一种基于穿戴式六轴传感数据的人体运动状态识别方法技术

本发明专利技术公开了一种基于穿戴式六轴传感数据的人体运动状态识别分析方法。方法首先基于戴在身上的手环设备(也可配置在腰、胸等部位)采集六轴传感数据，建立运动状态的数据集；然后通过对数据进行清洗、切片截取等操作，得到与人体活动状态对应的标准数据集；接着对标准数据集通过偏移操作进行数据的增强和扩充；之后以2秒长度的数据为一个批次，提取具有方向无关的36维鲁棒性特征；最后基于随机森林算法搭建运动状态判别模型。方法具有小巧快速等特点，可加载进嵌入式硬件设备上，并接近实时（2秒一次）准确判别人体的当前运动状态。秒一次）准确判别人体的当前运动状态。秒一次）准确判别人体的当前运动状态。

【技术实现步骤摘要】
一种基于穿戴式六轴传感数据的人体运动状态识别方法


[0001]本专利技术属于计算机数据挖掘
，尤其是针对基于穿戴式六轴传感数据的人体运动状态识别分析方法。

技术介绍

[0002]多人群（包括亚健康人群、运动关节受损者、空巢老年人群等）运动安全和日常健康监测、变得非常重要。人们每天有很多运动状态，走路，跑步，坐下，起立等多种运动方式，通过对人体日常运动状态进行监测，可以指导人们制定出健康合理的饮食计划、合理安排每天的运动量，特别对老人，老年痴呆患者，把他们的日常运动数据反馈给医护人员，提高健康生活水平和运动安全有着重要的意义。
[0003]人体运动状态识别正在成为一个非常热门的研究课题。因人类活动的动作特征的复杂性，目前有很多基于机器学习在运动识别领域的算法研究。研究过程一般都是利用传感器收集数据，然后利用机器学习的算法进行分类。最常用的分类算法包括支持向量机(SVM)，k近邻(KNN)，C4.5，人工神经网络(ANN)，动态贝叶斯网络(DBN)，隐马尔可夫模型(HMM)，高斯马尔可夫模型(GMM)等。
[0004]人体运动状态识别是一个典型的分类问题，目标是检测和识别一个人的日常活动。为了更适合老人的穿戴，所设计的设备除了体积小，功耗低，成本低，无干扰外，为了能够精准的识别出人体的行为，并且能够在计算能力有限的嵌入式设备上实现，需要设计高效的识别算法。本专利技术基于六轴惯性传感器LSM6DS3实时采集数据，通过大数据分析，设计算法实时识别人的走路、跑步、坐下、起立、上楼梯、下楼梯等运动状态。r/>
技术实现思路

