一种用户行为动作检测识别方法技术

本发明专利技术涉及一种用户行为动作检测识别方法，通过三轴加速度传感器实现了三维加速度的数据采集，并利用小波变换滤波算法对原始数据进行滤波处理，提高了可靠性。在此基础上，本发明专利技术利用主成分分析法有效的优化了数据集，同时比较了四种不同的模式识别分类算法和三种分类模型寻优算法，最终获得最优参数寻优算法与最佳分类器，实现针对用户行为动作的检测，实现了用户行为动作的有效识别，并针对异常行为进行报警；并且实验结果证明，该方法具有准确度高，相对计算复杂度低和实时性好等优点。

【技术实现步骤摘要】

本专利技术涉及一种用户行为动作检测识别方法，属于无线体域网(Wireless Body Area Networks,WBAN)

技术介绍
利用可穿戴设备识别人体活动是当前研究热点，利用一个或多个可穿戴设备佩戴在人体部位监测，识别的行为主要包括日常活动识别(如站起、步行、跑步或坐下的等基本动作)体育运动、老年人跌倒监测或婴幼儿病症状况等。可穿戴式无线传感设备是一种基于移动计算的新概念系统，这种新概念大概是从上世纪60年代源起。从90年代以后，随着科技的发展，集成电路大规模地已迅猛的速度发展，也表明对可穿戴设备的研究进入了一个全新的时代。可穿戴设备的应用领域非常广泛，它可以简单的理解为无线传感器局域网，即无线传感局域网在实验个体上的实现。基于此可以明确的说，在不同的领域都需要有可穿戴设备的需求。在日常生活中，其实大多数的人们已经同时携带了很多个无线传感设备了，如果将这样庞大的网络终端群体利用起来，组成一个庞大的无线传感网，将带来不可估计的方便效用。对于一些危险的工作行业和娱乐项目，如勘探、登山、救援等等，如果在参与者身上佩戴一些可穿戴设备，可以及时获取信息，减少牺牲。MEMS微型机械体系，主要在超精密仪器研究领域上使用，一般都在微米级别。MEMS能将多个传感器集成于一体，或者，MEMS会形成微传感器的阵列，即使它们的功能和敏感方向都不同。甚至把多种功能的器件集成在一起，形成微机电系统元件。再将微机电系统元件通过一定的功能组成复杂的微系统。通过将微型机电系统集成了微执行器、微传感器以及微电子器件，能够达到高可靠性和稳定性。MEMS传感器的主要特点是有较小的体积，较低的成本，较好的可靠性，较低的功耗，在数字化、智能化方面表现优势，能够达到较大的测量范围。随着电子科技的进步，各种新兴的原理。结构、材料和工艺即将随着MEMS传感器的优化而涌出，可以说MEMS传感器的发展前景大好。当前的网络模型适合用来构建可穿戴式无线网络的技术主要有Bluetooth和ZigBee等。这两种无线技术均属于IEEE802.15家族，工作于ISM频段。无线传感器网络(Wireless Sensor Network,WSN)是由监测区域内大量的传感器节点组成，通过无线通信方式形成的一个多跳的自组织网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者。本方法进行数据采集模块的操作平台，即Tiny OS操作系统，用于向Shimmer平台烧录程序和数据采集。模式识别(Pattern Recognition,PR)，也叫行为识别，是一种基于计算机计算，通过数学算法研究，使计算机能够实现对样本的识别和分析，达到能够自主处理和判断。其中“模式”指的是实验环境信息等。随着计算机发展和人工智能的快速发展，人类对模式识别算法所进行融合和优化，使得构建的模型能达到更高的识别分类精度和泛化能力。模式识别关于处理问题的性质，以及解决问题的方法等方面，又被分为了有监督模式识别(Supervised-Classification)分类和无监督模式识别(Unsupervised-Classification)分类。这两者的主要区别在于两者用来做实验的样本是否提前先知道。无监督模式识别，主要的特征就是，不是将实验样本的描述特征量和进行识别分类的判断属性，进行统一关联，来进行分类模型的建设。比如主成份分析法(Principal Component Analysis，PCA)，它是通过在实验样本的特征量集合当中，找出差别最大的超平面，进行属性分类。这种识别方法就被称作无监督的模式识别分类。显然，有监督的模式识别需要提前知道样本所属的类别，也就表示它可能需要大量提前知道分类类别属性的样本来支持构建模，可是在实际运用中，这是很难达到的。这就引出本专利技术对无监督的模式识别分类方法的深入研究有很大的意义了。如今对人工智能研究的不断扩大，然而大多是基于单个或少数实验对象进行多传感节点检测，较少考虑其实用性、推广性和在非实验室场合的运用。对于一些特殊应用领域如公共场合、监狱系统。对于低功耗、带宽受限的传感网中，多节点、多监测对象，同时同步地进行行为识别，则需要对传感系统和分类算法的能效性进行优化。
技术实现思路
本专利技术所要解决的技术问题是提供一种采用全新设计架构，能够在低功耗、带宽受限的传感网中，对多节点、多对象进行定位，以及对生理特征、行为异常进行判断，同时满足低成本、易部署、高速率通信等要求的用户行为动作检测识别方法。本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种用户行为动作检测识别方法，基于穿戴在目标用户身上的三轴加速度传感器，实现目标用户行为动作的识别，包括如下步骤：步骤001.目标用户分别执行预设时长的N类指定行为动作，同时，通过三轴加速度传感器，按预设采集时刻频率，采集分别位于X轴、Y轴、Z轴上的加速度，构成校正采集数据，并且获得校正采集数据分别与N类指定行为动作的分类对应关系，构成对应校正验证数据，然后进入步骤002；步骤002.针对校正采集数据进行去噪处理，然后进入步骤003；步骤003.针对校正采集数据，按时间序列顺序、预设分组数据长度进行分组，并且按时间序列顺序，使得相邻分组之间具有预设百分比的数据重叠，获得校正采集数据所对应的各个采集数据组，并根据校正采集数据分别与N类指定行为动作的分类对应关系，获得校正采集数据所对应各个采集数据组分别与N类指定行为动作的分类对应关系，更新对应的校正验证数据，然后进入步骤004；步骤004.分别针对校正采集数据所对应的各个采集数据组，获得采集数据组所对应的均值与方差，作为该采集数据组均值特征和方差特征，即获得校正采集数据所对应各个采集数据组的均值特征和方差特征，然后进入步骤005；步骤005.针对校正采集数据所对应的各个采集数据组，按预设比例划分为两部分，获得校正采集数据对应第一部分的各个采集数据组，以及获得校正采集数据对应第二部分的各个采集数据组，并且校正采集数据所对应的两部分均包括N类指定行为动作所对应的各个采集数据组；然后进入步骤006；步骤006.根据采集数据组的均值特征和方差特征，分别采用预设各个分类器，针对校正采集数据所对应第一部分的各个采集数据组进行分类，获得该各个分类器的分类结果，然后根据该各个采集数据组所对应的校正验证数据，分别获得该各个分类器的分类结果准确率，选择其中最大分类结果准确率所对应的分类器，作为最佳分类器，进入步骤007；步骤007.采用预设各个参数寻优算法，分别针对最佳分类器进行参数寻优，获得各个参数寻优算法所分别对应的最佳分类器；根据采集数据组的均值特征和方差特征，分别采用该各个参数寻优算法所对应的最佳分类器，针对校正采集数据所对应第二部分的各个采集数据组进行分类，获得该各个分类器的分类结果，然后根据该各个采集数据组所对应的校正验证数据，分别获得该各个分类器的分类结果准确率，选择其中最大分类结果准确率所对应参数寻优算法对应的最佳分类器，将该参数寻优算法作为最优参数寻优算法，同时根据校正验证数据，获得该最大分类结果准确率下，N类指定行为动作分别所对应的分类结果范围，作为目标用户行为动作分类标准，然后进入步骤008；步骤008.针对目标用本文档来自技高网...

