用于人体运动的特征提取方法及系统、识别方法及系统技术方案

本发明专利技术涉及一种用于人体运动的特征提取方法及系统、识别方法及系统，包括以下步骤：采集人体运动时产生的信号数据；提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。

【技术实现步骤摘要】
用于人体运动的特征提取方法及系统、识别方法及系统
本专利技术涉及计算领域，特别涉及一种用于人体运动的特征提取方法及系统、识别方法及系统。
技术介绍
人体运动识别是通过传感器数据采集和数据挖掘等技术的结合，从而实现对人体行为的识别和记录。人体运动识别的应用领域广泛，例如吃饭、看电视、休息等日程生活行为的识别，或者如走路、跑步、上楼梯等步态识别等。人体运动识别可为人们的生活带来很多潜在的好处和优势，例如，记录和监督运动健身，人们自身的健康管理或辅助预测行为意向等，多年来一直是学者们的研究热点。一般来说，可作为识别对象的人体运动都有多种分类方式，例如，其中一种是按照人体进行动作时的躯干表现及生理信号差异进行的分类，即人体在进行一组不同的动作时，躯干整体表现相似，但是生理信号(例如心率值、肌肉募集)情况表现有很大差别，我们将这类动作定义为亲缘动作；与此相对的，人体进行一组不同的动作时，躯干动作本身就表现有较大差异的动作，我们将这类动作定义为非亲缘动作。现有技术中的人体运动识别方法可以分为以下两种，一种是基于非可穿戴设备的识别方法，例如，利用摄像机记录人体的运动，然后利用图像识别的方法对摄像机采集到的人体运动图像进行分析，这种方法受采集条件限制可能会导致采集数据的不准确，而且与处理传感器采集数据的方法相比，用于图像识别的数据处理也更加复杂；另一种识别方法是基于可穿戴设备的识别方法，这种方法可以采用多种可穿戴设备，例如，成本较低的加速度计传感器，这类可穿戴设备虽然对非亲缘动作的识别精度较高，但是对于亲缘动作的识别精度却较差；而测量生理信号的传感器(如肌电电极、心率传感器)，整体识别精度均较差，并且其中的肌电电极的成本也较高，不利于推广使用；如需提高精度采取多传感器组合的方式(如加速度计和心率传感器组合)进行测量又会导致客户佩戴的传感器过多，体验感较差。因此，需要一种识别精度高，成本较低，且用户体验感好的人体运动识别系统及方法。
技术实现思路
本专利技术提供一种针对人体运动数据的特征提取方法，包括以下步骤：1)采集人体运动时产生的信号数据；2)提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；3)针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。优选的，所述步骤1)进一步包括：11)利用单源加速度传感器采集人体运动时产生的信号数据；12)判断所述信号数据的有效性，并获得有效的信号数据优选的，所述步骤2)进一步包括：针对所述信号数据执行低通滤波和数据清洗，获得肌肉外部运动轨迹信号数据信息；针对所述信号数据执行带通滤波、数据清洗和个性化差异消除，获得肌肉内部轨迹信号数据信息；其中，所述低通滤波的频率在10-20赫兹范围内波动；所述带通滤波的最低频率在5-15赫兹范围内波动，所述带通滤波的最高频率在100-150赫兹范围内波动。优选的，针对经所述带通滤波和数据清洗的所述有效数据，利用最大自主收缩值进行所述个性化差异消除，包括以下步骤：将一系列运动作为标准运动，采集至少一组用户进行所述标准运动时的运动数据；针对所述至少一组运动数据执行带通滤波和数据清洗获得至少一组有效运动数据；将获得的有效运动数据中的最大值，或多组有效数据的最大值的平均值，作为最大自主收缩值；利用所述最大自主收缩值执行归一化处理。优选的，利用所述最大自主收缩值执行归一化处理的公式如下：其中，a表示经过差异消除的肌肉内部振动信号数据，ahinit表示在数据清洗后的初始肌肉内部振动信号，MVCper是最大自主收缩值。优选的，所述步骤3)进一步包括：31)针对所述异义信息，分别提取所述肌肉外部运动轨迹信号特征、肌肉内部振动信号特征；32)针对所述异义信息，提取用于描述所述肌肉外部运动轨迹数据和所述肌肉内部振动数据之间的内在联系的组合特征；33)利用所述步骤31)和所述步骤32)获得的特征获得最终特征。优选的，所述组合特征是肌肉募集能量系数特征，所述步骤32)进一步包括：321)分别求取所述肌肉外部运动轨迹信号数据和所述肌肉内部振动信号数据的合加速度信号；322)针对获得的所述合加速度信号进行积分运算，获得合速度值；323)根据下述公式计算肌肉募集能量系数特征：其中，MREC是肌肉募集能量系数特征，用于表示单位肌肉外部运动距离下，与肌肉内部产生和存储的能量值成正相关关系，sh2是表示与肌肉运动过程中持续产生和存储的能量值成正相关关系，sl是表示肌肉的外部运动距离，vl和vh分别为肌肉外部运动轨迹信号和肌肉内部振动信号的合速度值。优选的，所述步骤31)进一步包括：311)针对所述肌肉外部运动轨迹信号数据执行特征提取，包括平均值、标准差、频域能量、频域熵；312)针对所述肌肉内部振动信号数据执行特征提取，包括余弦相关性、标准差、平均功率频率、功率频谱密度、频域熵。优选的，所述步骤33)进一步包括：将所述步骤31)和所述步骤32)获得的特征数据执行串行的首尾相接的拼接处理，或在拼接处理后执行维度约减，获得最终特征。根据本专利技术的另一个方面，还提供一种人体运动识别模型建立方法，包括以下步骤：利用如上所述的特征提取方法提取用于建立识别模型的特征数据；利用所述特征数据建立人体运动识别模型。根据本专利技术的另一个方面，还提供一种人体运动识别方法，包括以下步骤：利用如上所述的特征提取方法提取待识别对象的运动特征数据；将所述运动特征数据输入至人体运动识别模型中进行人体运动识别。根据本专利技术的另一方面，还提供一种针对人体运动数据的特征提取装置，包括用于运动数据采集的采集单元，用于提取异义信息的信息提取单元和用于特征提取的特征提取单元；其中，所述异义信息提取单元包括用于提取肌肉外部运动轨迹信号数据的第一信息提取模块和用于提取肌肉内部振动信号数据的第二信息提取模块；所述特征提取单元包括用于分别提取肌肉外部运动轨迹信号特征的第一特征提取模块、用于提取肌肉内部振动信号特征的第二特征提取模块以及用于提取描述所述肌肉外部运动轨迹信号数据和所述肌肉内部振动信号数据之间内在联系的组合特征的第三特征提取模块；所述特征提取单元还包括用于针对所述肌肉外部运动轨迹信号特征、所述肌肉内部振动信号特征以及所述组合特征进行组合处理并获得最终特征的处理模块。根据本专利技术的另一个方面，还提供一种人体运动识别系统，包括如上所述的特征提取装置，以及与所述特征提取装置通信连接的数据采集接收装置、模型建立和运动识别装置，以及识别结果输出装置。相对于现有技术，本专利技术取得了如下有益技术效果：本专利技术提供的人体运动识别系统及方法，通过提取用户的肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及上述两种信号的关联特征，从而获得包含上述三种特征的最终特征进行运动识别，大幅度提高了识别精度；特别的，专利技术人提出了肌肉募集能量系数这一概念，能够有效的表示出上述两种信号的内部关系；另外，本专利技术在进行数据采集时，只使用了单源的加速度传感器，无需其它传感器配合使用，不仅节省了采集设备的成本，更减小了用户的穿戴负重，提高了用户体验感，有利于推广使用。附图说明图本文档来自技高网...

