CN102855321B - 人体行为识别方法 - Google Patents
人体行为识别方法 Download PDFInfo
- Publication number
- CN102855321B CN102855321B CN201210330136.XA CN201210330136A CN102855321B CN 102855321 B CN102855321 B CN 102855321B CN 201210330136 A CN201210330136 A CN 201210330136A CN 102855321 B CN102855321 B CN 102855321B
- Authority
- CN
- China
- Prior art keywords
- classification
- value
- sampling period
- matrix
- evaluation points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的人体行为识别方法,其主要是通过人体腰部佩戴的加速度采集器采集一定的采样周期内的人体腰部加速度信息,据采集到的人体腰部加速度数据产生行为分类隶属度矩阵并分析出人体行为类别。其需要采集数据量小,采集过程简单方便,行为类别与数量均可根据适当的环境与场合任意增加或减少,大大增加了本方法的灵活性与实用性,而且本发明分析方法简便,分类效率高,准确率高,可实现大量测试人群同时分析,分析结果保存在数据库中,便于观察者查看,可用于教学、医学、安全、人机交互等多个领域和场合,以实现不同的人体行为识别分类目的。
Description
技术领域
本发明属于智能信息处理技术领域,具体涉及一种基于模糊数学的基本思想产生行为分类模型并分析出人体行为类别的识别方法。
背景技术
对人类自身行为的分析与理解在教学、医学、安全、人机交互等领域都有巨大的应用价值和重要的研究意义。如在教学领域,通过分析学生课堂的行为,有助于提高学生的学习质量;在医学领域,通过对病人的行为分析,可以为医学诊断和治疗提供支持,从而做出积极有效的治疗;在安全领域,通过对异常人体行为的分析,可以有效避免异常情况发生。
国内外对人体行为的识别方法主要有图像分析方法和加速度分析方法。图像分析方法主要通过对人体行为进行图像采集,然后通过图像处理技术分析人体的行为。这种方法能有效的分析出人体的行为,但是图像分析在处理时,数据量较大,算法比较复杂,而且不便于采集图像信息。采用加速度分析方法则可以有效避免上述缺点。
目前,国内外已经出现一些利用加速度信号分析进行人体行为识别的相关理论和方法,如基于加速度的手语识别方法,基于加速度的人体跌倒检测等。而现有的这些分析方法通常存在以下不足:第一,现有的基于加速度人体行为识别方法往往需要采集人体脖颈、四肢等各个关节的加速度数据进行分析,不仅采集不便,而且系统复杂,数据计算量较大。第二,从分析结果来讲,现有的方法仅能实现某一特定用途的人体行为分析,例如监测人体是否跌倒、根据手指的加速度监测手语的类别等等,无法通用地分析人体的多种行为从而应用于多种场合。因此,如何在保证分析正确率的前提下设计一种算法简便,所需数据量小,分析效率高,方便测试者使用且能应用于多种场合的人体行为识别分析方法是需要解决的技术难题。
发明内容
本发明的目的是克服现有技术中的人体行为识别分析方法所存在的不足,提供了一种能够通过采集获得的人体腰部运动的三维加速度传感器信息进行处理,进而高效、准确地分析出人体行为类别的人体行为识别方法。
本发明解决上述技术问题的技术方案包括以下步骤:
(1)确定行为分类标准
预先设定m类行为类别,m取正整数,采集每个行为类别在X、Y、Z方向上所对应的加速度值,根据采集的加速度值计算出每个行为类别所对应的X方向加速度样本方差平均值Y方向加速度样本方差平均值Z方向上的加速度样本方差平均值以及SVM的样本方差平均值每个行为类别所对应的构成列向量评价因子集,m类行为类别形成m个列向量形成分类标准值矩阵B,分类标准值矩阵B中每个单独的数据均是评价因子相对于其相应的行为类别时的标准值;上述SVM是人体加速度向量幅值,其中aX、aY、aZ分别为X、Y、Z方向的加速度;
(2)排列分类标准值矩阵B
将分类标准值矩阵B中的每一行进行从小到大排列,保存重新排序后每一行所对应的行为类别顺序;
(3)信息采集
将采集到的人体腰部加速度信息划分为n个采样周期,n取正整数;
(4)确定分类评价因子
根据步骤(3)所采集的加速度信息计算出每个采样周期中在X方向、Y方向和Z方向上加速度对应的样本方差SX、SY、SZ以及人体加速度向量幅值的样本方差Ssvm,并将每个采样周期中的样本方差数据Ssvm、SX、SY、SZ构成列向量评价因子集,n个采样周期形成n个列向量S采样周期:[SsvmSXSYSZ]T,n个列向量S采样周期:[SsvmSXSYSZ]T构成矩阵S;
(5)计算出各评价因子针对不同行为类别的隶属度值
计算出步骤(4)的矩阵S的每个采样周期中的各评价因子的隶属度值,隶属度值函数为:
式(1)中,x为矩阵S每个采样周期中的评价因子值,A为系数,0.5=A|(ai+ai+1)/2-ai+1|,ai和ai+1分别是步骤(1)的分类标准值矩阵B中的任意一行按照从小到大重新排列后该行中相邻的两个值,amin和amax分别代表该行中的最小值和最大值;
当x≤amin时,U(x)=1,表示x对于amin的隶属度为1,对于其它ai的隶属度为0;
当x≥amax时,U(x)=1,表示x对于amax的隶属度为1,对于其它ai的隶属度为0;
当x落在区间[ai,ai+1]内时,U(x)=A|x-ai+1|表示x对于ai的隶属度值,1-U(x)表示x对于ai+1的隶属度值,x对于其他aj(amax>aj>amin,aj≠ai,aj≠ai+1)的隶属度为0;
(6)建立模糊关系矩阵R
以Ssvm、SX、SY、SZ评价因子对应于不同行为类别的隶属度值为行,行为类别为列,建立每个采样周期对应的模糊关系矩阵R;
(7)确定行为类别
利用步骤(6)中的模糊关系矩阵R,对每个采样周期中的数据进行分类,
U=W×R(2)
式中,W为1行K列的评价因子权值矩阵,权值之和为1,K为评价因子的个数;U为一个1行m列的矩阵,每一列的数值对应于隶属各行为类别的概率;
根据最大隶属度原则,通过比较U中的数值,选取最大值作为每个采样周期所对应的行为类别,得到每个采样周期内的行为类别的结果并记录在数据库中。
上述步骤(7)之后包括步骤(8),具体是:重复步骤(1)至(7),得出测试者在所有采样周期内的行为类别。
上述的行为类别分为静止、腿部抖动、左右扭动、左右摆动、起立坐下或者分为静止、走路、跑步、上楼、下楼。
上述步骤(7)中评价因子权值矩阵W采用变异系数法确定,各项因子的变异系数公式如下:
式中:Vi是第i项评价因子的变异系数,也称为标准差系数;σi是第i项评价因子的标准差;是第i项评价因子的平均数。
各项因子的权重为:
本发明通过人体腰部佩戴的加速度采集器采集一定的采样周期内的人体腰部加速度信息,据采集到的人体腰部加速度数据产生行为分类隶属度矩阵并分析出人体行为类别。其需要采集数据量小,采集过程简单方便,行为类别与数量均可根据适当的环境与场合任意增加或减少,大大增加了本方法的灵活性与实用性,而且本发明分析方法简便,分类效率高,准确率高,可实现大量测试人群同时分析,分析结果保存在数据库中,便于观察者查看,可用于教学、医学、安全、人机交互等多个领域和场合,以实现不同的人体行为识别分类目的。
具体实施方式
现对本发明的人体行为识别方法进行进一步说明,但是本发明不仅限于下述的实施方式。
实施例1
(1)确定行为分类标准
预先设定5类行为类别,分别是静止、腿部抖动、左右扭动、左右摆动、起立坐下,将加速度采集装置安装在人体腰部,采集静止不动时在X、Y、Z方向上所对应的加速度值aX、aY、aZ,计算出静止不动时X方向的加速度样本方差SX,Y方向加速度样本方差SY,Z方向上的加速度样本方差SZ,重复采集多次,取其平均值,分别为根据aX、aY、aZ计算出加速度向量幅值SVM与样本方差Ssvm,取平均值构成静止不动所对应的标准值列向量同理得出腿部抖动、左右扭动、左右摆动、起立坐下行为所对应标准值列向量,形成分类标准值矩阵B。
根据实验数据计算,得到分类标准值矩阵:
(2)排列分类标准值矩阵B
将分类标准值矩阵B中的每一行进行从小到大排列,保存重新排序后每一行所对应的行为类别顺序。
(3)信息采集
将采集到的人体腰部加速度信息划分为n个采样周期,n取正整数,具体是:
将采集到的人体腰部加速度信息按照一定的采样周期分为50组,即划分为50个采样周期,假设每个采样周期为200次采样,则这50组数据中每一组都包含了200次采样的加速度数据,采样次数一共为50×200次。
(4)确定分类评价因子
根据步骤(3)所采集的加速度数据计算出每个采样周期中在X方向、Y方向和Z方向上加速度所对应的样本方差SX、SY、SZ以及人体加速度向量幅值的样本方差Ssvm,并将每个采样周期中的样本方差数据Ssvm、SX、SY、SZ构成评价因子列向量,50个采样周期形成50个列向量S采样周期:[SsvmSXSYSZ]T,50个列向量S采样周期构成矩阵S;
(5)计算出各评价因子针对不同行为类别的隶属度值
计算出步骤(4)矩阵S的每个采样周期中的各评价因子的隶属度值,隶属度值函数为:
式(1)
式(1)中,x为矩阵S每个采样周期中的评价因子值,A为系数,0.5=A|(ai+ai+1)/2-ai+1|,ai和ai+1分别是步骤(1)的分类标准值矩阵B中的任意一行按照从小到大重新排列后该行中相邻的两个值,amin和amax分别代表该行中的最小值和最大值;
当x≤amin时,U(x)=1,表示x对于amin的隶属度为1,对于其它ai的隶属度为0;
当x≥amax时,U(x)=1,表示x对于amax的隶属度为1,对于其它ai的隶属度为0;
当x落在区间[ai,ai+1]内时,U(x)=A|x-ai+1|表示x对于ai的隶属度值,1-U(x)表示x对于ai+1的隶属度值,x对于其他aj(amax>aj>amin,aj≠ai,aj≠ai+1)的隶属度为0;
