別性能。 在統(tǒng)計模式識別領域另一種最具代表性的識別方法就是支持向量機（Support Vector Machine, SVM）。有關支持向量機(SVM)的研究,首先起源于1960 年Vapink等設計的最優(yōu)分類超平面。最簡單的支持向量機只能對兩類線性可分的模式進行識別，為了使其能夠應用在非線性可分模式的識別，產生了核技術。為了使其能夠滿足多類模式的識別要求，產生了多個 SVM 的組合使用。為了提高分類器的通用性，人們提出了機器最大化的基準。經過多方面的改進，使得 SVM 迅速發(fā)展和完善，在解決小樣本、非線性與高維模式識別問題中表現(xiàn)出許

38、多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。鑒于 SVM 強大的分類識別能力，它也被研究人員應用到基于加速度傳感器的人體運動模式識別研究中圖3-1 基于 HMM的手勢識別與訓練框圖3.2K-means算法介紹K-均值聚類算法基本思想 J.B.MacQueen在1967年提出的K-均值聚類算法是到目前為止用于科學和工業(yè)應用的諸多算法中一中極有影響力的技術。算法首先隨機選取k個點作為初始聚類中心，然后計算各個數(shù)據(jù)對象到各聚類中心的距離，把數(shù)據(jù)對象歸到離它最近的那個聚類中心所在的類；對調整后的新類計算新的聚類中心，如果相鄰兩次的聚類中心沒有任何變化，說明數(shù)據(jù)對象調整結束，聚類準則Jc

39、已經收斂。本算法的一個特點是在每次迭代中都要考察每個樣本的分類是否正確，若不正確，就要調整。在全部數(shù)據(jù)調整完后，再修改聚類中心，進入下一次迭代。如果在一次迭代算法中，所有的數(shù)據(jù)對象被正確分類，則不會有調整，聚類中心也不會有任何變化，這標志著Jc已經收斂，至此算法結束。大致流程是：輸入：簇的數(shù)目 k 和包含 n 個對象的數(shù)據(jù)庫 輸出：k 個簇，使平方誤差準則最小 算法思想為:給定 n 個數(shù)據(jù)點x 1，x 2 ，x n ，找到 K 個聚類中心 ， ，.，算法思為:給定 n 個數(shù)據(jù)點， ， ， ， 找到 K 個聚類中心 ， ，.， 使得每個數(shù)據(jù)點與它最近的聚類中心的距離平方和最小， 并將這個距離平方

40、和稱為目標函數(shù)，記為Wn，其數(shù)學表達式為: （3-1）由于 K means 算法易于描述，具有時間效率高且適于處理大規(guī)模數(shù)據(jù)等優(yōu)點，自20世紀70 年代以來，該算法在國外已經被應用到包括自然語言處理、 土壤、 考古等眾多領域。在文本聚類領域，K -means算法已經成為基本的算法。隨著 Kmeans 算法研究的深入，該算法的一些不足紛紛暴露出來，主要包括:需要預先確定K值會受到初始聚類中心影響、難以處理分類屬性數(shù)據(jù)以與容易收斂于局部最優(yōu)解等。3.2.1 K-means 文本聚類算法優(yōu)化K-means 算法通過不斷地迭代與重新計算聚類中心直至收斂進行聚類， 因此聚類收斂條件是算法的重要組成部分。

41、在最初的算法中 MacQueen 以平方距離和Wn為目標函數(shù)，作為聚類質量的衡量標準， 并證明了Wn的收斂性 。1978 年 Hartigan 9 分析了一維情況下的算法， 令 K = 2，即將全部數(shù)據(jù)點分割成兩個簇， 證明了可以用概率收斂點來定義最佳的分割點。Pollard 考察了多維空間的情況， 并將 Hartigan 的結論推廣到多維空間， 提出了Kmeans 算法新的聚類質量評價標準， 即在保證 Wn 收斂的同時， 還需保證各聚類中心也收斂到最優(yōu)解。 Creator 等的研究發(fā)現(xiàn)， 由于目標函數(shù) Wn 存在局部極小值點， K means 算法會陷入局部最優(yōu)解。為了使聚類結果盡量接近全局

