一种基于智能手机的人体运动状态识别方法技术

本发明专利技术提出一种基于智能手机的人体运动状态识别方法，包括步骤：运动状态数据采集，利用Android智能手机内嵌的加速度传感器和陀螺仪传感器采集运动状态数据；运动状态数据预处理，对利用传感器采集的数据进行滤波处理；训练神经网络模型，将处理后的数据送入到后台服务器，利用深度学习技术构建神经网络原型，再依据初步的训练结果，进一步优化神经网络模型；模型移植，将训练好的神经网络模型，利用Android技术将模型移植到手机中；运动状态识别，手机采集实时传感器信息，识别出当前的运动状态。本发明专利技术不需要额外的数据采集设备，提高了人体运动状态识别过程的智能化，方便了广大用户的使用。

A method of human motion status recognition based on smart phone

The invention provides a comprises the steps of human motion state recognition method based on intelligent mobile phone: motion data acquisition, using Android intelligent mobile phone embedded accelerometer and gyroscope sensor motion data; data preprocessing of the motion state, using the data collected by the sensor is filtered; training neural network model into processing after the data to the server, using the depth to construct neural network prototype learning technology, according to preliminary results of training, further optimization of neural network model; transplantation model, the trained neural network model, using Android technology to transplant the model to the mobile phone in the mobile phone; motion recognition, real-time sensor information, identify the moving state the current. The invention does not need additional data acquisition equipment, improves the intelligentization of the recognition process of human motion state, and facilitates the use of the vast number of users.

【技术实现步骤摘要】
一种基于智能手机的人体运动状态识别方法
本专利技术涉及运动状态识别领域，尤其涉及一种基于智能手机的人体运动状态识别方法。
技术介绍
人体运动状态识别已经成为现代人们关注的重点。由于大多数专业设备携带不便，不能很好地监测人们一天中的运动状态。而智能手机能够很好地解决这方面的问题。智能手机作为嵌入式设备，它的主板上嵌入了大量的传感器，使得智能手机具有更好的体验性。为了监测人体一天的运动状态，利用智能手机中的加速度传感器和陀螺仪传感器，采集手机持有人的运动数据并进行运动状态识别和记录。目前比较流行的是利用手机单纯记录走路状态，数据表示比较单一，不能记录当前实际的运动状态，不利于后期的数据多样化分析。传统的运动状态监测设备，不便于携带且由于未与网络连接，只能与本地存储模型进行对比判断，并且不能长期记录大量数据，使得采集到的数据不能产生更大的价值。而智能手机则不同，它能很好地解决上述问题，而且将来智能手机将嵌入更多的专业传感器来满足人们在实际生活中需要。
技术实现思路
本专利技术提供一种基于智能手机的人体运动状态识别方法，弥补传统采集设备携带不便，不能智能分析数据的不足，尤其是不能将采集到数据上传到后台服务器，不能动态的分析用户的运动，不能将数据结果和建议发送给用户等缺陷，改善其数据采集与分析的不足，提高运动状态识别的实时性和便捷性。为此，所采用的技术方案为：一种基于智能手机的人体运动状态识别方法，包括步骤：步骤一，运动状态数据采集：利用Android智能手机内嵌的加速度传感器和陀螺仪传感器采集运动状态数据，并对数据的种类做好标记，便于后面对数据的再次处理；步骤二，运动状态数据预处理：数据在采集的过程中存在大量的噪声，不利于模型的训练和测试；为了降低噪声因素的干扰需要对利用传感器采集的数据进行滤波处理；步骤三，训练神经网络模型：将处理后的数据送入到后台服务器，利用深度学习技术构建神经网络原型，再依据初步的训练结果，进一步优化神经网络模型，直到识别的准确度设定的阈值，即可停止训练；步骤四，模型移植：将训练好的神经网络模型，利用Android技术将模型移植到手机中；步骤五，运动状态识别：手机采集实时传感器信息，识别出当前的运动状态；进一步地，所述步骤一中运动状态数据的采集过程中，提出利用众包思想采集数据，以扩大训练数据的样本容量，获取更多不同人体对相同动作的数据样本，从而提升运动状态的识别率。进一步地，所述步骤二中运动状态数据的采集过程中，本文提出采用中值滤波和Butterworth滤波对原始信号滤波。进一步地，所述步骤二中运动状态数据的预处理过程中，本专利技术两种数据保存方式，即可保存在本地手机端，还可以上传到后台服务器端；进一步地，所述步骤三中传感器采集到的数据属于时间序列类型，循环神经网络模型能很好的处理具有关联关系的时间序列数据。进一步地，所述步骤三中模型训练过程，根据众多的开源资源数据集，依据深度学习框架和实际情况构建训练模型，通过标准测试库验证训练好的模型，不断修改模型以提高识别精度。进一步地，所述步骤一、三、四中需要在手机端开发一个APP，用于前期的运动数据采集，用于人体运动状态实时识别与记录。更进一步地，所述步骤四中APP可以显示人每天每种状态的持续时间，以记录每天的运动状态；进一步地，所述步骤四中通过众包思想采集大量的用户运动状态信息，用于分析用户的行为习惯，最后将分析结果返回给用户。本专利技术将智能手机软件开发、深度学习、数据分析在运动状态识别领域相结合，通过数据采集，数据预处理，并和深度学习相结合训练神经网络模型，将训练好的神经网络模型移植到智能手机中，并开发一款运动状态识别应用软件，该软件集数据采集与运动状态于一体。当训练数据量不足时，可以运用该软件进行数据采集，以提高人体运动状态识别率；当需要进行运动状态识别时，即可根据目前人体的运动状态识别相对应的运动状态；同时能够统计出一天中每种状态持续时间。并将这些运动数据发送到后台服务器，后台服务器分析数据，并将分析报告返回给用户。综上，本专利技术与现有的运动状态识别系统相比，具有以下优点：(1)通过建立的运动状态库模型，并将其移植到智能手机中，识别出人体的实时运动状态。(2)数据采集过程和识别过程方便，不需要其他设备，只需要一部智能手机即可完成。(3)利用深度学习和运动状态识别，手机端自动记录该用户每天每种运动状态持续的时间。(4)能够实时识别监测用户的运动状态。(5)每天将用户数据上传，并同用户历史数据以及其他用户的运动数据整合分析，然后返回分析结果以供用户参考。附图说明图1为本专利技术基于智能手机的人体运动状态识别方法流程图；图2为本专利技术基于智能手机的人体运动状态识别方法的系统结构图；图3为本专利技术基于智能手机的人体运动状态识别方法详细的流程图；图4为本专利技术基于智能手机的人体运动状态识别方法的神经网络模型的流程图；图5为本专利技术基于智能手机的人体运动状态识别方法的TensorFlow生成数据流程图；图6为本专利技术基于智能手机的人体运动状态识别方法训练神经网络时的参数设置。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的总体原理示意如图1和图2所示，通过利用嵌入在手机内的传感器采集人体的运动状态信号，并将信号数据上传至后台服务器，后台服务器先对信号数据进行预处理，去除信号数据中的噪声，然后将信号数据存储到数据库中以备用。将信号数据导入深度学习模型，构建深度学习模型。最后再将训练好的模型移植到智能手机中，便可以对人体的运动状态进行识别。本专利技术中详细流程如图3所示，通过手机的加速度传感器和陀螺仪传感器采集人体运动的信号数据。数据上传至服务器后，服务器需要对数据进行预处理，去除数据的噪声，然后将其存储在数据库中，以便以后的处理分析。随后将数据导入初步构建好模型中训练模型，将训练好的模型通过测试数据测试通过后移植到智能手机中，然后识别人体的运动状态。具体方法如下：步骤一：传感器数据采集。由于智能手机中嵌入大量的传感器，这些传感器的加入增加了智能手机的娱乐性，丰富了手机应用。本专利技术利用智能手机的加速传感器和陀螺仪传感器采集人体运动状态，由于这两个传感器的数据涉及加速度和角速度问题，它们能够很好地记录人体的运动状态的特征。为了使采集到的数据合理且有效，并从实际采集到的数据中提取部分数据上传至服务器，从而去除数据的起始处和结尾处数据不稳定因素。利用众包模式进行数据采集，丰富数据的多样性，从而提高数据识别的精度。步骤二：数据预处理。由于传感器数据在采集的过程中，伴随着少量的噪声，为了降低数据中的噪声，需要对信号数据进行降噪处理，还原信号数据的本质，主要采取中值滤波和Butterworth滤波对原始信号滤波。步骤三：数据存储。由于采用了众包思想采集数据，数据量比较大，需要对数据进行存储，方便以后对数据处理和分析。步骤四：模型训练与模型测试。目前比较流行的深度学习的框架有TensorFlow、DeepLearningforJava、Caffe等。本文采用由本文档来自技高网...