【技术保护点】
一种用户行为动作检测识别方法，基于穿戴在目标用户身上的三轴加速度传感器，实现目标用户行为动作的识别，其特征在于，包括如下步骤：步骤001.目标用户分别执行预设时长的N类指定行为动作，同时，通过三轴加速度传感器，按预设采集时刻频率，采集分别位于X轴、Y轴、Z轴上的加速度，构成校正采集数据，并且获得校正采集数据分别与N类指定行为动作的分类对应关系，构成对应校正验证数据，然后进入步骤002；步骤002.针对校正采集数据进行去噪处理，然后进入步骤003；步骤003.针对校正采集数据，按时间序列顺序、预设分组数据长度进行分组，并且按时间序列顺序，使得相邻分组之间具有预设百分比的数据重叠，获得校正采集数据所对应的各个采集数据组，并根据校正采集数据分别与N类指定行为动作的分类对应关系，获得校正采集数据所对应各个采集数据组分别与N类指定行为动作的分类对应关系，更新对应的校正验证数据，然后进入步骤004；步骤004.分别针对校正采集数据所对应的各个采集数据组，获得采集数据组所对应的均值与方差，作为该采集数据组均值特征和方差特征，即获得校正采集数据所对应各个采集数据组的均值特征和方差特征，然后进入步骤005；步骤005.针对校正采集数据所对应的各个采集数据组，按预设比例划分为两部分，获得校正采集数据对应第一部分的各个采集数据组，以及获得校正采集数据对应第二部分的各个采集数据组，并且校正采集数据所对应的两部分均包括N类指定行为动作所对应的各个采集数据组；然后进入步骤006；步骤006.根据采集数据组的均值特征和方差特征，分别采用预设各个分类器，针对校正采集数据所对应第一部分的各个采集数据组进行分类，获得该各个分类器的分类结果，然后根据该各个采集数据组所对应的校正验证数据，分别获得该各个分类器的分类结果准确率，选择其中最大分类结果准确率所对应的分类器，作为最佳分类器，进入步骤007；步骤007.采用预设各个参数寻优算法，分别针对最佳分类器进行参数寻优，获得各个参数寻优算法所分别对应的最佳分类器；根据采集数据组的均值特征和方差特征，分别采用该各个参数寻优算法所对应的最佳分类器，针对校正采集数据所对应第二部分的各个采集数据组进行分类，获得该各个分类器的分类结果，然后根据该各个采集数据组所对应的校正验证数据，分别获得该各个分类器的分类结果准确率，选择其中最大分类结果准确率所对应参数寻优算法对应的最佳分类器，将该参数寻优算法作为最优参数寻优算法，同时根据校正验证数据，获得该最大分类结果准确率下，N类指定行为动作分别所对应的分类结果范围，作为目标用户行为动作分类标准，然后进入步骤008；步骤008.针对目标用户，通过三轴加速度传感器，实时采集分别位于X轴、Y轴、Z轴上的加速度，构成实际采集数据，再针对该实际采集数据进行去噪处理，接着按照步骤003的方法，针对实际采集数据进行分组，获得实际采集数据所对应的各个采集数据组，并分别获得该各个采集数据组的均值特征和方差特征，然后进入步骤009；步骤009.根据实际采集数据所对应各个采集数据组的均值特征和方差特征，采用经过最优参数寻优算法进行参数寻优的最佳分类器，针对实际采集数据所对应各个采集数据组进行分类，获得分类结果，然后目标用户行为动作分类标准，判别实际采集数据中各个采集数据组所对应的行为动作，即获得目标用户的行为动作。...