42、最優(yōu)解， 需要在算法中加入新的機制， 而這些改進都以犧牲目標函數(shù) W n 的收斂速度為代價。其中較著名的是 1995 年 Chinrungru-eng 等 提出的改進算法， 該算法在原有算法中加入了兩種新的機制， 分別是:允許算法在自適應過程中擺脫目標函數(shù) W n 的干擾;采用反饋方式， 根據(jù)當前聚類質量動態(tài)地調整算法的收斂速度 由于Wn計算的是所有數(shù)據(jù)點到其聚類中心的距離平方和，因而事實上其反映的僅僅是類距離的度量，而根據(jù)聚類算法的基本思想， 即聚類算法應使聚簇相似度盡可能大， 而聚簇間相似度盡可能小的基本原則， 聚類收斂函數(shù)應該綜合考慮類距離和類間距離。為此， 學界提出了很多改進的聚類收斂

43、函數(shù)， 以期更加全面地反映聚類的質量。其多數(shù)的改進都是采用類緊密性(Within cluster Scatter)與類間分散性(Betweencluster Separation)的比值來作為收斂函數(shù)， 這樣當收斂函數(shù)收斂到極小值時，類緊密性和類間分散性都可以達到較優(yōu)值。著名的 Davies Bouldin指數(shù)(DBI) 和 Dunn 指數(shù)(DI) 都是采用這種思想，DaviesBouldin 指數(shù)是計算類距離之和與類間距離之和的比值， 而 Dunn 指數(shù)是計算類距離和類間距離的最值之比。3.2.2 初始聚類中心的選擇在 K means 算法中， 初始聚類中心是隨機選取的，因此可能造成在同一類

44、別的樣本被強行當作兩個類的初始聚類中心， 使聚類結果最終只能收斂于局部最優(yōu)解，因此 K means 算法的聚類效果在很大程度上依賴于初始聚類中心的選擇。針對該問題，學界提出多種改進的算法。基本分為基于密度的解決方法和基于優(yōu)化算法的解決方法等 。3.5K一均值聚類算法的算法流程 原始的k均值聚類算法網(wǎng)輸入數(shù)據(jù)集X=。,聚類數(shù)目k；輸出k個類簇 ,j=1，2，3.，k 1，令I=1,隨機選取個K數(shù)據(jù)點作為K個類簇的初始簇中心（I),j=1，2，3.，k2，計算每一個數(shù)據(jù)點與這個簇中心的距離d（，（I),i=1，2，3，.，n，j=1，2，3.，k，如果滿足， d（，（I)=mind（，（I)，j=

45、1，2，.k，則；3，計算個新的聚類中心 （3-2） 4，判斷若, j=1，2，3.，k，則I=I+1，返回2，否則算法結束。一均值聚類算法在執(zhí)行過程中還可以加入聚類準則函數(shù)來終止迭代過程,一般采用聚類誤差平方和準則函數(shù),即在上面算法流程中4的叩中計算聚類誤差平方和J,然后加入判斷,若兩次的J值沒有明顯變化,則說明值已經收斂,結束算法,否則轉入繼續(xù)執(zhí)行.3.6 SOM算法介紹生物學研究表明，在人腦的感覺通道上，神經元的組織原理是有序排列的。當外界的特定時空信息輸入時，大腦皮層的特定區(qū)域興奮，而且類似的外界信息在對應的區(qū)域是連續(xù)映像的。生物視網(wǎng)膜中有許多特定的細胞對特定的圖形比較敏感，當視網(wǎng)膜中

