CN105303183A - 一种基于穿戴设备的儿童姿态识别分析系统和方法 - Google Patents

Abstract

本发明公开了一种基于穿戴设备的儿童姿态识别分析系统和方法，该系统首先采集佩戴者的基本动作数据，对数据进行分析，提取佩戴者的不同基本运动姿态的特征，并设置特征区域，然后实时监控佩戴者的实时动作姿态，对姿态数据进行特征区域的匹配，最后对匹配结果进行匹配后处理，运用匹配成功的概率，去判断当前佩戴者的运动姿态和稳定状态，若动作匹配成功且稳定，继续监听；若匹配成功但不稳定状态，当不稳定状态标记超出设定稳定界值值时，调用通信模块，发出提醒警报；当匹配概率低于警报界值时不成功，发出安全异常警报。本发明实现了一种实时的动作识别方法，能够结合现市面存在内嵌gps模块设备更加清楚的定位和识别儿童佩戴者的运动状态。

Description

一种基于穿戴设备的儿童姿态识别分析系统和方法

技术领域

本发明涉及一种基于穿戴设备的儿童姿态识别分析系统和方法，属于计算机应用技术领域。

背景技术

人体姿态识别技术有着广泛的应用前景，潜在的应用领域包括人体行为监控、医疗监护、医疗康复交互式游戏虚拟运动场景电影特效和交互式学习等。

随着现代科技的迅速发展，微电子技术以及其的制作工艺日益成熟，传感器朝着体积小、质量轻、精度高、性能强、成本低、易于集成化和智能化的方向迅速发展，无论从体积、精度、功耗还是性能上都比以前有了很大的提高和改善，并且得到广泛的应用和发展，内嵌传感器器件的穿戴设备也应运而生，如智能手环、手表等等。集成的三轴加速度传感器已经有了很多的型号，在很多的领域得到很好的应用。利用内嵌加速度传感器的穿戴设备来识别和监测人体的姿态，从技术上得以支持和保证，同样对社会也有很重大的意义。

目前，基于加速度传感器的人体姿态的研究主要是通过姿态算法对数据进行分析、提取特征，辨别个体的不同姿态。大多数研究都是应用于老年人群跌倒的检测，但是，在儿童保护方面仍是一个新的应用点。因此，目前急切需要一套高效且实用的运动姿态识别方案，使得现实和科技能够完美结合，能够为广大家长带去很多方便。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于解决了上述现有技术的不足，提出了一种基于穿戴设备的儿童姿态识别分析系统和方法，该方法基于穿戴设备的儿童运动姿态识别、运动状态监控和异常警报处理。穿戴设备内嵌3轴加速度传感器模块，通过对运动过程中加速度数据进行相关的算法分析，确定佩戴儿童的运动姿态特征，进一步实时监控匹配佩戴儿童的运动状态，对匹配结果不成功、有安全隐患的情形进行警报处理。

本发明解决其技术问题所采取的技术方案是：一种基于穿戴设备的儿童姿态识别分析系统，该系统包括特征提取模块、特征匹配模块和匹配后处理模块。

特征提取模块：是针对佩戴者进行几种基本运动姿态进行数据采集，根据人体运动学模型，对采集数据进行分析，提取佩戴者的不同动作姿态的不同个性特征，并将与各个动作姿态相对应的个性特征存储入数据库，供后面特征匹配模块进行匹配使用；

对一种运动姿态的数据，以运动周期性原理找到每一个迈步周期，并对每一个周期内的阶段进行抬脚、落脚和平稳阶段的分割，在抬脚和落脚受力较大的动作中，求每一个周期的大小平均值，作为特征；

所述特征提取模块的实现过程包括：

1)、首先进行数据采集，在佩戴者尽可能稳定的进行基本动作活动下，读取一段时间的数据e＝{e₁,e₂,…e_i,…e_n}；其中e_i＝{i,a_i}，a_i是数据的真实大小。

