本发明专利技术公开了一种无线体域网中基于压缩分类的动作识别方法，将能量有效和动作识别作为一个整体来考虑，对压缩采样的信号直接进行分类识别。将压缩感知运用到人体动作识别，其目标不再是重构出原有的运动数据，而是利用压缩感知的随机投影过程实现数据降维，再对压缩后的低维数据直接进行分类与识别，从而在对动作识别进行有效识别的同时降低传感器节点的能量消耗。
【技术实现步骤摘要】
本专利技术涉及。
技术介绍
压缩感知（compressed sensing)利用信号稀疏性的先验信息提供了一种利用低 维观测数据有效感知并重构信号的新方法。一方面是压缩感知理论的研究，如观测矩阵的 构建、信号重建的方法等等。另一方面是压缩感知理论在图像压缩、视频处理、磁共振成像、 生物传感、无线通信、雷达探测、无线传感器网络等各个领域的应用研究。在体域网的生 理信号处理方面：Yang等用实验数据验证了对于像走路、跑步这样的加速度信号具有稀疏 性，可利用压缩感知对信号以远低于奈奎斯特标准的方式进行数据采样，仍能精确地重构 出原始信号。Mamaghanian等对心电图生理信号进行了压缩感知与信号重构，并在传感器节 点上实现了模拟压缩采样。张智林等引入稀疏系数之间的相关性先验信息，提出结构化稀 疏分解算法，将压缩感知成功地应用在脑电图信号和胎儿心电图信号的压缩与重构。在无 线传感器网路的数据压缩方面：Luo等在多跳传感器网络中设计了一种有效的压缩数据收 集机制，避免信息传输过程的冗余，发现了一种能满足约束等距性条件的测量矩阵的简单 产生形式，并利用跨域的数据稀疏性进行压缩感知解码。 基于微惯性传感器的动作识别属于模式识别领域的一个新兴分支，已有的动作识 别专利技术都是从模式识别和机器学习方面考虑来提高动作识别率，而较少的考虑能量有效问 题。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术不足，提供一种无线体域网中基于 压缩分类的动作识别方法。 为解决上述技术问题，本专利技术所采用的技术方案是：一种无线体域网中基于压缩 分类的动作识别方法，其特征在于，包括以下步骤： 1)在由J个惯性传感器组成的无线体域网中进行人体运动信号采集时，传感器节 点j选择独立的随机投影矩阵Φ ];传感器节点j对各自采集的运动向量。进行随机投影， 运动向量。的维数为N ;将最初的N维运动信号通过一个MXN随机投影矩阵Φ ,投影到一 个M维的低维子空间，M << N，表示为： ν' =Φ,ν; 其中，v]= (l)，aH2)，一,aHh)]表示传感器节点j在动作持续一段时长T的 h次采样值构成的M维动作向量，= (/_)#(〇，<⑴…]表示传感器节点j中 的各个传感采集值，比如三轴加速度计在X、y、z三个方向测量的加速度值和二轴陀螺仪测 量的绕x、y轴旋转的角速度值等等；t = 1，2，. . .，h ;χ·] (t), y](t), ζ·] (t)表示第j个传感器 在第t个采样时刻的三轴加速度计在x、y、z三个方向测量的加速度值W⑴,，(/)分别表 示传感器节点j在第t个采样时刻的二轴陀螺仪测量的绕X、y轴旋转的角速度值； 2)在传感器节点j对"利用随机投影进行压缩，投影矩阵Φ ,选择为能够在传感 器节点j上实现的稀疏二进制随机矩阵，该随机矩阵的每列中恰有d个非零元素等于1，d << N ； 3)传感器节点j把经过随机投影后的运动向量P传到基站，由基站收集传感器节 点j投影后的运动向量 1v ;基站将传感器节点j的所有运动向量构造成传感器节点j的冗 余字典矩阵，字典中的每个列向量代表一个样本，Ii1, n2, ???n# 每种样本的数目；<;表示传感器节点j第i种动作的第η;个运动向量；i = I, 2,…C ; 4)基站对传感器节点j随机投影后的动作向量7建立线性回归方程，表示为： 其中ej为观测噪声，且噪声容限为I I e j I |2〈 ε ; a j为稀疏系数； 5)基站对传感器节点j的t和冗余字典矩阵Vi的各列进行规一化处理； 6)重复步骤1)~步骤5)，处理其余所有传感器节点； 7)基站分别通过求解极小化^范数下的优化问题得到J个线性回归方程组的稀 疏系数； 8)基站求出稀疏系数后，按下式计算并选择累积差值最小的动作种类为最终的识 别结果； 其中，#(?,)表示对应提取的稀疏系数中与第j个传感器第i种动作的所有动作 向量对应的系数，#(士）中其余的系数均为0 ;C为识别的动作种类。 T为2~5秒。与现有技术相比，本专利技术所具有的有益效果为：本专利技术对压缩采样 的信号直接进行分类识别。将压缩感知运用到人体动作识别，其目标不再是重构出原有的 运动数据，而是利用压缩感知的随机投影过程实现数据降维，再对压缩后的低维数据直接 进行分类与识别，从而在对动作识别进行有效识别的同时降低传感器节点的能量消耗。【附图说明】 图1为压缩分类动作识别示意图； 图2为每个传感器节点通过随机投影进行数据压缩后再传到Sink节点； 图3为基站收到多节点的压缩数据后进行动作识别； 图4为节点能量消耗示意图。