基于自适应加速度信号分割的人体姿势实时识别方法技术

本发明专利技术涉及一种基于自适应加速度信号分割的人体姿势实时识别方法，其包括以下步骤，1建立运动姿势模型clasM和静止姿势模型clasML；2通过穿戴在被识别对象身上的加速度传感器获取数据；3获得信号特征值；4获取被识别对象姿势变换的边界点；5计算相邻两姿势变换边界点之间的平均三维加速度

【技术实现步骤摘要】
基于自适应加速度信号分割的人体姿势实时识别方法
本专利技术属于模式识别与信息处理
，具体涉及一种基于自适应加速度信号分割的人体姿势实时识别方法。
技术介绍
现有的比较成熟的人体姿势识别系统，例如智能手环，智能手表等大部分主要用于记录步数、步行距离等，对身体姿势只能粗略地分类为走、跑和静止，不能具体地识别出静止姿势中的站姿、坐姿和躺姿，也不能识别出慢走和快走，另外也不具备异常情况实时分析和报警功能。
技术实现思路
本专利技术所要解决的技术问题在于提供一种基于自适应加速度信号分割的人体姿势实时识别方法，能够准确的识别日常生活中常见的身体姿势，进而能够及时发现被识别对象是否有健康的日常生活习惯，是否发生了异常情况，及健康状况是否发生了变化。为实现上述目的，本专利技术的技术方案包括以下步骤，(1)建立运动姿势模型clasM和静止姿势模型clasML：所述运动姿势模型clasM和静止姿势模型clasML的输入均为通过加速度传感器采集的被识别对象的传感器数据；运动姿势模型clasM的输出为被识别对象在运动状态下的不同姿势，静止姿势模型clasML的输出为被识别对象在静止状态下的不同姿势；(2)通过穿戴在被识别对象身上的加速度传感器获取数据：所述数据为Ax，Ay，Az和t；t为时间，Ax，Ay，Az分别为t时刻下人体的加速度在X、Y、Z三个轴上加速度分量值。(3)获得信号特征值：根据步骤(2)采集到的数据，计算得到信号特征值Axyz和ΔA，将计算得到的所述信号特征值Axyz和ΔA和步骤(1)采集的信号特征值Ax，Ay，Az都存储到数组Fture,Fture[i]＝[Ax[i],Ay[i],Az[i],Axyz[i],ΔA[i]]；其中Axyz为三维加速度；ΔA为相邻的两个Axyz之间变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度；(4)获取被识别对象姿势变换的边界点：4-1设定在步骤(3)得到的ΔA信号中存在第i个活动窗口w，大小为w＝2f,边界是[i,i+2f]，其中f是加速度传感器的采样频率，w是活动窗口；4-3利用公式(5)对每个所述活动窗口计算其前半窗ΔA的平均值和后半窗ΔA的平均值，计算二者之差，并判断其是否大于等于事先定义的闽值th1，同时利用公式(6)判断该活动窗口的中间点与上一个边界点的时间差是否大于2秒钟；4-3若公式(5)和(6)同时满足，则将该活动窗口的中间点确定为姿势变换的边界点，并保存到边界点数组bp[j]＝i+f，若不同时满足则继续进行步骤(2)；其中i＝1,…,n，n是的长度；j＝1,…,m，m是姿势变换边界点数组bp的长度；(5)计算相邻两姿势变换边界点之间的平均三维加速度的大小；(6)若则调用步骤(1)建立的运动姿势分类模型clasM识别当前特征值的姿势类别，若则调用步骤(1)建立的静止姿势分类模型clasML识别当前特征值的姿势类别；最后运动姿势分类模型clasM或静止姿势分类模型clasML输出当前状态的识别结果。进一步地，步骤(3)中，将步骤(2)采集到的数据利用公式(1)和公式(2)得到信号特征值Axyz和ΔAΔA[i]＝|Axyz[i]-Axyz[i-1]|(2)其中Axyz为三维加速度；ΔA为相邻两个Axyz之间的变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度。进一步地，步骤(5)中，利用公式(7)计算相邻两姿势变换边界点之间的平均三维加速度的大小，其中为平均三维加速度；j＝1,…,b，b是信号的长度；bp[j]和bp[j-1]分别是姿势变换边界点数组的第j和第j-1个元素。进一步地，步骤(6)中，利用公式(8)对两边界点之间的特征值Fture[i]进行分类，其中pose是存放姿势识别结果的数组；pose[j]是识别结果的第j个元素；j＝1,…,p，p是数组pose的长度；i＝1,…,s，s是静止姿势类别数组ml或运动姿势类别数组m的长度。进一步地，步骤(1)中，运动姿势模型clasM的输出包括跑，快走，慢走，上楼梯，下楼梯，静止姿势模型clasML的输出包括站，坐，侧躺，俯卧，仰卧。进一步地，运动姿势模型clasM和静止姿势模型clasML的建立过程包括以下步骤，a.训练对象在运动状态下的不同姿势用数组m存储，表达为:m＝{跑,快走,慢走,上楼梯,下楼梯}；在静止状态下的不同姿势用数组ml存储，表达为ml＝{站,坐,侧躺,俯卧,仰卧}；b.训练对象将加速度传感器设备穿戴在身上，然后分别完成指定的静止姿势，所述静止姿势来自数组ml，每个姿势保持T1秒钟，把数组ml中的所有姿势都进行一遍；然后完成数组m指定的运动姿势，每个姿势保持T2秒钟，把数组m中的所有姿势都进行一遍；通过穿戴在人体上的加速度传感器获取每个姿势下对应的数据，所述数据为Ax，Ay，Az和t；其中t为采集时间；Ax,Ay,Az分别为t时刻下人体的加速度在X、Y、Z三个轴上加速度分量值；b.利用公式(1)和公式(2)获得信号特征值Axyz和ΔA；将计算得到的所述信号特征值Axyz和ΔA和步骤(1)采集的信号特征值Ax，Ay，Az都存储到数组Fture,Fture[i]＝[Ax[i],At[i],Az[i],Axyz[i],ΔA[i]]；ΔA[i]＝|Axyz[i]-Axyz[i-1]|(2)其中Ax,Ay,Az分别为加速度在X、Y、Z三个轴上加速度分量值，Axyz为三维加速度；ΔA为相邻两个Axyz之间的变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度；c将训练对象静止状态的不同姿势下对应的数组Fture数据存储到静止姿势训练数组trainML，并标上相应的静止姿势标签ml[i]，trainML[i]＝[Ax[i],Ay[i],Az[i],Axyz[i],ΔA[i],ml[i]]；同时将训练对象在运动状态的不同姿势下对应的数组Fture数据存储到运动姿势训练数组trainM，并标上相应的运动姿势标签m[i]，trainM[i]＝[Ax[i],Ay[i],Az[i],Axyz[i],ΔA[i],m[i]]；d利用公式(3)和(4)分别学习获得静止姿势分类模型clasML和运动姿势分类模型clasM：将上述训练数据trainML和trainM分别作为公式(3)和(4)的输入数据，采用机器学习系统中的一种算法自动训练学习得到分类模型，即运动姿势模型clasM和静止姿势模型clasML；公式(3)和(4)中，ωi是一组加权系数；k是一个反应每一时刻的特征值Fture[i]与静止姿势类别ml[i]或运动姿势类别m[i]之间关系的函数；i＝1,…,l，l是数组trainML或trainM的长度；当用训练数据学习结束时，将会得到确定的ω和k，同时也就获得了两个模型即运动姿势模型clasM和静止姿势模型clasML。进一本文档来自技高网...