2)、将采集的数据进行周期性划分。

当佩戴者处于静止时，加速度大小基本不变，约为0，处于不同运动状态，大小也会在不同大小段浮动，将收集到的数据根据v_i大小，将其分配到不同的段：{0-1}：{…e_i…}；{1-2}:{…e_j…}；…{max}:{…e_k…}；{min}:{…e_m…}。其中a_i∈(0,1)，a_j∈(1,2),a_k∈{a_k|a_k>max}；a_n∈{a_n|a_n<min}。

对于周期性的确定，通过最值进行确定，属于{max}区域的数据都是在不同周期的最值。将相邻的差值就能得到周期T_i，将得到的每个相邻周期取均值其中n表示此段数据包含的周期段数。

令即为当前运动状态的周期性特征。

3)对每一个周期内的抬脚和落脚阶段的划分。并计算此周期内两个阶段的加速度大小均值；

结合抬脚和落脚阶段的受力分析，加速度存方向上的变动，表现为大小的变化。在一个迈步周期T_i内，计算抬脚阶段内的和然后求所有周期的其中 $\stackrel{\&OverBar;}{a_{up}}=\frac{\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{a}}_{i\_up}}{n},\stackrel{\&OverBar;}{a_{down}}=\frac{\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{a}}_{i\_down}}{n};$

此处求得令即为属于当前运动状态加速度阀值大小特征。

4)对每一组基本动作周期性特征和加速度阀值特征进行存储。Map<key,value>,其中key代表不同的运动姿态，value＝{T,a_up,a_down}为对应状态的特征值。

日常的人体活动可以几种基本运动姿态组合而成，在此，在相邻的运动模式间特征表现不会太明显，比如快走和小跑，这样，就限定特征的界限，划分特征区域，来区分运动姿态。当周期T大于这样一个阀值T_x即T>T_x时、加速度大小均值小于这样一个阀值a_x即时，就认定为走路姿态，相反为跑步姿态。同样，对跑步姿态做一个上限限定，在上限和下限之间的为跑步姿态，当超出上限阀值，进行匹配异常处理。

特征匹配模块：即运动姿态的特征匹配，是对运动状态的实时监听，对运动中的数据进行分段分析，对每一段的数据进行特征匹配，然后根据匹配结果进行匹配后处理。

由于在实际的运动中，动作不会像特征提取时动作规范规律，采用滑动窗口的方式可尽可能准确的进行姿态周期判别和特征匹配。在此赞设定2个滑动窗口t₁和t₂，每个窗口时间为2个基本动作的最长周期T_max,即t＝2T_max。在每一个时间窗口内，主要分两步进行特征匹配，即：

1)周期性匹配。因为周期性的特征能够体现一个人的运动频率特征，进行周期性特征匹配，先确定可能进行的某种活动或某几种活动。

e＝{e₁,e₂,…e_i,…e_n}是一个时间窗口内的加速度数据其中e_i＝{i,a_i}；如果存在周期性动作，在一个周期内将会出现抬脚落脚和平稳阶段的连续数据，v_i＝a_i+1-a_i显示加速度的变化趋势，判断出是否体现体现人体抬脚、落脚和平稳3个阶段的特征，在运用模块1.中提取周期特征T的方法提取此时间窗口t的周期值T，将T与运动特征的T_x比较，当T>T_x说明正在进行较缓慢的运动，当T<T_x说明进行较快速的运动，通过周期性赛选，排除不符合的几种动作可能，进行下一步阀值特征的匹配。

2)通过周期特征T的赛选，确定可能的几组运动紫塔，继续进行加速度数据的阀值特征比对。取抬脚和落脚阶段受力情况较大阶段，计算此时间窗口的a_up，a_down特征，去匹配基本运动姿态的特征，进一步精确确定运动姿态。

通过两个步骤的匹配和排除，能够比较准确的匹配佩戴者进行的动作姿态。

周期性特征的比对，得到佩戴者双脚迈动频率，初步判定佩戴者可能进行的动作姿态，加速度阀值大小特征比对，进一步判定佩戴者的动作，若匹配成功则时间窗口后移，继续进行监听，当匹配不成功，进入下一步，根据不同情况发出警报。

匹配后处理模块：即匹配后处理，是针对特征匹配成功和不成功两个方向。

在此模块设定一个稳定值标志lag，lag＝i,表示匹配成功，其中i＝{1,2,3…}对应几组基本运动姿态；lag＝0，表示匹配失败。并将当前标志lag存入定长数组队列q，用于稳定性判断。