【技术保护点】
1.一种用于人体运动数据的特征提取方法，其特征在于，包括以下步骤：1)采集人体运动时产生的信号数据；2)提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；3)针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。

【技术特征摘要】
1.一种用于人体运动数据的特征提取方法，其特征在于，包括以下步骤：1)采集人体运动时产生的信号数据；2)提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；3)针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。2.根据权利要求1所述的特征提取方法，其特征在于，所述步骤1)进一步包括：11)利用单源加速度传感器采集人体运动时产生的信号数据；12)判断所述信号数据的有效性，并获得有效的信号数据。3.根据权利要求1所述的特征提取方法，其特征在于，所述步骤2)进一步包括：针对所述信号数据执行低通滤波和数据清洗，获得肌肉外部运动轨迹信号数据信息；针对所述信号数据执行带通滤波、数据清洗和个性化差异消除，获得肌肉内部轨迹信号数据信息；其中，所述低通滤波的频率在10-20赫兹范围内波动；所述带通滤波的最低频率在5-15赫兹范围内波动，所述带通滤波的最高频率在100-150赫兹范围内波动。4.根据权利要求3所述的特征提取方法，其特征在于，针对经所述带通滤波和数据清洗的所述有效数据，利用最大自主收缩值进行所述个性化差异消除，包括以下步骤：将一系列运动作为标准运动，采集至少一组用户进行所述标准运动时的运动数据；针对所述至少一组运动数据执行带通滤波和数据清洗获得至少一组有效运动数据；将获得的有效运动数据中的最大值，或多组有效数据的最大值的平均值，作为最大自主收缩值；利用所述最大自主收缩值执行归一化处理。5.根据权利要求4所述的特征提取方法，其特征在于，利用所述最大自主收缩值执行归一化处理的公式如下：其中，a表示经过差异消除的肌肉内部振动信号数据，ahinit表示在数据清洗后的初始肌肉内部振动信号，MVCper是最大自主收缩值。6.根据权利要求1所述的特征提取方法，其特征在于，所述步骤3)进一步包括：31)针对所述异义信息，分别提取所述肌肉外部运动轨迹信号特征、肌肉内部振动信号特征；32)针对所述异义信息，提取用于描述所述肌肉外部运动轨迹数据和所述肌肉内部振动数据之间的内在联系的组合特征；33)利用所述步骤31)和所述步骤32)获得的特征获得最终特征。7.根据权利要求6所述的特征提取方法，其特征在于，所述组合特征是肌肉募集能量系数特征，所述步骤32)进一步包括：321)分别求取...

【专利技术属性】
技术研发人员：张哲，王念，崔莉，赵泽，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京,11