【技术保护点】
1.一种基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：其包括以下步骤，/n(1)建立运动姿势模型clasM和静止姿势模型clasML：/n所述运动姿势模型clasM和静止姿势模型clasML的输入均为通过加速度传感器采集的被识别对象的传感器数据；运动姿势模型clasM的输出为被识别对象在运动状态下的不同姿势，静止姿势模型clasML的输出为被识别对象在静止状态下的不同姿势；/n(2)通过穿戴在被识别对象身上的加速度传感器获取数据：所述数据为Ax，Ay，Az和t；t为时间，Ax，Ay，Az分别为t时刻下人体的加速度在X、Y、Z三个轴上加速度分量值。/n(3)获得信号特征值：根据步骤(2)采集到的数据，计算得到信号特征值Axyz和ΔA，将计算得到的所述信号特征值Axyz和ΔA和步骤(1)采集的信号特征值Ax，Ay，Az都存储到数组/nFture,Fture[i]＝[Ax[i],Ay[i],Az[i],Axyz[i],ΔA[i]]；/n其中Axyz为三维加速度；ΔA为相邻的两个Axyz之间变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度；/n(4)获取被识别对象姿势变换的边界点：/n4-1设定在步骤(3)得到的ΔA信号中存在第i个活动窗口w，大小为w＝2f,边界是[i,i+2f]，其中f是加速度传感器的采样频率，w是活动窗口；/n4-2利用公式(5)对每个所述活动窗口计算其前半窗ΔA的平均值和后半窗ΔA的平均值，计算二者之差，并判断其是否大于等于事先定义的闽值th1，同时利用公式(6)判断该活动窗口的中间点与上一个边界点的时间差是否大于2秒钟；/n4-3若公式(5)和(6)同时满足，则将该活动窗口的中间点确定为姿势变换的边界点，并保存到边界点数组bp[j]＝i+f，若不同时满足则继续进行步骤(2)；/n...