当特征匹配中2个步骤都匹配到存在的运动特征，且队列q＝[..,lag_i,.]，在q中lag相同的值n达到设定的稳定标准界值即n>N₁，则认定状态稳定，并继续移动时间窗口继续监听。若达不到稳定标准界值，但达到动作匹配成功界值N₂即N₁>n>N₂则认定不稳定状态，发出提醒警报。

当n<N₂时，匹配成功率较低，存在安全隐患，则发出安全隐患警报，提醒看护人去查看佩戴者状态。

当有动作匹配不成功状态产生，不立即发出警报，引入一个数字标记，对下面几次滑动窗口进行记录，当下面几次窗口动作匹配不成功概率超过设定值时，认定为有异常情况产生，发出警报，若不成功概率没有超过设定值，进行重新标记和记录。

本发明还提供了一种基于穿戴设备的儿童姿态识别分析系统的实现方法，该方法应用于基于穿戴设备的儿童姿态识别分析系统。

有益效果：

1、本发明将针对佩戴者进行特定的动作特征提取，并自动进行监控，识别运动姿态，通过几种动作特征的组合判断佩带者实时运动状态，对异常情况发出警报，针对特定佩戴者进行特征提取，个性化比较明显，能够很好的识别不同人的不同运动姿态。

2、本发明采用多时间窗口的方式，比较准确的对特征进行匹配和匹配后处理，最大化的降低误报可能。

3、本发明增加异常警报处理，及时反馈佩戴儿童的异常活动情况，同时，有助于意外情况的调查分析。

4、本发明能够实时监控匹配佩戴儿童的运动状态，对匹配结果不成功、有安全隐患的情形进行警报处理。

5、本发明明确了戴者的运动特征区域，进一步识别儿童运动姿态，并对儿童日常活动进行监控，当发生特征匹配不成功时，认定存在安全隐患，通过通信模块，能够向看护者发出警报。

附图说明

图1为特征提取方法的流程图。

图2为本发明的方法流程图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

本发明整个系统的实施要经过基本运动姿态特征提取、特征匹配和匹配后处理三个阶段，下面将重点阐述着三个模块的工作流程。

特征提取模块：特征提取主要针对佩戴者进行几种基本运动姿态进行数据采集，根据人体运动学模型，对采集数据进行分析，提取佩戴者的不同动作姿态的不同个性特征，并将与各个动作姿态相对应的个性特征存储入数据库，供后面特征匹配模块进行匹配使用。

对一种运动姿态的数据，以运动周期性原理找到每一个迈步周期，并对每一个周期内的阶段进行抬脚、落脚和平稳阶段的分割，在抬脚和落脚受力较大的动作中，求每一个周期的大小平均值，作为特征。

整个特征提取模块具体实施如下：

1)、首先进行数据采集，在佩戴者尽可能稳定的进行基本动作活动下，读取一段时间的数据e＝{e₁,e₂,…e_i,…e_n}；其中e_i＝{i,a_i}，a_i是数据的真实大小。

2)、将采集的数据进行周期性划分。

当佩戴者处于静止时，加速度大小基本不变，约为0，处于不同运动状态，大小也会在不同大小段浮动，将收集到的数据根据v_i大小，将其分配到不同的段：{0-1}：{…e_i…}；{1-2}:{…e_j…}；…{max}:{…e_k…}；{min}:{…e_m…}。其中a_i∈(0,1)，a_j∈(1,2),a_k∈{a_k|a_k>max}；a_n∈{a_n|a_n<min}。

对于周期性的确定，通过最值进行确定，属于{max}区域的数据都是在不同周期的最值。将相邻的差值就能得到周期T_i，将得到的每个相邻周期取均值其中n表示此段数据包含的周期段数。

令即为当前运动状态的周期性特征。

3)、对每一个周期内的抬脚和落脚阶段的划分。并计算此周期内两个阶段的加速度大小均值；

结合抬脚和落脚阶段的受力分析，加速度存方向上的变动，表现为大小的变化。在一个迈步周期T_i内，计算抬脚阶段内的和然后求所有周期的其中 $\stackrel{\&OverBar;}{a_{up}}=\frac{\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{a}}_{i\_up}}{n},\stackrel{\&OverBar;}{a_{down}}=\frac{\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{a}}_{i\_down}}{n};$

