CN103020636A - 一种基于三维人体运动能耗仪的上下楼动作识别的方法 - Google Patents

Abstract

本发明提供的是一种基于三维人体运动能耗仪的上下楼动作识别的方法。主要包括数据预处理、几何特征提取、分类器识别三个部分；首先对由LivePod三维人体运动能量消耗监测仪中的三维加速度传感器SMB380采集到的互相垂直的三组加速度值进行数据预处理；然后对得到的一维光滑的周期信号几何特征提取；最后进行分类器识别，将上楼梯和下楼梯动作分别从行走动作识别出来；将确定极值点的个数乘以每个周期消耗的平均能量即为记录时间内运动消耗的总能量。本发明本提供一种能降低能耗仪的工作能耗，提高了能耗仪的使用性能的基于三维人体运动能耗仪的上下楼动作识别的方法。

Description

一种基于三维人体运动能耗仪的上下楼动作识别的方法

技术领域

本发明涉及一种人体动作模式识别的方法，特别是一种基于三维人体运动能耗仪的上下楼动作识别的方法。

背景技术

目前，公知的能耗仪本质上是一种计步器，即仅能记录人体行走的步数，通过人体平均每步动作消耗的能量估计出总能量的消耗。但这种能耗仪应用在上下楼动作时会有明显的失真，因为上下楼动作消耗的能量远大于行走所消耗的能量，上楼梯和下楼梯消耗的能量也互不相同，而将上下楼动作误判为行走，能量消耗的计算将产生巨大的误差，给使用者也会带来错误的判断，影响使用者的运动计划。

国内外在基于MEMS(Micro-Electro-Mechanical Systems微机电系统)加速度传感器进行动作识别的研究早在90年代初期已经开始，主要识别平走、上楼梯和下楼梯动作，但大都处于研究阶段，因此为提高识别率，主要基于PC(personal computer)机使用平台，采用的技术多是涉及神经网络、小波变换、支持向量机等高级计算量大的算法，因此都不可将这些方法移植到可随身携带的三维人体运动能量消耗监测仪上。

与发明相关的公开报道有：

[1]Aminian.K，Robert.P，Jequier.E，Schutz.Y.LEVEL，Downhill And Uphill WalkingIdentification Using Neural Networks[J].Electronics Letters，1993，29(17)：46-49.

[2]Aminian.K，Robert.P.Estimation of Speed and Incline of Walking Using NeuralNetwork[J].IEEE Transactions on Instrumentation and Measurement，1995，44(3)：69-73.[3]Bouten Cvc，Koekkoek Ktm，Verduin M,Kodde R，Janssen Jd.A TriaxialAccelerometer and Portable Data Processing Unit for the Assessment of Daily PhysicalActivity[J].IEEE Transactions On Biomedical Engineering，1997：99-103.

[3]Bouten Cvc，Koekkoek Ktm，Verduin M,Kodde R，Janssen Jd.A Triaxial Accelerometerand Portable Data Processing Unit for the Assessment of Daily Physical Activity[J].IEEETransactions On Biomedical Engineering，1997：99-103.

[4]陈雷，杨杰，沈红斌，王双全.基于加速度信号几何特征的动作识别[J].上海交通大学学报，2008，42(2)：139-143.

[5]Shuangquan Wang，Jie Yang,Ningjiang Chen，Xin Chen，Qinfeng Zhang.Human ActivityRecognition with User-Free Accelerometers in the Sensor Networks[J].Neural Networksand Brain，2005ICNN&B 05International Conference on vol 2，200511：269-273

发明内容

本发明的目的在于提出一种能降低能耗仪的工作能耗，提高了能耗仪的使用性能的基于三维人体运动能耗仪的上下楼动作识别的方法。

本发明的目的是这样实现的：

基于三维人体运动能耗仪的上下楼动作识别的方法，主要包括数据预处理、几何特征提取、分类器识别三个部分；首先对由LivePod三维人体运动能量消耗监测仪中的三维加速度传感器SMB380采集到的互相垂直的三组加速度值进行数据预处理，主要将互相垂直的三组加速度值进行低通滤波处理，并将三维数据根据能量守恒合成为一维数据；然后对得到的一维光滑的周期信号几何特征提取，主要提取包含周期、极值、能量、方差、均方根几何信息的共十一维几何特征向量，并将这十一维的几何信息进行主成分分析，进一步去除冗余信息并消除信息间的相关性；最后进行分类器设计，将上楼梯和下楼梯动作分别从行走动作识别出来；将确定极值点的个数乘以每个周期消耗的平均能量即为记录时间内运动消耗的总能量。

