CN103886341A - 基于特征组合的步态行为识别方法 - Google Patents

Abstract

本发明公开了一种基于特征组合的步态行为识别方法，包括以下步骤：通过加速度传感器获取用户在行为状态下身体的运动加速度信息；从上述运动加速度信息中计算各轴的峰值、频率、步态周期和四分位差及不同轴之间的互相关系数；采用聚合法选取参数组成特征向量；以样本集和步态加速度信号的特征向量作为训练集，对分类器进行训练，使的分类器具有分类步态行为的能力；将待识别的步态加速度信号的所有特征向量输入到训练后的分类器中，并分别赋予所属类别，统计所有特征向量的所属类别，并将出现次数最多的类别赋予待识别的步态加速度信号。实现简化计算过程，降低特征向量的维数并具有良好的有效性的目的。

Description

基于特征组合的步态行为识别方法

技术领域

本发明涉及体域网（Body Area Network）应用技术领域，具体地，涉及一种基于特征组合的步态行为识别方法。

背景技术

目前，步态识别成为越来越多的科研工作者所研究的课题，已经成为一种新兴的生物认证技术，它是通过人的走路方式来识别人的身份。与已经比较成熟的一些生物识别方法相比，如指纹识别、人脸识别和语音识别等，步态识别的优势在于：它除了具有唯一性外，还具有非接触性、不受距离影响、难以伪装、受环境影响小等特点。步态特征的独特性在许多方面都有着重要的应用，例如为人的运动识别和身份识别提供有效的线索，在Parkinson、Alzheimer等疾病的预防、诊断和康复方面能够起到有效的辅助作用。

主流的步态识别方法都是基于计算机视觉的，已经有一些科研机构进行了研究并取得了一定的成果。主要方法有步态序列自相似图（SSP）、基于时间矩的统计、轮廓各部分的矩阵特征等。由于动态拍摄的图像很容易受光照变化、运动对象的影子等多方面的影响，给基于图像的步态特征提取带来了较大困难。进入21世纪以来，许多研究人员开始探索新的步态识别的方法—基于加速度传感器的方法。该方法还可以将步态特征应用于便携式电子产品中，为它们提供了一种非侵犯性的、隐蔽的安全机制。

体域网是身体局域网，也就是通过人体表面上附着的传感器以及一些智能终端设备所组成的网络系统。该网络系统可以实时采集人体的生理行为信号，并将其传输到远程服务器上，比如远程医疗分析处理设备，通过服务器上的处理分析以及专业人员的处理，可以返回相关信息，比如健康状况。因而体域网在医疗健康、运动分析等方面有着越来越重要的作用，所以越来越多的研究人员开始关注并研究体域网的相关内容，进行了多方面领域的科学研究，也取得了一定的成果。

将体域网和步态识别相结合是当前比较受关注的研究领域，因为可以结合两者的优势，使得其应用领域更为广阔。体域网中的步态识别是指通过传感器进行步态加速度数据的采集，并通过传感器网络和Internet将数据传输到远端服务器进行分析处理，然后通过相应的软件进行识别，识别结果可以保留也可以通过网络反馈给用户。由于用户可以及时得到信息反馈，因而用户体验会比较好。同时由于该方法不会引起用户的注意，也就是说可以在用户不受影响的情况下进行，因而不会对用户造成困扰，也方便了研究人员进行研究，所以受到越来越多的科研工作者的欢迎。目前已有一些高等院校和科研机构对此进行了研究，并就一些前沿课题进行了深入研究，取得了一些科研成果。

但是也存在着一些问题：（1）样本与行为类型较少；（2）需要多次变换，提取的特征维数太高，必须降维；（3）需要多次复杂计算并进行优化；（4）数据采集系统设计较为复杂。因此需要一种更为简单、有效的方法来实现高效的步态行为识别，满足实际应用的需要。