此处求得令即为属于当前运动状态加速度阀值大小特征。

4)、对每一组基本动作周期性特征和加速度阀值特征进行存储。Map<key,value>,其中key代表不同的运动姿态，value＝{T,a_up,a_down}为对应状态的特征值。

日常的人体活动可以几种基本运动姿态组合而成，在此，在相邻的运动模式间特征表现不会太明显，比如快走和小跑，这样，就限定特征的界限，划分特征区域，来区分运动姿态。当周期T大于这样一个阀值T_x即T>T_x时、加速度大小均值小于这样一个阀值a_x即时，就认定为走路姿态，相反为跑步姿态。同样，对跑步姿态态做一个上限限定，在上限和下限之间的为跑步姿态，当超出上限阀值，进行匹配异常处理。

特征匹配模块：运动姿态的特征匹配是对运动状态的实时监听，对运动中的数据进行分段分析，对每一段的数据进行特征匹配，然后根据匹配结果进行匹配后处理。

由于在实际的运动中，动作不会像特征提取时动作规范规律，采用滑动窗口的方式可尽可能准确的进行姿态周期判别和特征匹配。在此赞设定2个滑动窗口t₁和t₂，每个窗口时间为2个基本动作的最长周期T_max,即t＝2T_max。在每一个时间窗口内，主要分两步进行特征匹配：

1)周期性匹配。因为周期性的特征能够体现一个人的运动频率特征，进行周期性特征匹配，先确定可能进行的某种活动或某几种活动。

e＝{e₁,e₂,…e_i,…e_n}是一个时间窗口内的加速度数据其中e_i＝{i,a_i}；如果存在周期性动作，在一个周期内将会出现抬脚落脚和平稳阶段的连续数据，v_i＝a_i+1-a_i显示加速度的变化趋势，判断出是否体现体现人体抬脚、落脚和平稳3个阶段的特征，在运用特征提取模块.中提取周期特征T的方法提取此时间窗口t的周期值T，将T与运动特征的T_x比较，当T>T_x说明正在进行较缓慢的运动，当T<T_x说明进行较快速的运动，通过周期性赛选，排除不符合的几种动作可能，进行下一步阀值特征的匹配。

2)通过周期特征T的赛选，确定可能的几组运动紫塔，继续进行加速度数据的阀值特征比对。取抬脚和落脚阶段受力情况较大阶段，计算此时间窗口的a_up，a_down特征，去匹配基本运动姿态的特征，进一步精确确定运动姿态。

通过两个步骤的匹配和排除，能够比较准确的匹配佩戴者进行的动作姿态。

周期性特征的比对，得到佩戴者双脚迈动频率，初步判定佩戴者可能进行的动作姿态，加速度阀值大小特征比对，进一步判定佩戴者的动作，若匹配成功则时间窗口后移，继续进行监听，当匹配不成功，进入下一步，根据不同情况发出警报。

匹配后处理模块：匹配后处理，针对特征匹配成功和不成功两个方向。

在此模块设定一个稳定值标志lag，lag＝i,表示匹配成功，其中i＝{1,2,3…}对应几组基本运动姿态；lag＝0，表示匹配失败。并将当前标志lag存入定长数组队列q，用于稳定性判断。

当特征匹配中2个步骤都匹配到存在的运动特征，且队列q＝[..,lag_i,.]，在q中lag相同的值n达到设定的稳定标准界值即n>N₁，则认定状态稳定，并继续移动时间窗口继续监听。若达不到稳定标准界值，但达到动作匹配成功界值N₂即N₁>n>N₂则认定不稳定状态，发出提醒警报。

当n<N₂时，匹配成功率较低，存在安全隐患，则发出安全隐患警报，提醒看护人去查看佩戴者状态。

Claims (5)