所述的低通滤波处理的过程为：先对上楼梯和下楼梯动作的原始信号进行FFT频谱分析，由频谱图确定截止频率为2Hz；原始信号中含有高能量的噪声，根据大量实验结果确定低通滤波器阶次为9阶。

所述的能量守恒合成公式为：

其中a为合成后的加速度值，a_x为前后方向的加速度值，a_y为左右方向的加速度值，a_z为垂直方向的加速度值。

所述的几何特征提取过程为：将滤波后的一维光滑的周期信号根据极值点坐标的确定，重新建立坐标系，并将除原点的其他五个极值点的横纵坐标作为特征，其中包含了周期信息和极值信息，又根据公式其中x_i为合成后的加速度序列，提取出能量信息，根据公式

m是合成后加速度的均值，提取出方差信息，根据公式

提取出均方根信息，则共十一个几何特征信息。将十一维特征信息进行主成分分析处理。

所述的主成分分析的方法为：

寻求原指标的线性组合：

$\left\{\begin{array}{c}{F}_1=u_{11}{x}_1+u_{21}{x}_2+...+u_{p1}{x}_p\\ F_2=u_{12}{x}_1+u_{22}{x}_2+...+u_{p2}{x}_p\\ ...\\ F_k=u_{1k}{x}_1+u_{2k}{x}_2+...+u_{\mathrm{pk}}{x}_p\end{array}\right\},$ 其中 $\left(\begin{array}{c}{u}_{11}{u}_{22}...u_{p1}\\ u_{12}{u}_{22}...u_{p2}\\ ...\\ u_{1k}{u}_{2k}...u_{\mathrm{pk}}\end{array}\right)$ 是原变量x₁,x₂,...,x_p到新变量F₁,F₂,...,F_k的系数；

并满足以下关系：

Cov(F_i,F_j)＝0,i≠j,i,j＝1,2,...k

主成分之间无信息重叠，即相互独立。

所述的分类器识别是将主成分间无信息重叠十维模式送入最近邻法中的列表法进行分类识别：首先将待识别样本插入按已知样本已排好的表中，然后找到三个表中距待识别样本的前后各四个样本作为邻域，邻域的交集所属类别即为待识别样本的类别。

本发明的方法的主要特点：

避开了以往基于MEMS三维加速度传感器识别动作的复杂算法，将以几何特征为主的模板匹配的识别算法植入LivePod三维人体运动能量消耗监测仪的微控制器MSP430f4152，将LivePod(北京知康优美科技有限公司www.beingpower.com生产的一款人体运动能耗仪产品品牌)三维人体运动能量消耗监测仪佩戴在腰部，进行行走、上楼梯、下楼梯的动作，不仅可识别各自的动作，而且可显示各自动作消耗能量的多少，不仅降低了能耗仪的工作能耗，而且提高了能耗仪的使用性能。

附图说明

图1是本发明的能耗模式界面；

图2是本发明的步频界面；

图3是实验板硬件结构；

图4是LivePod三维人体运动能量消耗监测仪正面图；

图5是LivePod三维人体运动能量消耗监测仪佩戴位置示意图；

图6是坐标轴定义图；

图7是能耗仪硬件电路板PCB图；

图8是软件流程图；

图9是上楼梯动作Z轴频谱图；

图10是下楼梯动作Z轴频谱图；

图11是上楼梯动作原始数据曲线图；

图12是下楼梯动作原始数据曲线图；

图13是上楼梯动作滤波后曲线图；

图14是下楼梯动作滤波后曲线图；

图15是上楼梯动作合成曲线图；

图16是下楼梯动作合成曲线图；

图17是特征提取示意图；

图18是列表法示意图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

将图4所示的LivePod三维人体运动能量消耗监测仪佩戴在腰部如图5所示，进行走、上楼梯、下楼梯动作，相应的坐标轴定义见图6，图3所示的加速度传感器SMB380将采集到的信号送入处理器MSP430f4152，每分钟将处理结果送入图7中9、LCD，在图1模式下将显示记录时间内消耗的能量（单位kcal），在图2模式下将显示每分钟运动的步数（单位step/min）。