【技术保护点】
一种基于智能手机的人体运动状态识别方法，其特征在于，包括步骤：步骤一，运动状态数据采集：利用Android智能手机内嵌的加速度传感器和陀螺仪传感器采集运动状态数据，并对所述运动状态数据的种类做好标记；步骤二，运动状态数据预处理：对所述采集到的运动状态数据进行滤波处理；步骤三，训练神经网络模型：将处理后的运动状态数据送入到后台服务器，利用深度学习技术构建神经网络原型，再依据初步的训练结果，进一步优化神经网络模型，直到识别的准确度达到给定阈值；步骤四，模型移植：将训练好的神经网络模型，利用Android技术移植到所述Android智能手机中；步骤五，运动状态识别：使用所述Android智能手机采集实时传感器信息，识别当前的人体运动状态。

【技术特征摘要】
1.一种基于智能手机的人体运动状态识别方法，其特征在于，包括步骤：步骤一，运动状态数据采集：利用Android智能手机内嵌的加速度传感器和陀螺仪传感器采集运动状态数据，并对所述运动状态数据的种类做好标记；步骤二，运动状态数据预处理：对所述采集到的运动状态数据进行滤波处理；步骤三，训练神经网络模型：将处理后的运动状态数据送入到后台服务器，利用深度学习技术构建神经网络原型，再依据初步的训练结果，进一步优化神经网络模型，直到识别的准确度达到给定阈值；步骤四，模型移植：将训练好的神经网络模型，利用Android技术移植到所述Android智能手机中；步骤五，运动状态识别：使用所述Android智能手机采集实时传感器信息，识别当前的人体运动状态。2.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤一中运动状态数据的采集过程中，包括步骤：利用众包思想采集运动状态数据，获取更多不同人体对相同动作的数据样本。3.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤二中运动状态数据预处理，采用中值滤波和Butterworth滤波对原始信号滤波。4.根据权利要求1所述的基于智能手机的...

【专利技术属性】
技术研发人员：赵宏，侯春宁，晏超，王孝通，刘向东，王乐，王伟杰，常兆斌，张浩，雷晓强，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：甘肃,62