用于运动识别的聚类特征融合方法和装置制造方法及图纸

提供了一种用于运动识别的聚类特征融合方法和装置，所述方法包括：将从被采集者的加速度信号中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；通过求解线性方程组来确定每组聚类中心基向量的系数；使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；基于方差贡献率计算子集的聚类中心的融合权重；以及基于融合权重来获得融合后的时频域特征集。

【技术实现步骤摘要】
用于运动识别的聚类特征融合方法和装置
本专利技术涉及模式识别与人工智能
，更具体地，涉及一种用于运动识别的聚类特征融合方法和装置。
技术介绍
近年来，随着电子技术的发展，内置传感设备和增强嵌入式处理器的便携式终端(诸如，智能电话、个人数字助理(PDA)、平板计算机等)越来越多。更具体地，目前大多智能电话都内置了加速度传感器，当智能电话被用户放在口袋或背包中时，随着人体运动频率的改变，智能电话的加速度传感器可以检测到人体运动的状态，这能够方便地对人体运动模式进行分类，具有加速度传感器的智能电话逐渐成为运动模式分类的理想平台。特征融合是信息融合的一种并被常用于运动模式分类，其在信息的特征表示阶段上对信息进行融合，可以把不同时间和空间的特征进行综合处理，从而得到对目标环境的更精确、更可靠的描述。特征融合的基本原理和出发点是：充分利用多个特征源，通过对它们及其提供信息的合理支配和使用，把多个特征源在空间或时间上的冗余或互补信息在某种准则进行融合组合，以获得对被测对象的一致性解释或描述，使该信息系统由此获得比它的各组成部分的子集构成的系统更优越的性能。然而，基于加速度传感器的运动模式分类仍存在很大限制和困难，其中一点就是加速度信号复杂，获取的时频特征的融合能力差，这是由于在人体运动模式识别中，特征提取起到极其重要的信号本质特效表达作用，传统的时域特征主要有短时平均值、加窗能量值、相关系数、幅度值、短时功率值等，传统的频域特征主要有傅里叶变换频谱特征(FFT)、小波频域特征、功率谱特征等，这些特征由于物理意义不同、获取的特征维度不同、取值范围不同等，很难直接进行特征融合，如果采用简单的幅度归一化或常规的加权融合，一般不容易获得较好的识别效果，并且导致融合特征的识别率相对于未融合前最好的单个特征识别率反而下降。
技术实现思路
根据本专利技术的一方面，提供了一种用于运动识别的聚类特征融合方法，包括：将从被采集者的加速度信号中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；通过求解线性方程组来确定每组聚类中心基向量的系数；使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；基于方差贡献率计算子集的聚类中心的融合权重；以及基于融合权重来获得融合后的时频域特征集。可对时频域特征集[F1,F2,…,Fr]进行分割以获得不同的r个子集，其中，每个子集包括k个子特征集，r是正整数并表示被采集者的数量，k是正整数并且k<r，Fi(i＝1,2,…,r)表示从第i个被采集者的加速度信号中提取的时频域特征。可通过以下步骤来对时频域特征集进行分割：第一次分割从时频域特征集[F1,F2,…,Fr]的第一个特征开始，将时频域特征集分割为特征数相同的k个子特征集，即，S11＝[F1,F2,…,Fn]，S12＝[Fn+1,Fn+2,…,F2n]，…，S1k＝[F(k-1)n+1,F(k-1)n+2,…,Fkn]，其中，每个子特征集的样本数n为r/k取整；第二次分割从时频域特征集的第二个特征开始，将时频域特征集分割为特征数相同的k个子特征集，即，S21＝[F2,F3,…,Fn+1]，S22＝[Fn+2,Fn+3,…,F2n+1]，…，S2k＝[F(k-1)n+2,F(k-1)n+3,…，Fkn+1]；第三次分割从