结合图8。本发明识别方法主要分为数据预处理、几何特征提取、分类器识别三部分。其具体处理过程分为以下几步：

1、滤波处理

首先对上楼梯和下楼梯动作的原始信号进行FFT频谱分析，大量数据表明，上楼梯和下楼梯动作原始信号的频率主要集中在2Hz以内，上楼梯和下楼梯动作Z轴方向频谱图见图9和图10，因此确定采用截止频率为2Hz的低通滤波器进行滤波。从原始数据曲线图11和图12可观察出，原始信号中含有较高能量的噪声，因此应选用高阶次的滤波器来滤除噪声，通过实验选用9阶效果较好，从而采用截止频率为2Hz、阶次为9阶的Butterworth数字低通滤波器分别对上楼梯和下楼梯动作的原始信号进行滤波，并得到了光滑周期曲线，光滑周期曲线见图13和图14。

本发明滤波器的设计方法采用双线性Z变换法，具体设计步骤为以下三步：

（1）按一定规则将给出的数字滤波器的技术指标转换为模拟低通滤波器的技术指标；

根据映射关系：

$s=\frac{2}{T_s}\frac{z-1}{Z+1}$ 及 $\mathrm{\Ω}=\frac{2}{T_s}\tan (\mathrm{\ω}/2)$

其中Ω为模拟滤波器的采样频率，ω为数字滤波器的采样频率，T_s为采样周期。把整个jΩ轴压缩到了单位圆的一周上，在给定了数字滤波器的技术指标ω_p(通带截止频率)=2rad/s，ω_s(阻带截止频率)=2.5rad/s，α_p(通带最小衰减)=1dB，α_s(阻带最大衰减)=30dB后，依照式

可转化为模拟滤波器的指标：

α_p=1dB，α_s=30dB。

（2）根据转化后的技术指标设计模拟低通滤波器G(s)；

由Butterworth滤波器模型：

${\left|G\left(\mathrm{j\Ω}\right)\right|}^2=\frac{1}{1+C^2{\left({\mathrm{\Ω}}^2\right)}^N}$

其中C为待定常数，N为滤波器节次，Ω是数字频率变量。

可求得

$C^2={10}^{{\mathrm{\α}}_s/10}-1$

$N=\log \sqrt{\frac{{10}^{{\mathrm{\α}}_s}-1}{{10}^{{\mathrm{\α}}_p}-1}}/\log \frac{{\mathrm{\Ω}}_s}{{\mathrm{\Ω}}_p}$

