基于3D加速度信号的运动状态特征提取及识别方法技术

本发明专利技术公开了一种基于3D加速度信号的运动状态特征提取及识别方法，包括以下步骤：(1)利用内置3D传感器的手机对目标对象的人体运动状态采集3D加速度信号，且内置3D传感器的手机设置于目标对象身体的确定部位；(2)对3D加速度信号进行预处理，所述预处理包括去除直流分量以及FIR高阶低通滤波；(3)对经过预处理的3D加速度信号进行时域和时频域特征提取，获得X、Y、Z轴方向对应的时域、时频域特征向量，拼接得到样本总体特征；(4)采用最大相似度、最小距离法和/或DTW算法进行运动状态匹配识别。本发明专利技术利用手机内置的3D加速度传感器对目标对象人体运动准确识别，在智能家居、老人健康监护、运动康复治疗等方面都具有非常广泛的应用前景。

【技术实现步骤摘要】
基于3D加速度信号的运动状态特征提取及识别方法
本专利技术涉及一种基于3D加速度信号的运动状态特征提取及识别方法。
技术介绍
中国社会老龄化趋势日益严重，对老年人的健康监护进行研究具有迫切而现实的意义，利用加速度对老年人的运动状态监测有助于评价健康状况。3D加速度信号是一种反映人体运动状态的重要信号。目前的智能手机基本上都配置了3D加速度传感器，各手机制造商及均开发了相应的APP，但绝大部分APP是进行计步类简单处理，对人们日常运动状态的细化分析研究相对件较少。本专利技术利用手机内置3D加速度传感器通过MatlabMobile软件对快走、慢走、原地踏步、手摆锻炼等3D加速度信号进行采集，然后对数据进行预处理及特征提取，最后根据提取出来的特征为对比依据，对运动进行分类识别。
技术实现思路
本专利技术要解决的技术问题是提供一种基于3D加速度信号的运动状态特征提取及识别方法。为了解决上述技术问题，本专利技术采用的技术方案是，基于3D加速度信号的运动状态特征提取及识别方法，包括以下步骤：(1)利用内置3D传感器的手机对目标对象的人体运动状态采集3D加速度信号，且内置3D传感器的手机设置于目标对象身体的确定部位；(2)对3D加速度信号进行预处理，所述预处理包括去除直流分量以及FIR高阶低通滤波；(3)对经过预处理的3D加速度信号进行时域特征和时频域特征提取，获得各方向对应的时域、时频域特征向量，拼接得到样本总体特征；(4)采用最大相似度、最小距离法和/或DTW算法进行运动状态匹配识别。作为优选，步骤(1)中，运动状态包括快走、慢走、原地踏步、手摆锻炼、踢腿、快跑或慢跑。作为优选，时域特征包括X、Y、Z三个轴方向的运动周期或频率最大值、运动周期或频率最小值、运动周期或频率平均值、平均速度、速度最大值、速度最小值、瞬时位移最大值、瞬时位移最小值、累积绝对位移，其中采用平均幅度差函数(AMDF)算法计算运动周期；时频域特征是基于STFT的短时谱特征，其中：窗函数设置为矩形窗,窗宽W大小和采样率fs的关系为:频率分辨率＝fs/W<＝1/5Hz，且W为2的N次幂,窗移为窗宽的一半，FFT的点数N等于窗宽；以X、Y、Z三个轴方向对应的时域特征和时频域特征各自按X、Y、Z三个轴方向进行拼接得到X、Y、Z三个轴方向的组合特征向量，再将X、Y、Z三个轴方向的各组合特征向量进行按序拼接而得到所述样本总体特征。作为优选，步骤(4)还包括：对各运动状态按照1个标准时间进行若干组测试，并且按照步骤(3)进行特征提取，采用向量平均中心作为标准训练样本中心，对于每种运动状态及不同的手机设置部位的所有组合情况数若为NUM，则就有NUM个样本中心；对于任一属于上述组合情况的样本，如与所有标准训练样本中心原始数据时间长度相等，将获得与标准训练样本中心等维的特征，与标准训练样本特征中心库所有中心采用最大相似度法匹配，相似度最大的那个中心对应的类别即为该样本的类别；对于任一属于上述组合情况的样本，如与所有标准训练样本中心原始数据时间长度不相等，将获得与标准训练样本中心不等维的特征，采用DTW算法求出与所有标准训练样本中心库距离最小的中心对应的类别，即为运动状态类别。本专利技术的有益效果是：利用手机内置的3D加速度传感器对目标对象人体运动准确识别，对未来带来一种新的交互方式。人体运动识别作为基础可以给各类上层的应用平台提供支撑，如智能家居、老人监护、运动康复治疗、交通行为监控等方面都具有非常广泛的应用前景。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1是本专利技术实施例的过程框图。图2是本专利技术实施例的FIR滤波器设计参数图。图3是本专利技术实施例的摆锻炼30节拍10赫兹采样(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图4是本专利技术实施例的手摆锻炼30节拍10赫兹采样(口袋)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图5是本专利技术实施例的46秒35节拍原地踏步10赫兹(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图6是本专利技术实施例的47秒35节拍原地踏步10赫兹(口袋)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图7是本专利技术实施例的慢走10赫兹60秒(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图8是本专利技术实施例的慢走10赫兹60秒(脚腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图9是本专利技术实施例的快走10赫兹60秒(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图10是本专利技术实施例的快走10赫兹60秒(脚腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图11是本专利技术实施例的加速度信号的AMDF效果图。图12是本专利技术实施例的手摆锻炼(手腕)的X轴加速度、速度、绝对位移、位移波形。图13是本专利技术实施例的手摆锻炼(手腕)的Y轴加速度、速度、绝对位移、位移波形。图14是本专利技术实施例的手摆锻炼(手腕)的Z轴加速度、速度、绝对位移、位移波形。图15是本专利技术实施例的手摆锻炼(口袋)的X轴加速度、速度、绝对位移、位移波形。图16是本专利技术实施例的手摆锻炼(口袋)的Y轴加速度、速度、绝对位移、位移波形。图17是本专利技术实施例的手摆锻炼(口袋)的Z轴加速度、速度、绝对位移、位移波形。图18是本专利技术实施例的原地踏步(手腕)的X轴加速度、速度、绝对位移、位移波形。图19是本专利技术实施例的原地踏步(手腕)的Y轴加速度、速度、绝对位移、位移波形。图20是本专利技术实施例的原地踏步(手腕)的Z轴加速度、速度、绝对位移、位移波形。图21是本专利技术实施例的原地踏步(口袋)的X轴加速度、速度、绝对位移、位移波形。图22是本专利技术实施例的原地踏步(口袋)的Y轴加速度、速度、绝对位移、位移波形。图23是本专利技术实施例的原地踏步(口袋)的Z轴加速度、速度、绝对位移、位移波形。图24是本专利技术实施例的快走状态(手腕)的X轴加速度、速度、绝对位移、位移波形。图25是本专利技术实施例的快走状态(手腕)的Y轴加速度、速度、绝对位移、位移波形。图26是本专利技术实施例的快走状态(手腕)的Z轴加速度、速度、绝对位移、位移波形。图27是本专利技术实施例的快走状态(脚腕)的X轴加速度、速度、绝对位移、位移波形。图28是本专利技术实施例的快走状态(脚腕)的Y轴加速度、速度、绝对位移、位移波形。图29是本专利技术实施例的快走状态(脚腕)的Z轴加速度、速度、绝对位移、位移波形。图30是本专利技术实施例的慢走状态(手腕)的X轴加速度、速度、绝对位移、位移波形。图31是本专利技术实施例的慢走状态(手腕)的Y轴加速度、速度、绝对位移、位移波形。图32是本专利技术实施例的慢走状态(手腕)的Z轴加速度、速度、绝对位移、位移波形。图33是本本文档来自技高网...