发明内容

本发明的目的在于，针对上述问题，提出一种基于特征组合的步态行为识别方法，以实现简化计算过程，降低特征向量的维数并具有良好的有效性的优点。

为实现上述目的，本发明采用的技术方案是：

一种基于特征组合的步态行为识别方法，包括以下步骤：

步骤1：通过加速度传感器获取用户在行为状态下身体的运动加速度信息；

步骤2：从上述运动加速度信息中计算各轴的峰值、频率、步态周期和四分位差及不同轴之间的互相关系数；

步骤3：采用聚合法选取参数组成特征向量；

步骤4：以样本集和步骤1中的步态加速度信号的特征向量作为训练集，对分类器进行训练，使的分类器具有分类步态行为的能力；

步骤5：将待识别的步态加速度信号的所有特征向量输入到训练后的分类器中，并分别赋予所属类别，统计所有特征向量的所属类别，并将出现次数最多的类别赋予待识别的步态加速度信号。

根据本发明的优选实施例，所述步骤3中采用聚合法选取参数组成特征向量包括以下步骤：

步骤3.1：候选特征集合为X＝｛x₁，...，x_n｝将X中的每一个特征作为训练集合，则共有n个训练集合，分别是｛x₁｝，...，｛x_n｝，对n个训练集合逐个地进行分类训练和测试，并优选选取其中的训练集合作为特征向量Y，候选特征集合为去掉x_k的集合X＝｛x₁，...，x_k-1，x_k+1，...，x_n｝；

步骤3.2：对于上述候选特征集合X＝｛x₁，...，x_k-1，x_k+1，...，x_n｝，将其中的每一个特征与特征向量Y组成训练集合，共有n-1个训练集合，分别是｛｛x₁｝∪Y｝，...，｛｛X_k-1｝∪Y｝，｛｛Ｘ_ｋ＋１｝∪Ｙ｝，...，｛｛x_n｝∪Ｙ｝，对n-1个训练集合逐一的进行分类训练和测试，并优选其中的训练集合，假设是Ｚ＝｛｛x_i｝∪Ｙ｝；

步骤3.3：比较集合Z与特征向量Y的分类识别结果，若集合Z的分类识别结果优于特征向量Y的分类识别结果，则将Z赋予Y，作为特征向量，即特征向量为Y=Z；

步骤3.4：若特征向量Y的分类识别结果优于集合Z的分类识别结果，则认为聚合方法已经得到了最优解，最优解即为特征向量Y。

根据本发明的优选实施例，步骤4和步骤5中的分类器为朴素贝叶斯分类器。

根据本发明的优选实施例，所述朴素贝叶斯分类器使用公式为：

$v_{\mathrm{NB}}=\arg \underset{v_j\∈V}{\max }P\left(v_j\right)\underset{i}{\mathrm{\Π}}P\left(a_i\right|v_j),$

公式中，v_j表示目标值，P(v_j)和P(a_i|v_j)表示利用训练数据的估计值。

本发明的技术方案具有以下有益效果：

本发明的技术方案，利用简单的计算参数—峰值、频率、步态周期、四分位差和互相关系数来组成特征向量，简化了计算过程，降低了特征向量的维数，同时具有良好的有效性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为人体上传感器的携带位置示意图；

图2为本发明实施例所述的基于特征组合的步态行为识别方法中步态周期分割示意图；

图3为本发明实施例所述的基于特征组合的步态行为识别方法中关键特征提取过程示意图。

结合附图，本发明实施例中附图标记如下：

1-腰部；2-左大腿；3-右脚踝。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种基于特征组合的步态行为识别方法，包括以下步骤：

步骤1：通过加速度传感器获取用户在行为状态下身体的运动加速度信息；

步骤2：从上述运动加速度信息中计算各轴的峰值、频率、步态周期和四分位差及不同轴之间的互相关系数；

步骤3：采用聚合法选取参数组成特征向量；

步骤4：以样本集和步骤1中的步态加速度信号的特征向量作为训练集，对分类器进行训练，使的分类器具有分类步态行为的能力；

步骤5：将待识别的步态加速度信号的所有特征向量输入到训练后的分类器中，并分别赋予所属类别，统计所有特征向量的所属类别，并将出现次数最多的类别赋予待识别的步态加速度信号。

其中，步骤3中采用聚合法选取参数组成特征向量包括以下步骤：

步骤3.1：候选特征集合为X＝｛x₁，...，x_n｝，将X中的每一个特征作为训练集合，则共有n个训练集合，分别是｛x₁｝，...，｛x_n｝，对n个训练集合逐个地进行分类训练和测试，并优选选取其中的训练集合作为特征向量Y，候选特征集合为去掉x_k的集合X＝｛x₁，...，x_k-1，x_k+1，...，x_n｝；