由ω_p，ω_s，α_p，α_s均已知，即可知C=32和N＝10；下一步确定G(s)。设变量p＝jΩ/Ω_p，则

$G\left(p\right)G(-p)=\frac{1}{1+{(p/j)}^{2N}}=\frac{1}{1+{(-1)}^N{p}^{2N}}$

由                            1+(-1)^Np^2N＝0

解得 $p_k=e^{j\frac{2k+N-i}{2N}\mathrm{\π}}k=\mathrm{1,2},...,2N$

这样，G(p)G(-p)的2N个极点等分在s平面半径为1的圆上，相距为π/N弧度。为了保证所设计的滤波器是稳定的，因此应把做左平面的极点赋予G(p)，即

$p_k=e^{j\frac{2k+N-i}{2N}\mathrm{\π}}k=\mathrm{1,2},...,2N$

这样 $G\left(p\right)=\frac{1}{(p-p_1)(p-p_2)...(p-p_N)}$

最后，用s/Ω_p代替变量p，即求得实际需要的G(s)。

（3）最后按一定规则将G(s)转换成H(z)。

将s与z间的关系

代入G(s)，即将G(s)转换成H(z)，即求得H(z)。

2、矢量合成

为减少数据的冗余及计算量的复杂度，将X、Y、Z三轴数据根据能量守恒合成为一维曲线，其能量守恒公式为

其中a_x为X轴方向加速度值，a_y为Y轴方向加速度值，a_z为Z轴方向加速度值，a为矢量合成加速度值。矢量合成后的曲线见图15和图16。

3、提取几何特征

本发明从合成矢量的信号中提取几何特征十一个，包括周期、极值、能量、方差、均方根，其中周期信息和极值信息包含八个特征，其提取方法为：先取出一个完整周期，如图17所示，并找出三个极小值和两个极大值的横纵坐标，如A(x₁,y₁)、B(x₂,y₂)、C(x₃,y₃)、D(x₄,y₄)、E(x₅,y₅)四个极值点，其中A、C、E为极小值，B、D为极大值，然后以A点为原点，重新建立坐标系，即五点的坐标分别变成A(0,0)、B(x₂-x₁,y₂-y₁)、C(x₃-x₁,y₃-y₁)、D(x₄-x₁,y₄-y₁)、E(x₅-x₁,y₅-y₁)，这时以B、C、D、E点的横纵坐标即[x₂-x₁,y₂-y₁,x₃-x₁,y₃-y₁,x₄-x₁,y₄-y₁,x₅-x₁,y₅-y₁]作为信号的周期和极值特征共八个。

能量、方差、均方根特征的提取方法为：

能量特征：其中，n是序列的长度；这里x_i取每个点相对A点的纵坐标，即相对加速度值；

方差：

其中ω是序列的长度，x_i是相对坐标，m是相对序列的均值；

均方根：

其中x_i取每个点相对A点的纵坐标。

4、主成分分析处理

本发明将提取出的十一维特征进行主成分分析处理，将原来众多且具有相关性的指标转化为少数几个相互独立的综合指标。具体方法为：

寻求原指标的线性组合：

$\left\{\begin{array}{c}{F}_1=u_{11}{x}_1+u_{21}{x}_2+...+u_{p1}{x}_p\\ F_2=u_{12}{x}_1+u_{22}{x}_2+...+u_{p2}{x}_p\\ ...\\ F_k=u_{1k}{x}_1+u_{2k}{x}_2+...+u_{\mathrm{pk}}{x}_p\end{array}\right\},$ 其中 $\left(\begin{array}{c}{u}_{11}{u}_{22}...u_{p1}\\ u_{12}{u}_{22}...u_{p2}\\ ...\\ u_{1k}{u}_{2k}...u_{\mathrm{pk}}\end{array}\right)$ 是原变量x₁,x₂,...,x_p到新变量F₁,F₂,...,F_k的系数。

并满足以下关系：

Cov(F_i,F_j)＝0,i≠j,i,j＝1,2,...k

主成分F₁,F₂,...,F_k之间无信息重叠，即相互独立。

这里p的取值为11，通过计算k的取值为10，因此可知原十一维特征存在信息冗余，压缩后的十维特征相互独立，可继续进行分类器的设计。

5、最近邻法分类器识别

本发明采用最近邻法中的列表法对样本进行分类，识别出上楼梯和下楼梯的动作，列表法分类器的设计如图18，其具体设计方法为：

列表法分为二个阶段：预处理阶段和搜索阶段。

①预处理阶段：在模式空间指定任意三个点A，B，C。分别计算这三个点到训练样本集中全部成员的距离。对A，B，C以从近到远的顺序列出所有的成员，构成三个表A，B，C。

②搜索阶段：记算待分类模式X到A，B，C的距离d_A,d_B,d_C。在表A，B，C中分别按d_A,d_B,d_C将X嵌入相应的位置上。

在表A，B，C中取X的近邻形成三个子集Φ_A,Φ_B,Φ_C。若Φ_A∩Φ_B∩Φ_C非空．则交集中的元素就可能包含X的最近邻，若Φ_A∩Φ_B∩Φ_C为空，则应逐步扩大X的邻域的范围，直至Φ_A∩Φ_B∩Φ_C非空为止，从而找到X的最近邻。X即属于其最近邻所属的类别。

