一种基于传感器的ECOC技术的人体动作识别方法技术

本发明专利技术属于人体行为识别领域，提供一种基于传感器的ECOC技术的人体动作识别方法，该方法通过两个加速度传感器以及陀螺仪测得X、Y、Z三个方向上的加速度及角速度等九列运动数据，对原始数据进行小波去噪法预处理，并对信号进行重叠率50％的时间窗处理，通过时域分析法以及频率分析法提取特征值，将多分类任务通过M次划分为有限个二分类任务，主要通过ECOC编码矩阵，采用支持向量机(SVM)的拉普拉斯核函数从高维空间中找到一个最优平面将两个类别划分开来，通过计算Hamming距离，输出最小距离所对应的类别。本发明专利技术方法能够有效提高识别分类任务的准确性和高效性。

A Sensor-based ECOC Technology for Human Motion Recognition

【技术实现步骤摘要】
一种基于传感器的ECOC技术的人体动作识别方法
本专利技术属于人体行为识别领域，涉及一种基于传感器的ECOC技术的人体动作识别方法。
技术介绍
现在生活、医疗等领域等都广泛关注老年人、幼儿以及残疾人，人体行为识别具有重要的意义。通过准确识别他们的人体各项行为，实现很多安全措施，如日常监护甚至是在发生摔倒等危险行为时进行第一时间抢救，医学上，通过对病人的人体行为类别的识别和分析，可以为病情诊断和治疗提供依据。目前，对人体行为识别多采用摄像头采集数据进行图像处理技术，在应用图像处理技术存在数据量大、计算复杂以及不能对人体进行实时监护等缺点，而且基于视觉识别技术在光线不好时无法准确识别，不能适应不同环境，并且通过视频采集数据进行分析处理，容易泄露用户隐私。
技术实现思路
本专利技术的目的就是为了克服上述现有技术中的不足之处，提供一种基于传感器的ECOC技术的人体动作识别方法，是一种基于支持向量机(SVM)结合纠错输出码(ECOC)技术的多分类任务的人体行为识别方法，实现对日常行为以及跌倒等多种行为的识别，提高识别分类任务的准确性和高效性。为实现上述目的，本专利技术采用的技术方案如下。一种基于传感器的ECOC技术的人体动作识别方法，包括以下步骤：(1)使用加速度传感器以及陀螺仪采集数据，测得每种动作的加速度以及角度的x、y、z三轴数据；传感器的自身坐标系的z轴朝着人体正前方，x轴与地面垂直向上，x轴到y轴的旋转方向符合右手定则，在数据采集过程中测试人员需要按照指定的时间完成慢走、快走、慢坐、快坐、起立、非正常走路、轻跳、行走滑倒、侧向滑倒、垂直跌倒、向前倾倒、横向倾倒、慢跑、上楼梯、下楼梯15类行为。(2)对采集到的数据使用滑动窗口法截取数据片段，对窗内的数据进行降噪，用小波变换消除测得信号的抖动噪声和干扰；由于高效的分析和处理非平稳信号，使得小波包降噪有效的减少高频信号噪音信号，并保留数据的主要特征。然后对时间窗内的数据片段进行数据处理：由f＝200Hz，假设每种动作的采集时间为12s，故12s内采集2400组数据，窗口重叠率设置为50％，时间窗的跨度为1s。(3)对处理过的加速度和角速度数据进行时域和频域分析，两个加速度传感器和角速度产生的x轴方向的加速度以及角速度的值分别为ax、bx、ωx；y轴方向的加速度以及角速度的值分别为ay、by、ωy；z轴方向的加速度以及角速度的值分别为az、bz、ωz。计算的特征量包括：合加速度合加速度合角速度则，每个窗口内的均值为：每个窗口内的方差为：其中k为一个窗口内样本个数，对每种动作下的x、y、z三个方向上的加速度、角速度进行快速傅里叶变换，并提取长度为k的窗口的m维傅里叶变换系数。(4)采用多对多的策略训练分类器，采用ECOC编码矩阵对步骤(1)中所述的15个类别进行M次划分，采用三元码，即分类器指定为正类、反类或者“停用类”(分类器不使用该类别)，编码矩阵的行是需要分类的15种类别，列是M次划分后的每个二分类训练的分类器fj。(5)使用多个二分类任务进行模型训练，采用支持向量机SVM进行训练，通过一个核函数将非线性可分的特征向量映射到高维空间中找到一个最优平面将两个类别划分开来。