46、有若干個接收單元同時受特定模式刺激時，就使大腦皮層中的特定神經元開始興奮，輸入模式接近，與之對應的興奮神經元也接近；在聽覺通道上，神經元在結構排列上與頻率的關系十分密切，對于某個頻率，特定的神經元具有最大的響應，位置相鄰的神經元具有相近的頻率特征，而遠離的神經元具有的頻率特征差別也較大。大腦皮層中神經元的這種響應特點不是先天安排好的，而是通過后天的學習自組織形成的。 據(jù)此芬蘭Helsinki大學的Kohonen T.教授提出了一種自組織特征映射網(wǎng)絡（Self-organizing feature Map，SOM），又稱Kohonen網(wǎng)絡。Kohonen認

47、為，一個神經網(wǎng)絡接受外界輸入模式時，將會分為不同的對應區(qū)域，各區(qū)域對輸入模式有不同的響應特征，而這個過程是自動完成的。SOM網(wǎng)絡正是根據(jù)這一看法提出的，其特點與人腦的自組織特性相類似。自組織神經網(wǎng)絡是無導師學習網(wǎng)絡。它通過自動尋找樣本中的在規(guī)律和本質屬性，自組織、自適應地改變網(wǎng)絡參數(shù)與結構。層次型結構，具有競爭層。典型結構：輸入層競爭層。如圖3-2所示。3.2圖  自組織神經網(wǎng)絡結構SOM網(wǎng)絡共有兩層：輸入層和輸出層。 · 輸入層：通過權向量將外界信息匯集到輸出層各神經元。輸入層的形式與BP網(wǎng)一樣，節(jié)點數(shù)與樣本維數(shù)一樣。 · 

48、;輸出層：輸出層也是競爭層。其神經元的排列有多種形式，分為一維線陣、二維平面陣和三維柵格陣。最典型的結構是二維形式，它更具大腦皮層的形象，如圖3-3所示。3-3 二維SOM平面陣列輸出層的每個神經元同它周圍的其他神經元側向連接，排列成棋盤狀平面；輸入層為單層神經元排列。SOM自組織映射神經網(wǎng)絡是一個巧妙的神經元網(wǎng)絡，它建立在一維、二維或三維的神經元網(wǎng)絡上，用于捕獲包含在輸入模式中感興趣的特征，描述在復雜系統(tǒng)中從完全混亂到最終出現(xiàn)整體有序的現(xiàn)象。3.7 實驗容本文的實驗容是利用慣性傳感器對人體手部的五種動作進行識別，這五種動作分別為左、右、上、下和中心畫圓，如下圖3-4所示。每種動作采集的數(shù)量為

49、20個。在進行特征提取后，通過k-means將該100個動作進行分類，得出試驗結果，算出誤差。圖3-4 五種運動的動作示意圖 其中，ax是x軸加速度，ay是y軸加速度，從下圖可以看出剛開始相對而言，加速度線都是直線，就算不運動，慣性傳感器部自帶數(shù)據(jù)，來消除誤差，因為在測量時候會存在很多外在誤差，例如重力，空氣阻力等。從下圖可以看出在測量運動的時候雖說沒有百分之百的測到，但是大致運動數(shù)據(jù)還是測到了，而這些誤差知識在很短的時間，在一些應用中完全可以忽略。3-5 向左3-6 向右3-7 向 上3-8 向下3-9 畫圓3.8 實驗結果 下面圖表表示的是從下面5個結果圖中得到的數(shù)據(jù)，其中橫坐標表示每個動

50、作在本圖中識別該動作的個數(shù)，由于每個動作實際總數(shù)為20個，為了減少誤差，本文中一共選取了5幅圖，表示每個動作有100個。最終得到的結果求平均值。 識別率=識出動作的個數(shù) / 動作總個數(shù)分類結果circleCrossleftdownright結果圖圖 3-102428181217圖 3-111026182817圖 3-12289112724圖 3-131718242812圖 3圖 3-10：（24+28+18+12+17）/100=99% 圖 3-11：（10+26+18+28+17）/100=99% 圖 3-12：（28+9+11+27+24）/100=99% 圖 3