时频域特征集的第三个特征开始，将时频域特征集分割为特征数相同的k个子特征集，即，S31＝[F3,F4,…,Fn+2]，S32＝[Fn+3,Fn+4,…,F2n+2]，…，S3k＝[F(k-1)n+3,F(k-1)n+4,…，Fkn+2]；依次进行分割，直到从时频域特征集的第2n个特征开始的分割完成为止；下一次分割从时频域特征集的第二个特征开始，按照间隔子特征集样本数n将时频域特征集分割为特征数相同的k个子特征集，即，Sd1＝[F2,F2+n,…,F2+(n-1)×n]，Sd2＝[F3,F3+n,…,F3+(n-1)×n]，…，Sdk＝[Fk+1,Fk+1+n,…,Fk+1+(n-1)×n]；下一次分割从时频域特征集的第k+2个特征开始，按照间隔子特征集样本数n将时频域特征集分割为特征数相同的k个子特征集，即，S(d+1)1＝[Fk+2,Fk+2+n,…,Fk+2+(n-1)×n]，S(d+1)2＝[Fk+3,Fk+3+n,…,Fk+3+(n-1)×n]，…，S(d+1)k＝[F2k+1,F2k+1+n,…,F2k+1+(n-1)×n]；依次进行分割，直到从时频域特征集的第3n个特征开始的分割完成为止；下一次分割从时频域特征集的第二个特征开始，按照间隔子特征集样本数2n将时频域特征集分割为特征数相同的k个子特征集，即，Se1＝[F2,F2+2n,…,F2+(n-1)×2n]，Se2＝[F3,F3+2n,…,F3+(n-1)×2n]，…，Sek＝[Fk+1,Fk+1+2n,…,Fk+1+(n-1)×2n]；下一次分割从时频域特征集的第k+2个特征开始，按照间隔子特征集样本数2n将时频域特征集分割为特征数相同的k个子特征集，即，S(e+1)1＝[Fk+2,Fk+2+2n,…,Fk+2+(n-1)×2n，S(e+1)2＝[Fk+3,Fk+3+2n,…,Fk+3+(n-1)×2n，…，S(e+1)k＝[F2k+1,F2k+1+2n,…,F2k+1+(n-1)×2n；依次进行分割，直到分割时频域特征集的总次数和被采集者的数量相等为止。将时频域特征表示成以聚类中心为基向量的线性方程组的步骤可包括：通过使用k均值聚类方法来获得每个子特征集的m个聚类中心{CC1，CC2，…，CCm}，其中，CCz(z＝1,2,…,m)表示子特征集聚类后第i类动作的时频域特征的聚类中心，m是正整数并表示动作的类别数量；通过等式(1)将时频域特征表示成以聚类中心为基向量的线性方程组：其中，aij(i＝1,2,…,r，j＝1,2,…,m)表示聚类中心基向量的系数，εi(i＝1,2,…,r)表示误差平衡矢量。可通过等式(2)来计算聚类中心基向量对子集的方差贡献率：(j＝1,2,...,m)其中，(p＝1,2,…,r)表示每个被采集者的聚类中心基向量的系数的均值。计算子集的聚类中心的融合权重的步骤可包括：通过等式(3)来计算聚类中心的融合权重：其中，是方差贡献率的最大值，是方差贡献率的最小值；通过等式(4)来计算融合权重矩阵可通过等式(5)、(6)来获得融合后的时频域特征集FFV：FFV＝[FFV1,FFV2,...,FFVm](6)在从被采集者的加速度信号中提取时频域特征集之前，可使用比值线性归一化方法将被采集者的加速度信号归一化到[-1，1]的范围内。可使用融合后的时频域特征集中的部分融合后的时频域特征来训练贝叶斯网络分类器，以识别每个采集者的动作的类别。根据本专利技术的另一方面，还提供了一种线性方程组表示单元，将从被采集者的加速度信号中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；系数确定单元，通过求解线性方程组来确定每组聚类中心基向量的系数；方差贡献率计算单元，使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；融合权重计算单元，基于方差贡献率计算子集的聚类中心的融合权重；时频域特征集获得本文档来自技高网...