(6)已经训练好的模型之中，进行ECOC解码操作，输出Hamming距离最短所对应的类别即是预测结果。在上述技术方案中，步骤(1)中加速度传感器采用ADXL345、MMA8451Q加速度传感器，陀螺仪采用ITG3200，采取数据频率为200Hz，每种动作的采集时间为12s或者是15s。在上述技术方案中，步骤(5)中采用的核函数为通用的拉普拉斯核函数：其中xi,xj为任意两个训练数据，σ>0为数据的标准差，通过构造支持向量机分类器：其中j＝1,2,…L，fj为每一个分类器，为核函数的系数。训练时第j个分类器f把训练集中的第j类数据划分为正类时用+1表示，反类用-1表示，0表示分类器f不使用该类样本。得到L个二分类支持向量机SVM分类器，可以分类慢走、快走、慢跑、上楼梯、下楼梯、慢坐、快坐、起立、非正常走路、轻跳、行走滑倒、侧向滑倒、垂直跌倒、向前倾倒、横向倾倒等动作。在上述技术方案中，步骤(6)采用的ECOC解码操作为计算测试样例与分类器对各类的划分结果的距离，计算Hamming距离；式中L为分类器个数，fi表示第i类分类器对应的编码值，Mi表示分类器对测试样例的结果，dij表示fi与Mi之间的Hamming距离。本专利技术基于传感器的ECOC技术的人体动作识别方法，与现有技术相比，具有以下优点：1.通过时序特征以及频率特征相结合，更加能表现动作人体行为的特征值。2.针对多分类任务采取ECOC编码，可以在测试阶段对分类器的错误有一定的容忍和修正能力。3.分解成的二分类任务，用简单典型SVM算法，减少了模型的训练时间，而且提高了模型的准确率。附图说明图1是本专利技术人体动作识别方法的流程图。图2是本专利技术的纠错输出码(ECOC)图。具体实施方式为了使本领域的技术人员更好的理解本专利技术的方法，下面将结合附图对专利技术进行进一步的详细说明。如图1所示，本专利技术实施例提供一种基于传感器的ECOC技术的人体动作识别方法，包括以下步骤：(1)使用ADXL345、MMA8451Q两个加速度传感器以及ITG3200陀螺仪，以200Hz的频率采集数据，加速度传感器ADXL345测量范围为±16g，分辨率为13位；MMA8451Q测量范围为±8g，分辨率为14位。ITG3200陀螺仪量程为±2000°/s，分辨率为16位。传感器的自身坐标系的z轴朝着人体正前方，x轴与地面垂直向上，x轴到y轴的旋转方向符合右手定则。在测试数据采集过程中测试人员需要按照指定的时间完成慢走、快走、慢坐、快坐、起立、非正常走路、轻跳、行走滑倒、侧向滑倒、垂直跌倒、向前倾倒、横向倾倒、慢跑、上楼梯、下楼梯等15类行为。这些测得的加速度数据(AD)通过以下转换公式转换为重力加速度：加速度[g]＝(2×范围)/(2分辨率)]×AD将测得的旋转数据(RD)通过以下转换公式转换为角速度：角速度[rad/s]＝[(2×范围)/(2分辨率)]×RD(2)数据的预处理：对采集到的数据使用滑动窗口法截取数据片段，在被取片段的之间，并且时间窗内的数据大约数据重叠率50％之间，时间框的大小选择1s到3s之间。对时间窗内的信号进行降噪，通过小波变换消除测得信号的抖动噪声和干扰，由于小波分析高效的分析和处理非平稳信号，借助小波分析与重构技术，使得小波包降噪有效的减少高频信号噪音信号，并保留数据的主要特征。(3)所采集的加速度和角速度数据进行时域和频域分析：两个加速度传感器和角速度产生的x轴方向的加速度以及角速度的值分别为ax、bx、ωx；y轴方向的加速度以及角速度的值分别为ay、by、ωy；z轴方向的加速度以及角速度的值分别为az、bz、ωz。计算的特征量包括：合加速度合加速度合角速度则，每个窗口内的均值、方差为：其中k为一个窗口内样本个数，对每种动作下的x、y、z三个方向上的加速度、角速度进行快速傅里叶变换，并提取长度为k的窗口的m维傅里叶变换系数；(4)对于步骤(3)的训练集进行分类任务时，对于多分类任务，主要是将多个分类的任务转换为多个二分类的任务，转换方式有很多，但本文档来自技高网...

