一种基于声音信号的坐姿识别系统技术方案

本发明专利技术公开了一种基于声音信号的坐姿识别系统，具体步骤如下：S1、数据采集：计算接收到的声音信号的能谱密度；S2、数据预处理：使用集合经验模态分解算法将ESD信号分解为若干本征模式函数分量；对IMF分量进行归一化处理，使用主成分分析方法将其变换重组为无关的得分分量；S3、信号提取：选择基于最小信噪比的得分分量，确定坐姿信号的边界；S4、坐姿识别：使用所提取出的坐姿信号数据对元学习算法模型进行训练，实现不同坐姿的分类和识别。本发明专利技术采用上述的一种基于声音信号的坐姿识别系统，可以有效根据手机声音信号对坐姿进行识别，并且，此系统对不同坐姿的平均识别准确率可以达到89％以上。到89％以上。到89％以上。

【技术实现步骤摘要】
一种基于声音信号的坐姿识别系统


[0001]本专利技术涉及坐姿检测系统
，尤其是涉及一种基于声音信号的坐姿识别系统。

技术介绍

[0002]长期坐姿不良会导致腰肌劳损甚至腰椎间盘突出症等疾病，严重损害人们的健康。因此，有效的坐姿监测系统，可以降低疾病发生的可能性。随着医疗物联网(Internet of Health Things，IoHT)的发展，一些基于可穿戴设备或摄像头的坐姿识别系统被提出。
[0003]然而，安装在身体上的传感器会给用户带来不便。而使用摄像头需要高能耗，且用户面临隐私泄露的风险。现有的智能手机均具有麦克风和扬声器，可以发送和接收声音信号。由于声信号具有方向性强、传播距离长的特点，可以实现非接触式获取用户的细粒度动作信息。

技术实现思路

[0004]本专利技术的目的是提供一种基于声音信号的坐姿识别系统，可以有效根据手机声音信号对不同坐姿进行识别，并且，此系统对不同坐姿的平均识别准确率可以达到89％以上。
[0005]为实现上述目的，本专利技术提供了一种基于声音信号的坐姿识别系统，具体步骤如下：
[0006]S1、数据采集：计算接收到的声音信号的能谱密度；
[0007]声信号的能谱密度(ESD)描述了能量随频率的分布情况，它可以感知周围物体不同运动的信息。所以，首先计算接收到声音信号的ESD，然后再通过后续步骤分析和提取人体运动信号。
[0008]S2、数据预处理：使用集合经验模态分解算法将ESD信号分解为若干本征模式函数分量；
[0009]IMF＝{IMF1；IMF2；IMF3；
…
；IMF
m
}
[0010]对IMF分量进行归一化处理，使用主成分分析方法将其变换重组为无关的得分分量；
[0011]S3、信号提取：选择基于最小信噪比的得分分量，确定坐姿信号的边界；
[0012][0013]S4、坐姿识别：使用所提取出的坐姿信号数据对元学习算法模型进行训练，实现不同坐姿的分类和识别。其中，基于模型不可知元学习(MAML)算法对不同坐姿信号数据进行分类和检测。
[0014]优选的，步骤S1中，计算由手机扬声器发出的声音经反射后，麦克风所接收到声信号的ESD。
[0015]优选的，步骤S2中，对原始混叠信号进行分解并对各分量处理，最终得到有效坐姿
信号数据。
[0016]为了从混叠ESD数据中找到有效分量来提取坐姿信号，通过集合经验模态分解(EEMD)算法将采集到的数据分解为多个不同频率的本征模式函数(IMF)分量。然后对IMF分量进行归一化处理，并通过主成分分析(PCA)算法将其重组为一组新的不相关得分(score)分量。
[0017]优选的，步骤S3中，根据设计的峰值算法和子窗口合并算法，选择基于最小信噪比的score分量，确定坐姿的信号边界，并计算分析时间序列数据，同时引入一个滑动窗口，来实现对有效坐姿数据信号的0和1编码。
[0018]一种基于手机声音信号的坐姿识别系统，使用智能手机的扬声器和麦克风来发送和接收信号，通过对声音信号的能谱密度数据处理分析后输入到分类模型中来判断用户的坐姿情况。
[0019]因此，本专利技术采用上述一种基于声音信号的坐姿识别系统，通过获得细粒度的动作波形，对用户的坐姿进行基于声音信号的持续监测系统，成本低，并且具有无创性。
[0020]本专利技术的坐姿识别系统，包括身体倾斜、翘腿和抖腿三类动作的识别。相比以往基于可穿戴设备或摄像头等需要额外设备进行坐姿识别的方式，本专利技术利用现有智能手机内置扬声器及麦克风来发送和接收声音信号去实现用户的坐姿的检测，因而不受光照等条件的限制且有效避免了摄像头可能导致的隐私泄露问题，更具有通用性，对用户健康监测具有重要意义。
[0021]本专利技术的坐姿识别系统通过智能手机扬声器发出声音信号，并通过麦克风接收反射的波形，以获取用户坐姿的数据。由于采集到的数据中含有噪声信息，基于集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)算法和主成分分析(Principal Component Analysis，PCA)算法提取受坐姿影响最大的分量，然后对该分量采用创新的边界确定算法进行有效坐姿数据选择和提取。最后通过使用小样本对模型不可知元学习(Model
‑
Agnostic Meta
‑
Learning，MAML)算法模型进行训练，对基于手机声音信号的坐姿识别系统的有效性进行了验证，实验结果表明此系统对不同坐姿的平均识别准确率可以达到89％以上。
[0022]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0023]图1是本专利技术的6种错误坐姿；
[0024]图2是本专利技术的系统框架图；
[0025]图3是对原始信号进行计算所得ESD；
[0026]图4是EEMD算法分解ESD信号后所得IMF分量；
[0027]图5是IMF分量经PCA变换处理所得score分量；
[0028]图6是与最小SNR相对应的分量
[0029]图7是经过处理后确定坐姿信号的边界；
[0030]图8是不同用户坐姿识别准确率。
具体实施方式
[0031]以下通过附图和实施例对本专利技术的技术方案作进一步说明。
[0032]除非另外定义，本专利技术使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。
[0033]对于本领域技术人员而言，显然本专利技术不限于上述示范性实施例的细节，而且在不背离本专利技术的主旨或基本特征的情况下，能够以其它的具体形式实现本专利技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本专利技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本专利技术内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0034]此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其它实施方式。这些其它实施方式也涵盖在本专利技术的保护范围内。
[0035]还应当理解，以上所述的具体实施例仅用于解释本专利技术，本专利技术的保护范围并不限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术/专利技术的保护范围之内。
[0036]本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用词典中定义的术语应当被理解为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声音信号的坐姿识别系统，其特征在于，具体步骤如下：S1、数据采集：计算接收到的声音信号的能谱密度；S2、数据预处理：使用集合经验模态分解算法将ESD信号分解为若干本征模式函数分量；IMF＝{IMF1；IMF2；IMF3；...；IMF
m
}对IMF分量进行归一化处理，使用主成分分析方法将其变换重组为无关的得分分量；S3、信号提取：选择基于最小信噪比的得分分量，确定坐姿信号的边界；S4、坐姿识别：使用所提取出的坐姿信号数据对元学习算法模型进行训练，实现不同坐姿的分类和识别。2.根据...

【专利技术属性】
技术研发人员：毕红亮，张文博，陈艳姣，周堂，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：