【技术保护点】
一种用于运动识别的聚类特征融合方法，包括：将从被采集者的加速度信号中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；通过求解线性方程组来确定每组聚类中心基向量的系数；使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；基于方差贡献率计算子集的聚类中心的融合权重；以及基于融合权重来获得融合后的时频域特征集。

【技术特征摘要】
1.一种用于运动识别的聚类特征融合方法，包括：将从被采集者的加速度信号中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；通过求解线性方程组来确定每组聚类中心基向量的系数；使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；基于方差贡献率计算子集的聚类中心的融合权重；基于融合权重来获得融合后的时频域特征集，其中，对时频域特征集[F1,F2,…,Fr]进行分割以获得不同的r个子集，其中，每个子集包括k个子特征集，r是正整数并表示被采集者的数量，k是正整数并且k<r，Fi表示从第i个被采集者的加速度信号中提取的时频域特征，其中，i＝1,2,…,r。2.如权利要求1所述的用于运动识别的聚类特征融合方法，其中，通过以下步骤来对时频域特征集进行分割：第一次分割从时频域特征集[F1,F2,…,Fr]的第一个特征开始，将时频域特征集分割为特征数相同的k个子特征集，即，S11＝[F1,F2,…,Fn]，S12＝[Fn+1,Fn+2,…,F2n]，…，S1k＝[F(k-1)n+1,F(k-1)n+2,…,Fkn]，其中，每个子特征集的样本数n为r/k取整；第二次分割从时频域特征集的第二个特征开始，将时频域特征集分割为特征数相同的k个子特征集，即，S21＝[F2,F3,…,Fn+1]，S22＝[Fn+2,Fn+3,…,F2n+1]，…，S2k＝[F(k-1)n+2,F(k-1)n+3,…，Fkn+1]；第三次分割从时频域特征集的第三个特征开始，将时频域特征集分割为特征数相同的k个子特征集，即，S31＝[F3,F4,…,Fn+2]，S32＝[Fn+3,Fn+4,…,F2n+2]，…，S3k＝[F(k-1)n+3,F(k-1)n+4,…，Fkn+2]；依次进行分割，直到从时频域特征集的第2n个特征开始的分割完成为止；下一次分割从时频域特征集的第二个特征开始，按照间隔子特征集样本数n将时频域特征集分割为特征数相同的k个子特征集，即，Sd1＝[F2,F2+n,…,F2+(n-1)×n]，Sd2＝[F3,F3+n,…,F3+(n-1)×n]，…，Sdk＝[Fk+1,Fk+1+n,…,Fk+1+(n-1)×n]；下一次分割从时频域特征集的第k+2个特征开始，按照间隔子特征集样本数n将时频域特征集分割为特征数相同的k个子特征集，即，S(d+1)1＝[Fk+2,Fk+2+n,…,Fk+2+(n-1)×n]，S(d+1)2＝[Fk+3,Fk+3+n,…,Fk+3+(n-1)×n]，…，S(d+1)k＝[F2k+1,F2k+1+n,…,F2k+1+(n-1)×n]；依次进行分割，直到从时频域特征集的第3n个特征开始的分割完成为止；下一次分割从时频域特征集的第二个特征开始，按照间隔子特征集样本数2n将时频域特征集分割为特征数相同的k个子特征集，即，Se1＝[F2,F2+2n,…,F2+(n-1)×2n]，Se2＝[F3,F3+2n,…,F3+(n-1)×2n]，…，Sek＝[Fk+1,Fk+1+2n,…,Fk+1+(n-1)×2n]；下一次分割从时频域特征集的第k+2个特征开始，按照间隔子特征集样本数2n将时频域特征集分割为特征数相同的k个子特征集，即，S(e+1)1＝[Fk+2,Fk+2+2n,…,Fk+2+(n-1)×2n，S(e+1)2＝[Fk+3,Fk+3+2n,…,Fk+3+(n-1)×2n，…，S(e+1)k＝[F2k+1,F2k+1+2n,…,F2k+1+(n-1)×2n；依...

【专利技术属性】
技术研发人员：薛洋，胡耀全，金连文，
申请(专利权)人：广州三星通信技术研究有限公司，三星电子株式会社，华南理工大学，
类型：发明
国别省市：广东;44