【技术保护点】
1.基于3D加速度信号的运动状态特征提取及识别方法，包括以下步骤：/n(1)利用内置3D传感器的手机对目标对象的人体运动状态采集3D加速度信号，且内置3D传感器的手机设置于目标对象身体的确定部位；/n(2)对3D加速度信号进行预处理，所述预处理包括去除直流分量以及FIR高阶低通滤波；/n(3)对经过预处理的3D加速度信号进行时域特征和时频域特征提取，获得X、Y、Z三个轴方向对应的时域、时频域特征向量，拼接得到样本总体特征；/n(4)采用最大相似度、最小距离法和/或DTW算法进行运动状态匹配识别。/n

【技术特征摘要】
1.基于3D加速度信号的运动状态特征提取及识别方法，包括以下步骤：
(1)利用内置3D传感器的手机对目标对象的人体运动状态采集3D加速度信号，且内置3D传感器的手机设置于目标对象身体的确定部位；
(2)对3D加速度信号进行预处理，所述预处理包括去除直流分量以及FIR高阶低通滤波；
(3)对经过预处理的3D加速度信号进行时域特征和时频域特征提取，获得X、Y、Z三个轴方向对应的时域、时频域特征向量，拼接得到样本总体特征；
(4)采用最大相似度、最小距离法和/或DTW算法进行运动状态匹配识别。


2.如权利要求1所述的方法，其特征在于，步骤(1)中，所述运动状态包括快走、慢走、原地踏步、手摆锻炼、踢腿、快跑或慢跑。


3.如权利要求1所述的方法，其特征在于，所述时域特征包括X、Y、Z三个轴方向的运动周期或频率最大值、运动周期或频率最小值、运动周期或频率平均值、平均速度、速度最大值、速度最小值、瞬时位移最大值、瞬时位移最小值、累积绝对位移，其中采用平均幅度差函数算法计算运动周期；时频域特征是基于STFT的短时谱特征，其中：窗函数设置为矩形窗,窗宽W大小和采样率fs的...

【专利技术属性】
技术研发人员：高翠云，齐军，沈庆伟，苏筱，张明，唐欢欢，刘亚如，程秀秀，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：安徽;34