【技术保护点】
1.一种基于传感器的ECOC技术的人体动作识别方法，其特征在于该方法包括以下步骤：(1)使用加速度传感器以及陀螺仪采集数据，测得每种动作的加速度以及角度的x、y、z三轴数据；传感器的自身坐标系的z轴朝着人体正前方，x轴与地面垂直向上，x轴到y轴的旋转方向符合右手定则，在数据采集过程中测试人员需要按照指定的时间完成慢走、快走、慢坐、快坐、起立、非正常走路、轻跳、行走滑倒、侧向滑倒、垂直跌倒、向前倾倒、横向倾倒、慢跑、上楼梯、下楼梯15类行为；(2)对采集到的数据使用滑动窗口法截取数据片段，对窗内的数据进行降噪，用小波变换消除测得信号的抖动噪声和干扰；(3)对处理过的加速度和角速度数据进行时域和频域分析，计算每个窗口内的均值、方差以及协方差，以及进行快速傅里叶变换，并提取长度为k的窗口的快速傅里叶变换系数；(4)采用多对多的策略训练分类器，采用ECOC编码矩阵对步骤(1)中所述的15个类别进行M次划分，采用三元码，即分类器指定为正类、反类或者停用类，编码矩阵的行是需要分类的15种类别，列是经过M次划分后的每个二分类训练的分类器fj；(5)采用支持向量机SVM方法对多个二分类任务进行分类训练得到L个分类器，通过一个核函数将非线性可分的特征向量映射到高维空间中找到一个最优平面划分两个类别；(6)已经训练好的模型之中，进行ECOC解码操作，以Hamming距离作为评价指标，预测结果输出为距离最短所对应的类别。...

【技术特征摘要】
1.一种基于传感器的ECOC技术的人体动作识别方法，其特征在于该方法包括以下步骤：(1)使用加速度传感器以及陀螺仪采集数据，测得每种动作的加速度以及角度的x、y、z三轴数据；传感器的自身坐标系的z轴朝着人体正前方，x轴与地面垂直向上，x轴到y轴的旋转方向符合右手定则，在数据采集过程中测试人员需要按照指定的时间完成慢走、快走、慢坐、快坐、起立、非正常走路、轻跳、行走滑倒、侧向滑倒、垂直跌倒、向前倾倒、横向倾倒、慢跑、上楼梯、下楼梯15类行为；(2)对采集到的数据使用滑动窗口法截取数据片段，对窗内的数据进行降噪，用小波变换消除测得信号的抖动噪声和干扰；(3)对处理过的加速度和角速度数据进行时域和频域分析，计算每个窗口内的均值、方差以及协方差，以及进行快速傅里叶变换，并提取长度为k的窗口的快速傅里叶变换系数；(4)采用多对多的策略训练分类器，采用ECOC编码矩阵对步骤(1)中所述的15个类别进行M次划分，采用三元码，即分类器指定为正类、反类或者停用类，编码矩阵的行是需要分类的15种类别，列是经过M次划分后的每个二分类训练的分类器fj；(5)采用支持向量机SVM方法对多个二分类任务进行分类训练得到L个分类器，通过一个核函数将非线性可分的特征向量映射到高维空间中找到一个最优平面划分两个类别；(6)已经训练好的模型之中，进行ECOC解码操作，以Hamming距离作为评价指标...

【专利技术属性】
技术研发人员：祖巧红，夏飞，曹菁菁，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42