51、-13：（17+18+24+28+12）/100=99% 圖 3-14：（27+11+24+9+28）/100=99%由上表與計算結果可以得出用k-means算法的識別率為99%3-10 結果圖3-11 結果圖3-12 結果圖3-13結果圖3-14結果圖第四章 結論 本文主要研究了基于慣性傳感器的模式識別系統(tǒng)。對慣性傳感器與當前的模式識別進行了深入分析，研究了五種基本動作，包括上，下，左，右，畫圈。因為人體的各種復雜動作都是由很多的基本動作組成。本文中以庫中的動作數(shù)據(jù)作為訓練數(shù)據(jù)和測試數(shù)據(jù)，采用支持向量機對多類動作進行了識別。 現(xiàn)將研究成果和創(chuàng)新點總結如下。 （1）在觀看了大量視頻的基礎上，總

52、結出日常的5個基本動作，采用基于慣性傳感器的動作捕捉系統(tǒng)對這些動作進行了數(shù)據(jù)采集，以供研究使用。 （2）做了基于慣性傳感器的動作識別。對數(shù)據(jù)進行預處理之后，提取了基于姿態(tài)角的特征，并進行了降維處理，采用基于一對一組合分類法的支持向量機多類分類方法進行了動作識別。 聚類分析是數(shù)據(jù)挖掘領域中的一項重要的研究課題，它既作為單獨的工具以發(fā)現(xiàn)數(shù)據(jù)源的數(shù)據(jù)分布信息，也可以作為其他數(shù)據(jù)挖掘算法的一個預處理步驟，K-均值聚類算法是解決聚類問題的一種經典算法。它的主要優(yōu)點是算法簡潔、快速。如果結果類是密集的，而且，當類與類之間的區(qū)別明顯時，它的效果最好。聚類算法的聚類結果有一定的不可預見性,在實際應用中應根據(jù)數(shù)

53、據(jù)類型選擇合適的聚類算法(和可恰當?shù)南嗨菩远攘糠绞?,以取得最佳的聚類效果. 基于慣性傳感器的動作識別還是一個較新的領域，本文所給出的特征提取和識別方法還都是較為傳統(tǒng)的方法，本文詳細論述了基于慣性傳感器的模式識別系統(tǒng)。分別從慣性傳感器與模式識別兩個方面來論述本課題，使用該系統(tǒng)可以解決預測防護問題.由于現(xiàn)如今慣性傳感器的測量會存在積累性誤差?；蚨嗷蛏賹嶒灲Y果的準確性存在影響，但是在前期的數(shù)據(jù)測量較為準確，所以在一些特定場合對于測量精確性要求不高的場合可以用到，例如殘疾人的輪椅保護措施等。因此,基于慣性傳感器的模式識別識別系統(tǒng)在一定程度上可以提前預測識別動作，因此在一定程度上優(yōu)于傳統(tǒng)的視頻模式識

54、別。隨著科技的發(fā)展，我相信慣性傳感器的發(fā)展會越來越精確。所以對于新興領域的慣性傳感器的模式識別系統(tǒng)的研究會越來越火。參考文獻1余瑞芬.傳感器原理M.:航空工業(yè), 1995.2EDN China. LPS001WP:意法半導體推出MEMS傳感器適用于便攜設備、汽業(yè)EB/OL.(2010-12-02)2011-03-22. :/.cntronics./public/art/artinfo/id/80008757.3Yole Development SA. MEMS technology: world's smallest baro-metric pressure sensorJ. Micr

55、onews, 2009, 78: 1.4NED A A, OKOJIE R S, KURTZ A D, et al. 6H-SiC pres-sure sensor operation at 600° C C / Proceedings of HighTemperature Electronics Conference. Albuquerque, NM,USA, 1998: 257- 260.5冬至,胡國清,昌偉. MEMS高溫壓力傳感器研究與進展J.儀表技術與傳感器, 2009, 11: 4- 6.6WERNER M R, FAHRNER W R. Review on materials, mi-crosensors, systems, and devices for high-temperature andharsh-environment applications J. IEEE Transaction onelectronics, 2001, 48(2): 249- 257.7HEZARJARIBI Y, HAMIDON M N, SIDEK R M, et al.Analytical and