[0005]本专利技术公开了一种基于穿戴式六轴传感数据的人体运动状态识别分析方法。方法首先基于戴在身上的手环设备(也可配置在腰、胸等部位)采集六轴传感数据，建立运动状态的数据集；然后通过对数据进行清洗、切片截取等操作，得到与人体活动状态对应的标准数据集；接着对标准数据集通过偏移操作进行数据的增强和扩充；之后以2秒长度的数据为一个批次，提取具有方向无关的36维鲁棒性特征；最后基于随机森林算法搭建运动状态判别模型。方法具有小巧快速等特点，可加载进嵌入式硬件设备上，并接近实时（2秒一次）准确判别人体的当前运动状态。
[0006]本专利技术方法与现有技术相比，克服了传统基于时间差和阈值的运动状态识别方法的缺点，利用大数据分析与人工智能技术，自动分类识别，准确性和效率都有了进一步的提升；特别的，对数据的清洗、切片、偏移、增强扩充等操作，使得数据更加均衡和有效，也进一步提高了判断的准确性。本专利技术方法具有广阔的应用前景。
[0007]本专利技术方法的步骤如下：（1）建立六轴活动状态的采集数据集；（2）构建与人体六轴运动状态对应的标准数据集；
（3）对标准数据集进行增强扩充；（4）对人体运动状态进行数据特征提取；（5）基于特征构建六轴运动状态判别的算法模型；（6）基于训练数据集进行随机森林算法模型训练；（7）基于测试数据集进行运动状态识别及识别结果准确率评估。
[0008]其中，步骤(1)的建立六轴活动状态的采集数据集，具体为: 采用LSM6DS型号的六轴传感器设备进行数据采集，采样频率为每秒10次，读取3D 数字加速度计（X轴加速度、Y轴加速度、Z轴加速度）和 3D 数字陀螺仪数据（X轴角速度、Y轴角速度、Z轴角速度）。要检测的运动状态包括：坐下、起立、走路、跑步、上楼梯、下楼梯、睡眠，分别定义为标签：0,1,2,3,4,5,6。获得的数据以“采集设备类型
‑
标签
‑
时间戳
‑
六轴信息”形式保存为文件列表集合。在文件列表集合的基础上构建出初始六轴运动状态数据集。之后对数据进行清洗，通过预先设定的合加速度阈值T1和合角速度阈值T2，根据是否小于阈值筛除掉一些脏数据。其中，合加速度的计算公式为：，其中代表X轴对应的加速度，代表Y轴对应的加速度，代表Z轴对应的加速度。和角速度的计算公式为：，其中代表X轴对应的角速度，代表Y轴对应的角速度，代表Z轴对应的角速度。
[0009]其中，步骤(2)构建与人体六轴运动状态对应的标准数据集，具体为: 首先基于采集数据集划分出有效活动时间的数据区间。有效活动时间是指数据记录过程中，处在运动状态的时间区间。通过对整个数据文件进行数据切片，切成一段一段的数据集合；然后对每段数据内的数据进行计算合加速度之和，求出合加速度之和最大的段将其选为有效数据的中心位置，并以此位置作为中心；最后，依次从近到远遍历邻近数据段，如果数据段的合加速度之和小于事先定义的阈值T,则终止遍历，从而得到数据文件中有效活动时间的数据段。
[0010]其中，步骤(3)对标准数据集进行增强扩充，有两种数据增强方案，具体为: 第一种数据增强方案是：将有效活动时间对应的数据部分在其所在的数据段中进行整体平移，每移动一个单位数据就得到一个新的数据样本。移动的范围区间为
±
16%*L，其中L为有效活动时间对应的数据长度。通过上述步骤得到第一部分的扩充数据集，该部分数据集只用于训练模型，不用于测试。第二种数据增强方案是：通过找到有效活动时间的中心点，以该点为中心截取2秒长度的数据作为一个批次的数据，并每次向两边偏移一个数据单位，每偏移一个数据单位得到一个数据样本。偏移范围区间为2秒*
±
16%的数据区间，从而得到第二部分的扩充数据集。此部分数据集只用于测试，以更贴合实际应用环境，更好地测试模型的泛化性。
[0011]其中，步骤(4)对人体运动状态进行数据特征提取，具体为: 在数据特征提取时，每次取2秒长度的数据作为一个批次的数据进行特征提取。分别计算2秒钟内数据的平均值、标准差、最大值、最小值、平方和/长度，以及皮尔逊系数。分别提取2秒长度的六轴数据中每轴的上述统计量，包括每轴对应的平均值、标准差、最大值、最小值、平方和/长度，因此
得到30维的数据统计特征信息。之后基于皮尔逊系数计算2秒钟X、Y、Z轴加速度不同方向的相关性；以及陀螺仪X、Y、Z轴对应的角速度不同方向的相关性，共得到6维的数据相关性特征信息。将上述30维的数据统计特征信息，并上6维的数据相关性特征信息，总共得到36维的人体运动状态数据特征。最后获得“36维数据特征
‑
标签”的数据集形式，并将数据集分为了训练集、测试集两部分。
[0012]其中，步骤(5)基于特征构建六轴运动状态判别的算法模型，具体为: 六轴运动状态判别算法是通过搭建随机森林（Random Forest,RF）算法模型实现的。随机森林算法主要通过联合多个弱分类器，每个分类器进行投票得到最终结果。随机森林是一个有多个决策树的分类器，并且每个决策树之间是不关联的，当需要测试的数据进入随机森林时，其中的每棵树会进行分类，其输出的类别是由一些树输出结果的众数所决定的，最终在所有决策树中分类最多的结果就是最终的分类。经过随机森林算法对样本数据进行训练并得到运动状态分类器。具体的模型参数如下表。
[0013]表.随机森林算法的模型参数
[0014]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于穿戴式六轴传感数据的人体运动状态识别方法，其特征在于所述方法包括如下步骤：（1）建立六轴活动状态的采集数据集；采用LSM6DS型号的六轴传感器设备进行数据采集，采样频率为每秒10次，读取3D 数字加速度计（X轴加速度、Y轴加速度、Z轴加速度）和 3D 数字陀螺仪数据（X轴角速度、Y轴角速度、Z轴角速度）；要检测的运动状态包括：坐下、起立、走路 、跑步、上楼梯、下楼梯、睡眠，分别定义为标签：0,1,2,3,4,5,6；获得的数据以“采集设备类型
‑
标签
‑
时间戳
‑
六轴信息”形式保存为文件列表集合；之后对数据进行清洗，通过预先设定的合加速度阈值T1和合角速度阈值T2，根据是否小于阈值筛除掉一些脏数据；（2）构建与人体六轴运动状态对应的标准数据集；基于采集数据集划分出有效活动时间的数据区间；有效活动时间是指数据记录过程中，处在运动状态的时间区间；首先通过对整个数据文件进行数据切片，切成一段一段的数据集合；然后对每段数据内的数据进行计算合加速度之和，求出合加速度之和最大的段将其选为有效数据的中心位置，并以此位置作为中心；最后，依次从近到远遍历邻近数据段，如果数据段的合加速度之和小于事先定义的阈值T,则终止遍历，从而得到数据文件中有效活动时间的数据段；（3）对标准数据集进行增强扩充；采用两种数据增强方案分别用于训练数据和测试数据的增强；训练数据的增强扩充是通过将有效活动时间对应的数据部分在其所在的数据段中进行整体平移，每移动一个单位数据就得到一个新的数据样本，移动的范围区间为
±
16%*L；测试数据的增强是通过找到有效活动时间的中心点，以该点为中心截取2秒长度的数据作为一个批次的数据，并每次向两边偏移一个数据单位，每偏移一个数据单位得到一个数据样本；偏移范围区间为2秒*
±
16%的数据区间；（4）对人体运动状态进行数据特征提取；每次取2秒长度的数据作为一个批次的数据进行特征提取；分别提取2秒长度的六轴数据中每轴的上述统计量，包括每轴对应的平均值、标准差、最大值、最小值、平方和/长度；得到30维的数据统计特征信息；之后基于皮尔逊系数计算2秒钟X、Y、Z轴加速度不同方向的相关性；以及陀螺仪X、Y、Z轴对应的角速度不同方向的相关性，共得到6维的数据相关性特征信息；最后综合得到36维的人体运动状态数据特征；（5）基于特征构建六轴运动状态判别的算法模型；六轴运动状态判别算法是通过搭建随机森林（Random Forest,RF）算法模型实现的；主要通过联合多个弱分...

【专利技术属性】
技术研发人员：洪志令，张恒彰，曹玉萍，
申请(专利权)人：厦门中翎易优创科技有限公司，
类型：发明
国别省市：