【具体实施方式】 假设总共有J个传感器节点（每个节点配置有一个三轴加速度传感器和一个二轴 陀螺仪）、C种不同动作的动作识别问题。第j个传感器节点在t时刻采集的动作样本值可 记为： α) 其中，A P Ζ、0、史分别表示三轴加速度计在X、y、Z三个方向测量的加速度值 和二轴陀螺仪测量的绕X、y轴旋转的角速度值。 第j个传感器节点在动作持续一段时长内的h次采样值构成了一个一维动作向 量，可表示为： P) 那么由J个传感器节点的h次采样值构成了一个一维动作向量，可表示为：(3) 对于人体动作识别，像步行、跑步和跳跃等不同动作行为，由分布在身体各关节的 惯性传感器测量的观测向量所对应形成的运动轨迹近似分布在不同的几何子空间中，每个 子空间代表一个动作类别，将整个训练样本集中所有C种动作的所有训练样本组成冗余字 典矩阵V，字典中的每个基向量代表一个训练样本，它是由J个传感器节点的采样值拼接而 成的列向量，表示为： 其中 m = 5hJ，n = r^+r^+…+nc。 当给定一个待识别的动作向量Vtest时，稀疏表示分类方法将动作分类问题转化为 求解多元线性回归模型，可表示为： ㈧ 其中右为观测噪声。 在基于多个微惯性传感器的动作识别中，随着传感器数目和采样频率的增加，采 集的动作数据样本V e M5w的维数也会相应提高。但是，高维数据会导致数据传输消耗大量 能量，也会增加动作识别的难度和识别算法的复杂度。因此，考虑到高维特征数据通常含有 大量无效的冗余信息，可在传感器节点对高维数据进行压缩，减少了不必要的数据传输流 量从而降低传输能耗。 由于动作信号的稀疏性，压缩分类动作识别方法首先是在节点上利用压缩感知的 随机投影对传感器数据进行压缩采样，然后在基站利用稀疏表示对压缩采样数据进行分类 与识别。图1给出了压缩分类动作识别方法的示意图。 因为目前传感器节点的信号采集和处理方式都为奈奎斯特采样速率的模数转换 ADC(Analog_Digital Convertion)机制，因此数字化压缩采样（Dicital-CS)是在ADC之后 进行的，即利用压缩感知的随机投影对采样后的数据进行压缩。 随机投影（Random Projection, RP)其实是在压缩感知理论出现前就有的一种有 效的数据降维方法，它通过一组随机向量将高维数据投影到低维空间实现数据的压缩，具 有距离保持特性。 在每个传感器节点，将最初的N维的高维信号X通过一个MXN随机投影矩阵Φ 投影到一个M维的低维子空间（M<<N)，表示为：_ 本文档来自技高网...
【技术保护点】
一种无线体域网中基于压缩分类的动作识别方法，其特征在于，包括以下步骤：1)在由J个惯性传感器组成的无线体域网中进行人体运动信号采集时，传感器节点j选择独立的随机投影矩阵Φj；传感器节点j对各自采集的运动向量vj进行随机投影，运动向量vj的维数为N；将最初的N维运动信号通过一个M×N随机投影矩阵Φj投影到一个M维的低维子空间，M＜＜N，表示为：v~j=Φjvj]]>其中，vj＝[aj(1),aj(2),…,aj(h)]表示传感器节点j在动作持续一段时长T的h次采样值构成的M维动作向量，表示传感器节点j中的各个传感采集值，比如三轴加速度计在x、y、z三个方向测量的加速度值和二轴陀螺仪测量的绕x、y轴旋转的角速度值等等；t＝1，2，...，h；xj(t),yj(t),zj(t)表示第j个传感器在第t个采样时刻的三轴加速度计在x、y、z三个方向测量的加速度值；分别表示传感器节点j在第t个采样时刻的二轴陀螺仪测量的绕x、y轴旋转的角速度值；2)在传感器节点j对vj利用随机投影进行压缩，投影矩阵Φj选择为能够在传感器节点j上实现的稀疏二进制随机矩阵，该随机矩阵的每列中恰有d个非零元素等于1，d＜＜N；3)传感器节点j把经过随机投影后的运动向量传到基站，由基站收集传感器节点j投影后的运动向量基站将传感器节点j的所有运动向量构造成传感器节点j的冗余字典矩阵典中的每个列向量代表一个样本，n1,n2,…nC为每种样本的数目；表示传感器节点j第i种动作的第ni个运动向量；i＝1,2,…C；4)基站对传感器节点j随机投影后的动作向量建立线性回归方程，表示为：v~testj=ΦjVjαj+ej]]>其中ej为观测噪声，且噪声容限为||ej||2<ε；αj为稀疏系数；5)基站对传感器节点j的和冗余字典矩阵Vj的各列进行规一化处理；6)重复步骤1)～步骤5)，处理其余所有传感器节点；7)基站分别通过求解极小化l1范数下的优化问题得到J个线性回归方程组的稀疏系数；8)基站求出稀疏系数后，按下式计算并选择累积差值最小的动作种类为最终的识别结果；ri(v~test)=argminiΣj=1J||v~testj-ΦjVjδij(αj)||2,i=1,2,...,C]]>其中，表示对应提取的稀疏系数中与第j个传感器第i种动作的所有动作向量对应的系数，中其余的系数均为0；C为识别的动作种类。...
【技术特征摘要】
【专利技术属性】
技术研发人员：肖玲，李仁发，罗娟，秦凯强，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。