以步骤(2)所保存的第一行为例,amin为0.06,amax为1.57,当矩阵S中的评价因子值小于等于0.06时,x对于0.06的隶属度为1,对于其它的隶属度为0;当矩阵S中的评价因子值大于等于1.57时,x对于1.57的隶属度为1,对于其它的隶属度为0;当x落在[0.22,0.29]区间内时,依据U(x)=A|x-ai+1|计算出x对0.22的隶属度值,1-U(x)表示x对于0.29的隶属度值,x对于0.06、0.52、1.57的隶属度为0。
(6)建立模糊关系矩阵R
以Ssvm、SX、SY、SZ评价因子对应于不同行为类别的隶属度值为行,行为类别为列,建立每个采样周期对应的模糊关系矩阵R;
例如,在实验中得到的3个采样周期的模糊关系矩阵分别为:
(7)确定行为类别
利用步骤(6)中的3个模糊关系矩阵,对每个采样周期中的数据进行分类,
U=W×R式(2)
本实施例中评价因子共有4个,因此式(2)中,W为1行4列的评价因子权值矩阵,权值之和为1;
根据变异系数法计算得出W={0.310.220.230.24},计算过程如下:
分别计算标准值B中每一行数据的标准差和平均值,即得到每一种评价因子的标准差σi和评均值 i,根据变异系数公式(i=1,2,3,4),分别计算出4种评价因子的变异系数Vi;由公式计算得到各项评价因子的权重。计算结果如下表1所示:
表1各项评价因子的计算结果
根据可以得出W={0.310.220.230.24},进而得出,U为一个1行5列的矩阵,每一列的数值对应为隶属于静止、腿部抖动、左右扭动、左右摆动、起立坐下这5种行为类别的概率;U的含义如下表2所示:
表2矩阵U中各因子对应的行为类别
静止 | 腿部抖动 | 左右扭动 | 左右摆动 | 起立,坐下 | |
U | u1 | u2 | u3 | u4 | u5 |
权值矩阵取值为W={0.310.220.230.24},分别将R1、R2、R3带进公式U=W×R进行计算,得到U1={10000};U2={00.390.310.220.08};U3={00.120.200.220.45}。U1中第1列数值最大,对应的第1列的行为类别是静止,根据最大隶属度原则,确定所对应的这个采样周期的运动形式是静止,将第一个采样周期的行为识别结果记录在数据库中。U2中第2列数值最大,对应的第2列的行为类别是腿部抖动,确定在该采样周期中的运动形式是腿部抖动。U3中第5列数值最大,对应的行为类别是起立坐下,则在该采样周期内的运动形式是起立坐下。
同理,重复上述的操作,得出n个采样周期内的行为类别,并将n个采样周期的行为识别结果记录在数据库中。
测试者如果是学生的话,可能为一个班级甚至更多人,所有测试者的数据分析与记录过程可以同时进行,分类结果可按照不同的测试者,不同的时间段存储在数据库中,以便对学生课堂的学习过程进行进一步分析从而得出学生在不同课堂上的学习习惯等信息,达到及时引导,避免学生偏科、厌学等目的,整体提高教学质量。
将上述实施例1的识别结果与实际的行为动作完全一致。
实施例2
在实施例1的人体行为识别方法中,步骤1的m类的行为类别分为静止、走路、跑步、上楼、下楼,其它的步骤与实施例1相同。
实施例3
在实施例1的人体行为识别方法中,步骤1的m类的行为类别可以是3类,分别为跳跃、走路、跑步,其它的步骤与实施例1相同。
本发明技术方案中的行为类别不仅限于上述的情形,还可以分为其它的多种行为类别,可依据实际应用确定。
Claims (2)
1.一种人体行为识别方法,其特征在于包括以下步骤:
(1)确定行为分类标准
预先设定m类行为类别,m取正整数,采集每个行为类别在X、Y、Z方向上所对应的加速度值,根据采集的加速度值计算出每个行为类别所对应的X方向加速度样本方差平均值Y方向加速度样本方差平均值Z方向上的加速度样本方差平均值以及SVM的样本方差平均值每个行为类别所对应的构成列向量评价因子集,m类行为类别形成m个列向量形成分类标准值矩阵B,分类标准值矩阵B中每个单独的数据均是评价因子相对于其相应的行为类别时的标准值;上述SVM是人体加速度向量幅值,其中aX、aY、aZ分别为X、Y、Z方向的加速度;
上述的行为类别分为静止、腿部抖动、左右扭动、左右摆动、起立坐下或者分为静止、走路、跑步、上楼、下楼;
(2)排列分类标准值矩阵B
将分类标准值矩阵B中的每一行进行从小到大排列,保存重新排序后每一行所对应的行为类别顺序;
(3)信息采集
将采集到的人体腰部加速度信息划分为n个采样周期,n取正整数;
(4)确定分类评价因子
根据步骤(3)所采集的加速度信息计算出每个采样周期中在X方向、Y方向和Z方向上加速度对应的样本方差SX、SY、SZ以及人体加速度向量幅值的样本方差Ssvm,并将每个采样周期中的样本方差数据Ssvm、SX、SY、SZ构成列向量评价因子集,n个采样周期形成n个列向量S采样周期:[SsvmSXSYSZ]T,n个列向量S采样周期:[SsvmSXSYSZ]T构成矩阵S;
(5)计算出各评价因子针对不同行为类别的隶属度值
计算出步骤(4)的矩阵S的每个采样周期中的各评价因子的隶属度值,隶属度值函数为:
式(1)中,x为矩阵S每个采样周期中的评价因子值,A为系数,0.5=A|(ai+ai+1)/2-ai+1|,ai和ai+1分别是步骤(1)的分类标准值矩阵B中的任意一行按照从小到大重新排列后该行中相邻的两个值,amin和amax分别代表该行中的最小值和最大值;
当x≤amin时,U(x)=1,表示x对于amin的隶属度为1,对于其它ai的隶属度为0;
当x≥amax时,U(x)=1,表示x对于amax的隶属度为1,对于其它ai的隶属度为0;
当x落在区间[ai,ai+1]内时,U(x)=A|x-ai+1|表示x对于ai的隶属度值,1-U(x)表示x对于ai+1的隶属度值,x对于其他aj的隶属度为0,amax>aj>amin,aj≠ai,aj≠ai+1;
(6)建立模糊关系矩阵R
以Ssvm、SX、SY、SZ评价因子对应于不同行为类别的隶属度值为行,行为类别为列,建立每个采样周期对应的模糊关系矩阵R;
(7)确定行为类别
利用步骤(6)中的模糊关系矩阵R,对每个采样周期中的数据进行分类,
U=W×R(2)
式中,U为一个1行m列的矩阵,每一列的数值对应于隶属各行为类别的概率;W为1行K列的评价因子权值矩阵,权值之和为1,K为评价因子的个数,W采用变异系数法确定,各项因子的变异系数公式如下:
式中:Vi是第i项评价因子的变异系数,也称为标准差系数;i=1,2,…,n,σi是第i项评价因子的标准差;是第i项评价因子的平均数;
各项因子的权重为:
根据最大隶属度原则,通过比较U中的数值,选取最大值作为每个采样周期所对应的行为类别,得到每个采样周期内的行为类别的结果并记录在数据库中。
2.根据权利要求1所述的人体行为识别方法,其特征在于:所述步骤(7)之后包括步骤(8),具体是:重复步骤(1)至(7),得出测试者在所有采样周期内的行为类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210330136.XA CN102855321B (zh) | 2012-09-07 | 2012-09-07 | 人体行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210330136.XA CN102855321B (zh) | 2012-09-07 | 2012-09-07 | 人体行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102855321A CN102855321A (zh) | 2013-01-02 |
CN102855321B true CN102855321B (zh) | 2015-11-18 |
Family
ID=47401909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210330136.XA Expired - Fee Related CN102855321B (zh) | 2012-09-07 | 2012-09-07 | 人体行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855321B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440471B (zh) * | 2013-05-05 | 2016-08-10 | 西安电子科技大学 | 基于低秩表示的人体行为识别方法 |
CN105447467A (zh) * | 2015-12-01 | 2016-03-30 | 北京航空航天大学 | 一种用户行为模式的识别系统和识别方法 |
CN108021888B (zh) * | 2017-12-05 | 2021-09-24 | 电子科技大学 | 一种跌倒检测方法 |
CN109508698B (zh) * | 2018-12-19 | 2023-01-10 | 中山大学 | 一种基于二叉树的人体行为识别方法 |
CN113590951A (zh) * | 2021-07-29 | 2021-11-02 | 上海德衡数据科技有限公司 | 一种感知数据处理方法及系统 |
CN117333929B (zh) * | 2023-12-01 | 2024-02-09 | 贵州省公路建设养护集团有限公司 | 基于深度学习实现道路施工下的异常人员识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592150A (zh) * | 2012-01-16 | 2012-07-18 | 河南科技大学 | 基于模糊理论决策的双向二维主成分分析的步态识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011040259A1 (ja) * | 2009-09-30 | 2011-04-07 | 三菱化学株式会社 | 体動信号についての情報処理方法、情報処理システムおよび情報処理装置 |
-
2012