6、能量消耗的计算

本发明所记录的上楼梯和下楼梯的步数是根据记录合成后的一维周期信号的极大值的个数，即为上楼梯和下楼梯的步数；上楼梯动作和下楼梯动作所消耗的能量则是根据由国家体育总局科研所测定的不同年龄段人类在上楼梯和下楼梯动作每个周期消耗的平均能量乘以记录内的运动的步数，即为记录时间内运动消耗的总能量。

Claims (6)

1.一种基于三维人体运动能耗仪的上下楼动作识别的方法，其特征是：主要包括数据预处理、几何特征提取、分类器识别三个部分；首先对由LivePod三维人体运动能量消耗监测仪中的三维加速度传感器SMB380采集到的互相垂直的三组加速度值进行数据预处理，主要将互相垂直的三组加速度值进行低通滤波处理，并将三维数据根据能量守恒合成为一维数据；然后对得到的一维光滑的周期信号几何特征提取，主要提取包含周期、极值、能量、方差、均方根几何信息的共十一维几何特征向量，并将这十一维的几何信息进行主成分分析，进一步去除冗余信息并消除信息间的相关性；最后进行分类器识别，将上楼梯和下楼梯动作分别从行走动作识别出来；将确定极值点的个数乘以每个周期消耗的平均能量即为记录时间内运动消耗的总能量。

2.根据权利要求1所述的基于三维人体运动能耗仪的上下楼动作识别的方法，其特征是：所述的低通滤波处理的过程为：先对上楼梯和下楼梯动作的原始信号进行FFT频谱分析，由频谱图确定截止频率为2Hz；原始信号中含有高能量的噪声，根据大量实验结果确定低通滤波器阶次为9阶。

3.根据权利要求1所述的基于三维人体运动能耗仪的上下楼动作识别的方法，其特征是：所述的能量守恒合成公式为：

其中a为合成后的加速度值，a_x为前后方向的加速度值，a_y为左右方向的加速度值，a_z为垂直方向的加速度值。

4.根据权利要求1所述的基于三维人体运动能耗仪的上下楼动作识别的方法，其特征是：所述的几何特征提取过程为：将滤波后的一维光滑的周期信号根据极值点坐标的确定，重新建立坐标系，并将除原点的其他五个极值点的横纵坐标作为特征，其中包含了周期信息和极值信息，又根据公式

其中x_i为合成后的加速度序列，提取出能量信息，根据公式m是合成后加速度的均值，提取出方差信息，根据公式

提取出均方根信息，则共十一个几何特征信息，将十一维特征信息进行主成分分析处理。

5.根据权利要求1所述的基于三维人体运动能耗仪的上下楼动作识别的方法，其特征是：所述的主成分分析的方法为：

寻求原指标的线性组合： $\left\{\begin{array}{c}{F}_1=u_{11}{x}_1+u_{21}{x}_2+...+u_{p1}{x}_p\\ F_2=u_{12}{x}_1+u_{22}{x}_2+...+u_{p2}{x}_p\\ ...\\ F_k=u_{1k}{x}_1+u_{2k}{x}_2+...+u_{\mathrm{pk}}{x}_p\end{array}\right\},$ 其中 $\left(\begin{array}{c}{u}_{11}{u}_{22}...u_{p1}\\ u_{12}{u}_{22}...u_{p2}\\ ...\\ u_{1k}{u}_{2k}...u_{\mathrm{pk}}\end{array}\right)$ 是原变量x₁,x₂,...,x_p到新变量F₁,F₂,...,F_k的系数；

并满足以下关系：

Cov(F_i,F_j)＝0,i≠j,i,j＝1,2,...k

主成分之间无信息重叠，即相互独立。

6.根据权利要求1所述的基于三维人体运动能耗仪的上下楼动作识别的方法，其特征是：所述的分类器识别是将主成分间无信息重叠十维模式送入最近邻法中的列表法进行分类识别：首先将待识别样本插入按已知样本已排好的表中，然后找到三个表中距待识别样本的前后各四个样本作为邻域，邻域的交集所属类别即为待识别样本的类别。

Images