步骤3.2：对于上述候选特征集合X＝｛X₁，...，x_k-1，x_k+1，...，x_n｝，将其中的每一个特征与特征向量Y组成训练集合，共有n-1个训练集合，分别是｛｛x₁｝∪Y｝，...，｛｛x_k-1｝∪Ｙ｝，｛｛x_k+1}∪Y｝，...，｛｛x_n｝∪Ｙ｝，对n-1个训练集合逐一的进行分类训练和测试，并优选其中的训练集合，假设是Z＝｛｛x_i｝∪Ｙ｝；

步骤3.3：比较集合Z与特征向量Y的分类识别结果，若集合Z的分类识别结果优于特征向量Y的分类识别结果，则将Z赋予Y，作为特征向量，即特征向量为Y=Z；

步骤3.4：若特征向量Y的分类识别结果优于集合Z的分类识别结果，则认为聚合方法已经得到了最优解，最优解即为特征向量Y。

步骤4和步骤5中的分类器为朴素贝叶斯分类器。

朴素贝叶斯分类器的学习任务中，每个实例x可由属性值的合取描述，而目标函数f(x)从某些有限集合V中取值。通过将一系列关于目标函数的训练集合以及由属性值元组＜a₁，a₂，...，a_n＞组成的新实例提交给学习器来对新实例的目标值或分类进行预测。

朴素贝叶斯分类器对新实例进行分类的目标是在给定描述实例的属性值＜a₁，a₂，...，a_n＞的情况下，得到最有可能的目标值v_MAF。

$v_{\mathrm{MAP}}=\arg \underset{v_j\∈V}{\max }P\left(v_j\right|a_1,a_2...a_n)---\left(1\right)$

可以使用贝叶斯公式将此表达式重新写成：

$\begin{array}{c}{v}_{\mathrm{MAP}}=\arg \underset{v_j\∈V}{\max }\frac{P\left(\right|a_1,a_2...a_n\left|v_j\right)P\left(v_j\right)}{P\left(\right|a_1,a_2...a_n)}\\ =\arg \underset{v_j\∈V}{\max };P\left(\right|a_1,a_2...a_n\left|v_j\right)P\left(v_j\right)\end{array}---\left(2\right)$

式(2)中的两个数据项，即P(a1_，a₂...a_n|v_j)和P(v_j)的值是通过利用训练数据进行估计的。P(v_j)的值是很容易估计的，只要计算每个目标值v_j出现在训练数据中的频率值就可以了。但是，不可能使用这种方法来估计P(a₁，a₂...a_n|v_j)的值，因为训练数据集不足，除非有一个非常大的数据集合。

朴素贝叶斯分类器是基于一个简单的假设条件：在给定目标值时，各属性值之间相互条件独立。换言之，此假设条件说明在给定实例的目标值的情况下，所观察到的a₁，a₂...a_n的联合概率等于每个单独属性的概率的乘积：

$P(a_1,a_2...a_n|v_j)=\underset{i}{\mathrm{\Π}}P\left(a_i\right|v_j)---\left(3\right)$

将其代入式(2)中，可以得到朴素贝叶斯分类器所使用的方法的公式：

$v_{\mathrm{NB}}=\arg \underset{v_j\∈V}{\max }P\left(v_j\right)\underset{i}{\mathrm{\Π}}P\left(a_i\right|v_j)---\left(4\right)$

其中，v_NB表示朴素贝叶斯分类器的输出目标值。值的注意的是在朴素贝叶斯分类器中，必须从训练数据集中估计出的不同的P(a_i|v_j)项的数量，其值为不同的属性值的数量乘以不同的目标值的数量，这比估计P(a₁，a₂...a_n|v_j)项所需要的计算量小得多。

概括的讲，朴素贝叶斯分类器需要使用训练数据中属性值的频率来对不同的P(v_j)和P(a_i|v_j)项进行估计。然后使用式(3)中的规则对新的实例进行分类。只要能够满足所需要的条件独立性，朴素贝叶斯分类v_NB等于MAP分类。

