基于加速度傳感器的人體行為特征提取及識別

基于加速度傳感器的人體行為特征提取及識別

1人體行為識別人體行為的識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)。人體行為的識別主要分為兩個方向：基于視覺的視覺和傳感器的行為識別方法和基于三維加速度傳感器的行為識別方法。后者是人類行為識別研究的一個新興分支。與以往基于視覺的人類行為識別相比，它具有更自由的運動數(shù)據(jù)和更人性化的優(yōu)點。人體行為識別可以認(rèn)為是時變數(shù)據(jù)的分類問題,行為識別的方法可以分為基于模板匹配、統(tǒng)計模式識別和基于語義描述這三種.基于模板匹配的方法是人體行為識別的早期方法,在沒有大量樣本進(jìn)行訓(xùn)練的時候是個不錯的選擇,動態(tài)時間規(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)識別.相比較于模板匹配算法,統(tǒng)計模式識別方法的識別精度更高,基于加速度傳感器的人體行為識別通常使用統(tǒng)計模式識別方法,常用的統(tǒng)計識別方法有決策樹、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)行長期行為識別,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別的分類器,文獻(xiàn)使用SVM分類器來識別人體行為.隨著微機(jī)電系統(tǒng)的發(fā)展,加速度傳感器廣泛應(yīng)用于各個領(lǐng)域,包括手勢識別,跌倒監(jiān)測等,本文闡述的基于單個三維加速度傳感器的行為識別方法通過對三維加速度信號進(jìn)行處理及特征提取獲得特征矩陣,設(shè)計BP神經(jīng)網(wǎng)絡(luò)分類器,有效地識別了站立、走、跑、上樓和下樓五種動作.2原始加速度信號的預(yù)處理本文使用的加速度傳感器信號來自于一個公開的人體日常行為數(shù)據(jù)庫USC-HAD(ADailyActivityDatasetforUbiquitousActivityRecognitionUsingWearableSensors),該數(shù)據(jù)庫包括14位不同采集者的12類動作(包括本文需要的站立、走、跑、上樓和下樓五種動作),對每種動作,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840個樣本,本文選取了其中10位不同采集者的上述五類動作的加速度數(shù)據(jù)作為原始加速度信號.原始加速度信號不僅包含了各種動作對應(yīng)的加速度信號,還包含了各種噪聲,為了提高系統(tǒng)的識別效果,通常在原始加速度信號進(jìn)行特征提取前需要對其進(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.為了減少噪聲對行為識別的影響,考慮到人體運動頻帶寬度遠(yuǎn)小于加速度計的噪聲帶寬,本文選取了切比雪夫I型數(shù)字低通濾波器對原始加速度信號進(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,用一個窗口長度為512個樣本點的矩形窗分割原始加速度信號,相鄰的窗重疊半個窗長.經(jīng)過加窗后的單個加速度信號包含512個樣本,根據(jù)該加速度信號的采樣頻率為100Hz,加窗后的每個加速度信號的時間跨度為5.12秒,足以包含單個完整動作.如果采用更短的矩形窗,則不能包含足夠的用于識別不同動作的信息;而如果矩形窗的窗廠過長,那么對于實時系統(tǒng),就會出現(xiàn)嚴(yán)重的延遲現(xiàn)象.每個加速度信號包含了X軸、Y軸和Z軸這三軸的加速度信號,分別代表了前后、左右和上下這三維的加速度信號.圖2展示了通過加速度信號識別行為的基本過程,特征提取模塊處理一系列的加速度信號原始數(shù)據(jù)得到一個特征矩陣,分類器通過特征矩陣進(jìn)行訓(xùn)練以達(dá)到識別行為的目的,其輸出是待識別動作中的一種.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行為進(jìn)行建模,使用重疊半個窗廠的矩形窗提取加速度傳感器信號,在選取合適的窗廠后,通過對單個窗廠的加速度信號提取多種特征構(gòu)成特征向量來表征行為.下面介紹本文所使用的用來表征行為的特征集.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)時加速度數(shù)據(jù)基本不變,標(biāo)準(zhǔn)差幾乎為零,而人運動時加速度數(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)差是識別靜態(tài)動作與動態(tài)動作的重要特征.圖3充分說明了標(biāo)準(zhǔn)差在區(qū)別動態(tài)與靜態(tài)動作時的顯著效果.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,是一個重要的統(tǒng)計特征.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),是一個常用的統(tǒng)計特征.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別中表現(xiàn)出許多特有的優(yōu)勢,并能夠推廣應(yīng)用到函數(shù)擬合等其它機(jī)器學(xué)習(xí)問題中.它是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)分險最小原理基礎(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:1)SVM是針對線性可分情況進(jìn)行分析,對于線性不可分的情況,通過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,并且在整個樣本空間的期望風(fēng)險以某個概率滿足一定上界.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)點組成,隱層可以是一層,也可以是多層,前層至后層節(jié)點之間通過權(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,通過反向傳播來不斷調(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)這兩種分類器對提出的分類方法進(jìn)行了驗證.其中BP神經(jīng)網(wǎng)絡(luò)選用了三層神經(jīng)網(wǎng)絡(luò),包含一個有12個節(jié)點的輸入層、一個有10個節(jié)點的隱層和一個只有一個節(jié)點的輸出層.5svm分類器實驗和bp神經(jīng)網(wǎng)絡(luò)實驗分析本文選取了兩種不同的分類器進(jìn)行了實驗,首先隨機(jī)從數(shù)據(jù)庫中選取10個人的對應(yīng)5種動作的加速度傳感器信號作為原始加速度傳感器信號,對原始加速度信號進(jìn)行濾波處理后,通過加窗方法,用窗長為512個樣本的矩形窗滑過每個加速度傳感器信號數(shù)據(jù),相鄰兩個窗重疊半個窗長,從每個加速度傳感器信號截取10個加速度傳感器數(shù)據(jù),每個加速度傳感器數(shù)據(jù)包含512個樣本,這樣就構(gòu)成了5×10×10總計500個加速度傳感器數(shù)據(jù),每種動作分別100個,然后用特征提取函數(shù)對這些數(shù)據(jù)進(jìn)行特征提取,每個數(shù)據(jù)都能提取出一個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12×500的特征矩陣.選取每種動作100個特征向量中的80個組成12×400的特征矩陣用來訓(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(每種動作20個特征向量)用來測試訓(xùn)練好的SVM分類器和BP神經(jīng)網(wǎng)絡(luò).圖5說明了兩種分類器各自的實驗結(jié)果,從圖中可以看出,使用SVM分類器的平均識別率達(dá)到了98%除了上樓和下樓的識別率為95%,另外三種動作的識別率達(dá)到了100%,而使用BP神經(jīng)網(wǎng)絡(luò)的識別效果較差,平均識別率為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:1)本文的訓(xùn)練樣本為400個,每種動作的訓(xùn)練樣本只有80個,樣本數(shù)較少,SVM在小樣本識別中有獨特的優(yōu)勢,而BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量的樣本,這是造成SVM識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)的選擇沒有理論性的指導(dǎo),一般是根據(jù)經(jīng)驗和反復(fù)實驗確定,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