【技术特征摘要】
1.一种基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：其包括以下步骤，
(1)建立运动姿势模型clasM和静止姿势模型clasML：
所述运动姿势模型clasM和静止姿势模型clasML的输入均为通过加速度传感器采集的被识别对象的传感器数据；运动姿势模型clasM的输出为被识别对象在运动状态下的不同姿势，静止姿势模型clasML的输出为被识别对象在静止状态下的不同姿势；
(2)通过穿戴在被识别对象身上的加速度传感器获取数据：所述数据为Ax，Ay，Az和t；t为时间，Ax，Ay，Az分别为t时刻下人体的加速度在X、Y、Z三个轴上加速度分量值。
(3)获得信号特征值：根据步骤(2)采集到的数据，计算得到信号特征值Axyz和ΔA，将计算得到的所述信号特征值Axyz和ΔA和步骤(1)采集的信号特征值Ax，Ay，Az都存储到数组
Fture,Fture[i]＝[Ax[i],Ay[i],Az[i],Axyz[i],ΔA[i]]；
其中Axyz为三维加速度；ΔA为相邻的两个Axyz之间变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度；
(4)获取被识别对象姿势变换的边界点：
4-1设定在步骤(3)得到的ΔA信号中存在第i个活动窗口w，大小为w＝2f,边界是[i,i+2f]，其中f是加速度传感器的采样频率，w是活动窗口；
4-2利用公式(5)对每个所述活动窗口计算其前半窗ΔA的平均值和后半窗ΔA的平均值，计算二者之差，并判断其是否大于等于事先定义的闽值th1，同时利用公式(6)判断该活动窗口的中间点与上一个边界点的时间差是否大于2秒钟；
4-3若公式(5)和(6)同时满足，则将该活动窗口的中间点确定为姿势变换的边界点，并保存到边界点数组bp[j]＝i+f，若不同时满足则继续进行步骤(2)；



其中i＝1,…,n，n是的长度；j＝1,…,m，m是姿势变换边界点数组bp的长度；
(5)计算相邻两姿势变换边界点之间的平均三维加速度的大小；
(6)若则调用步骤(1)建立的运动姿势分类模型clasM识别当前特征值的姿势类别，若则调用步骤(1)建立的静止姿势分类模型clasML识别当前特征值的姿势类别；最后运动姿势分类模型clasM或静止姿势分类模型clasML输出当前状态的识别结果。


2.根据权利要求1所述的基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：
步骤(3)中，将步骤(2)采集到的数据利用公式(1)和公式(2)得到信号特征值Axyz和ΔA



ΔA[i]＝|Axyz[i]-Axyz[i-1]|(2)
其中Axyz为三维加速度；ΔA为相邻两个Axyz之间的变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度。


3.根据权利要求1所述的基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：
步骤(5)中，利用公式(7)计算相邻两姿势变换边界点之间的平均三维加速度的大小，



其中为平均三维加速度；j＝1,…,b，b是信号的长度；bp[j]和bp[j-1]分别是姿势变换边界点数组的第j和第j-1个元素。


4.根据权利要求1所述的基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：步骤(6)中，利用公式(8)对两边界点之间的特征值Fture[i]进行分类，



其中pose是存放姿势识别结果的数组；pose[j]是识别结果的第j个元素；j＝1,…,p，p是数组pose的长度；i＝1,…,s，s是静止姿势类别数组ml或运动姿...

【专利技术属性】
技术研发人员：张书梅，许征程，林立忠，段丽英，李燕，董倩，
申请(专利权)人：石家庄学院，
类型：发明
国别省市：河北;13