如图1所示，传感器的位置有腰部、大腿和脚踝三处选择，本发明实施例是以腰部为主，选择将传感器放置在腰部正中位置。其中x轴表示竖直方向，_y轴表示水平左右方向，z轴表示运动方向。

图2是计算步态周期的示意图。以周期长度length对信号进行分割。假设有m个区间x，则最小值有m个

k_i＝minx(ni)i=1,2,……m.(5)

k₁，k₂...k_m就是确定的峰值点或谷值点，从而检测到m-1个步态周期，分别为[k_i，k_i+1]，i=1,2,……,m-1。

平均步态周期即这m-1个步态周期的平均值。

峰值、频率、四分位差和互相关系数四种参数可通过各自的公式逐一求出。

图3是从加速度信号中提取参数组成特征向量的示意图，分别是峰值、频率、步态周期和四分位差及互相关系数。

本发明通过提取加速度信息中比较简单、低维度但能表征运动特征的步态参数—峰值、频率、步态周期、四分位差和互相关系数，并将这五种参数按一定顺序组成特征向量，其顺序为峰值、频率、互相关系数、四分位差、步态周期，通过该特征向量进行步态行为识别，简化了计算，降低了特征向量的维数。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于特征组合的步态行为识别方法，其特征在于，包括以下步骤：

步骤1：通过加速度传感器获取用户在行为状态下身体的运动加速度信息；

步骤2：从上述运动加速度信息中计算各轴的峰值、频率、步态周期和四分位差及不同轴之间的互相关系数；

步骤3：采用聚合法选取参数组成特征向量；

步骤4：以样本集和步骤1中的步态加速度信号的特征向量作为训练集，对分类器进行训练，使的分类器具有分类步态行为的能力；

步骤5：将待识别的步态加速度信号的所有特征向量输入到训练后的分类器中，并分别赋予所属类别，统计所有特征向量的所属类别，并将出现次数最多的类别赋予待识别的步态加速度信号。

2.根据权利要求1所述的基于特征组合的步态行为识别方法，其特征在于，所述步骤3中采用聚合法选取参数组成特征向量包括以下步骤：

步骤3.1：候选特征集合为X＝｛x₁，...，x_n｝，将X中的每一个特征作为训练集合，则共有n个训练集合，分别是｛x₁｝，...，｛x_n｝，对n个训练集合逐个地进行分类训练和测试，并优选选取其中的训练集合作为特征向量Y，候选特征集合为去掉x_k的集合X＝｛x₁，...，x_k-1，x_k+1，...x_n｝；

步骤3.2：对于上述候选特征集合X＝｛x₁，…，x_k-1，x_k+1，…，x_n｝，将其中的每一个特征与特征向量Y组成训练集合，共有n-1个训练集合，分别是｛｛x₁∪Y｝，…，｛｛x_k-1｝∪Ｙ｝，｛｛Ｘ_k+1｝∪Ｙ｝，…，｛｛ｘ_ｎ｝∪Y｝，对n-1个训练集合逐一的进行分类训练和测试，并优选其中的训练集合，假设是Ｚ＝｛｛x_i｝∪Y｝；

步骤3.3：比较集合Z与特征向量Y的分类识别结果，若集合Z的分类识别结果优于特征向量Y的分类识别结果，则将Z赋予Y，作为特征向量，即特征向量为Y=Z；

步骤3.4：若特征向量Y的分类识别结果优于集合Z的分类识别结果，则认为聚合方法已经得到了最优解，最优解即为特征向量Y。

3.根据权利要求2所述的基于特征组合的步态行为识别方法，其特征在于，上述步骤4和步骤5中的分类器为朴素贝叶斯分类器。

4.根据权利要求3所述的基于特征组合的步态行为识别方法，其特征在于，所述朴素贝叶斯分类器使用公式为：

$v_{\mathrm{NB}}=\arg \underset{v_j\∈V}{\max }P\left(v_j\right)\underset{i}{\mathrm{\Π}}P\left(a_i\right|v_j),$

公式中，v_j表示目标值，P(vj)和P(a_i|v_j)表示利用训练数据的估计值。

Images