【技术实现步骤摘要】
一种基于惯性传感器的人员非常规行为快速识别方法
本专利技术属于模式识别领域，具体是一种基于惯性传感器的人员非常规行为快速识别方法。
技术介绍
随着MEMS(Micro-Electro-MechanicalSystems)技术的不断发展与成熟，成本低、体积小、灵敏度高的MEMS传感器开始广泛地应用于竞技体育、健康检测、医学研究和行人导航等领域，近年来，也被应用在一些消防应急救援工作中。加速度传感器可以通过测量获取三个轴向上的加速度原始数据，根据加速度传感器信号和分类算法可以推测人体的行为模式。利用加速度传感器实现行为识别是模式识别领域内一个新兴的研究方向，具有广泛的应用前景。加速度时域特征是人员行为模式识别中极其重要的部分，所以特征值的选择和提取会严重的影响最终识别结果的精确度。近年来有许多学者提出一些新的模式识别的应用方案，He等利用支持向量机和加速度信号的自回归模型的系数进行分类，发现虽然频域特性优于时域特性，但是像常用的FFT(FastFourierTransformation)频域特征需要大量的计算。党小超等将...
【技术保护点】
1.一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，包括以下步骤：/n步骤1，根据人体的运动状态特点，将其划分为6种运动状态；前进、后退、左横向移动、右横向移动、低姿行走、匍匐前进；/n步骤2，采集固定于躯干部分的加速度计X、Y、Z三个轴向的原始数据，并对原始数据进行均值滤波处理；/n步骤3，提取步骤2所采集的经过均值滤波后的加速度信号的时域特征参数，时域特征参数包括方差、互相关系数、Hjorth参数中间变量、极差和四分位距，每一种分类动作包含5维的特征向量，需要识别的6种动作共包含30维的特征向量；/n步骤4，对步骤3所提取的加速度计5种时域特征进行数据降维的...
【技术特征摘要】
1.一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，包括以下步骤：
步骤1，根据人体的运动状态特点，将其划分为6种运动状态；前进、后退、左横向移动、右横向移动、低姿行走、匍匐前进；
步骤2，采集固定于躯干部分的加速度计X、Y、Z三个轴向的原始数据，并对原始数据进行均值滤波处理；
步骤3，提取步骤2所采集的经过均值滤波后的加速度信号的时域特征参数，时域特征参数包括方差、互相关系数、Hjorth参数中间变量、极差和四分位距，每一种分类动作包含5维的特征向量，需要识别的6种动作共包含30维的特征向量；
步骤4，对步骤3所提取的加速度计5种时域特征进行数据降维的方法将特征向量从30维降到14维；
步骤5，根据步骤4所得的14维特征向量，使用KNN分类算法对人员行为模式进行分类识别。
2.根据权利要求1所述的一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，所述步骤2是通过使用内置加速度计的单兵定位模块来实现原始数据采集的，设置采样频率为50Hz，固定于腰部，根据步骤1所列举的6种运动状态，针对每一种动作分别采集三轴加速度计数据Ax、Ay、Az，每个轴向各500个稳定的数据点，采集加速度信号的时间为15-20s的范围，再从中截取500个数据点长度的稳定连续加速度数据区间即可，因此每一组动作可以得到由500×3矩阵构成，针对由500×1的矩阵组成的每列数据采用均值滤波处理突跳点，均值滤波模型如下：
其中，设置n＝50为均值滤波滑动窗口长度，xi为第i个数据点。
3.根据权利要求1所述的一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，步骤3所述的选取的5种加速度时域判定特征的计算方法为：
先根据数据预处理后的三轴加速度计的输出值求出方差Var，如公式所示。
在公式中，A为三轴加速度的合加速度；ax、ay、az分别为加速度计三轴数据；
在公式(3)中，Var为方差；为合加速度计样本n次观测值的平均数；
求出互相关系数，如公式(4)所示：
Cxyz＝cov(x，y，z)/(σxσyσz)(4)
在公式中，cov(x，y，z)为x，y，z轴加速度的协方差矩阵；σx，σy，σz为x，y，z轴加速度的标准差；
求出Hjorth参数中间变量M4，如公式(5)所示：
式中，di＝αi-ai-1；N表示加速度信号的观测值，αi表示第i个加速度信号的观测值，di表示相邻的加速度信号观测值的差值也就是di＝αi-ai-1，M4表示Hjorth参数中间变量；
求出极差，极差为滑动时间窗内数据极大值与极小值的差值，如公式...
【专利技术属性】
技术研发人员：刘宇，曹原，路永乐，邹新海，邸克，顾洪洋，付乐乐，方针，孙勇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
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。