- 2012-09-07 CN CN201210330136.XA patent/CN102855321B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592150A (zh) * | 2012-01-16 | 2012-07-18 | 河南科技大学 | 基于模糊理论决策的双向二维主成分分析的步态识别方法 |
Non-Patent Citations (1)
Title |
---|
Classification of Posture and Movement Using a 3-axis Accelerometer;Do-Un Jeong等;《International Conference on Convergence Information Technology》;20071231;第837-844页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102855321A (zh) | 2013-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855321B (zh) | 人体行为识别方法 | |
CN106919956A (zh) | 基于随机森林的脑电波年龄预测系统 | |
CN102274022B (zh) | 一种基于脑电信号的睡眠状态监测方法 | |
CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN103989485A (zh) | 基于脑电波的人体疲劳度评价方法 | |
CN103955270B (zh) | 一种基于p300的脑机接口系统的字符高速输入方法 | |
CN107577343A (zh) | 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置 | |
CN105496404A (zh) | 基于脑机接口辅助crs-r量表听觉惊吓的评估方法 | |
Shao et al. | Single-channel SEMG using wavelet deep belief networks for upper limb motion recognition | |
CN106725495A (zh) | 一种跌倒检测方法、装置及系统 | |
Ellis et al. | Physical activity recognition in free-living from body-worn sensors | |
CN106846975A (zh) | 一种k12阶段数据处理及学生学习情况的智能诊断方法 | |
CN106175800A (zh) | 一种基于人体运动状态数据的心境状态量化评估方法 | |
CN105869354A (zh) | 一种基于吸引子传播算法的老人跌倒检测方法 | |
CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
CN106951710A (zh) | 基于特权信息学习支持向量机的cap数据系统及方法 | |
CN110473631A (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
CN106202052A (zh) | 青少年心理压力区间及其压力源事件感知方法及装置 | |
Gao et al. | The Research and Analysis of Student Health Status on the Basis of Physic Fitness Test’Data | |
CN202362730U (zh) | 肢体运动检测评估网络系统 | |
Guo et al. | Analysis of driver vigilance under special conditions of Qinghai-Tibet | |
CN109920514A (zh) | 一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统 | |
Panhwarr et al. | Quantitative frailty assessment based on kinematic parameters of daily living activities | |
YongCheng | Evaluation Method of Physical Education Students' Mental Health based on Multi-source and Heterogeneous Data | |
Brawner | Data sharing: low-cost sensors for affect and cognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151118 Termination date: 20180907 |