【技术特征摘要】
1.一种用户行为动作检测识别方法，基于穿戴在目标用户身上的三轴加速度传感器，实现目标用户行为动作的识别，其特征在于，包括如下步骤：步骤001.目标用户分别执行预设时长的N类指定行为动作，同时，通过三轴加速度传感器，按预设采集时刻频率，采集分别位于X轴、Y轴、Z轴上的加速度，构成校正采集数据，并且获得校正采集数据分别与N类指定行为动作的分类对应关系，构成对应校正验证数据，然后进入步骤002；步骤002.针对校正采集数据进行去噪处理，然后进入步骤003；步骤003.针对校正采集数据，按时间序列顺序、预设分组数据长度进行分组，并且按时间序列顺序，使得相邻分组之间具有预设百分比的数据重叠，获得校正采集数据所对应的各个采集数据组，并根据校正采集数据分别与N类指定行为动作的分类对应关系，获得校正采集数据所对应各个采集数据组分别与N类指定行为动作的分类对应关系，更新对应的校正验证数据，然后进入步骤004；步骤004.分别针对校正采集数据所对应的各个采集数据组，获得采集数据组所对应的均值与方差，作为该采集数据组均值特征和方差特征，即获得校正采集数据所对应各个采集数据组的均值特征和方差特征，然后进入步骤005；步骤005.针对校正采集数据所对应的各个采集数据组，按预设比例划分为两部分，获得校正采集数据对应第一部分的各个采集数据组，以及获得校正采集数据对应第二部分的各个采集数据组，并且校正采集数据所对应的两部分均包括N类指定行为动作所对应的各个采集数据组；然后进入步骤006；步骤006.根据采集数据组的均值特征和方差特征，分别采用预设各个分类器，针对校正采集数据所对应第一部分的各个采集数据组进行分类，获得该各个分类器的分类结果，然后根据该各个采集数据组所对应的校正验证数据，分别获得该各个分类器的分类结果准确率，选择其中最大分类结果准确率所对应的分类器，作为最佳分类器，进入步骤007；步骤007.采用预设各个参数寻优算法，分别针对最佳分类器进行参数寻优，获得各个参数寻优算法所分别对应的最佳分类器；根据采集数据组的均值特征和方差特征，分别采用该各个参数寻优算法所对应的最佳分类器，针对校正采集数据所对应第二部分的各个采集数据组进行分类，获得该各个分类器的分类结果，然后根据该各个采...

【专利技术属性】
技术研发人员：田峰，刘薇，陈建新，周亮，杨震，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32