1.一种基于穿戴设备的儿童姿态识别分析系统，其特征在于：所述系统包括特征提取模块、特征匹配模块和匹配后处理模块；

特征提取模块：是针对佩戴者进行几种基本运动姿态进行数据采集，根据人体运动学模型，对采集数据进行分析，提取佩戴者的不同动作姿态的不同个性特征，并将与各个动作姿态相对应的个性特征存储入数据库，供后面特征匹配模块进行匹配使用；

特征匹配模块：即运动姿态的特征匹配，是对运动状态的实时监听，对运动中的数据进行分段分析，对每一段的数据进行特征匹配，然后根据匹配结果进行匹配后处理；

匹配后处理模块：匹配后处理，是针对特征匹配成功和不成功两个方向；

设定一个稳定值标志lag，lag＝i,表示匹配成功，其中i＝{1,2,3…}对应几组基本运动姿态；lag＝0，表示匹配失败，并将当前标志lag存入定长数组队列q，用于稳定性判断；

当特征匹配中2个步骤都匹配到存在的运动特征，且队列q＝[..,lag_i,.]，在q中lag相同的值n达到设定的稳定标准界值即n>N₁，则认定状态稳定，并继续移动时间窗口继续监听，若达不到稳定标准界值，但达到动作匹配成功界值N₂即N₁>n>N₂则认定不稳定状态，发出提醒警报；

当n<N₂时，匹配成功率较低，存在安全隐患，则发出安全隐患警报，提醒看护人去查看佩戴者状态。

2.根据权利要求1所述的一种基于穿戴设备的儿童姿态识别分析系统，其特征在于，所述特征提取模块包括：对一种运动姿态的数据，以运动周期性原理找到每一个迈步周期，并对每一个周期内的阶段进行抬脚、落脚和平稳阶段的分割，在抬脚和落脚受力较大的动作中，求每一个周期的大小平均值，作为特征。

3.根据权利要求1所述的一种基于穿戴设备的儿童姿态识别分析系统，其特征在于，所述特征提取模块的实现过程包括：

1)、首先进行数据采集，在佩戴者尽可能稳定的进行基本动作活动下，读取一段时间的数据e＝{e₁,e₂,…e_i,…e_n}；其中e_i＝{i,a_i}，a_i是数据的真实大小；

2)、将采集的数据进行周期性划分；

当佩戴者处于静止时，加速度大小基本不变，约为0，处于不同运动状态，大小也会在不同大小段浮动，将收集到的数据根据v_i大小，将其分配到不同的段：{0-1}：{…e_i…}；{1-2}:{…e_j…}；…{max}:{…e_k…}；{min}:{…e_m…}，其中a_i∈(0,1)，a_j∈(1,2),a_k∈{a_k|a_k>max}；a_n∈{a_n|a_n<min}；

对于周期性的确定，通过最值进行确定，属于{max}区域的数据都是在不同周期的最值，将相邻的差值就能得到周期T_i，将得到的每个相邻周期取均值其中n表示此段数据包含的周期段数；

令即为当前运动状态的周期性特征。

4.根据权利要求1所述的一种基于穿戴设备的儿童姿态识别分析系统，其特征在于，所述特征匹配模块包括：在实际的运动中，动作不会像特征提取时动作规范规律，采用滑动窗口的方式尽可能准确的进行姿态周期判别和特征匹配；在此赞设定2个滑动窗口t₁和t₂，每个窗口时间为2个基本动作的最长周期T_max,即t＝2T_max，在每一个时间窗口内，分两步进行特征匹配，即：

1)周期性匹配；周期性的特征能够体现一个人的运动频率特征，进行周期性特征匹配，先确定可能进行的某种活动或某几种活动；

e＝{e₁,e₂,…e_i,…e_n}是一个时间窗口内的加速度数据其中e_i＝{i,a_i}；如果存在周期性动作，在一个周期内将会出现抬脚落脚和平稳阶段的连续数据，v_i＝a_i+1-a_i显示加速度的变化趋势，判断出是否体现体现人体抬脚、落脚和平稳3个阶段的特征，在运用模块1.中提取周期特征T的方法提取此时间窗口t的周期值T，将T与运动特征的T_x比较，当T>T_x说明正在进行较缓慢的运动，当T<T_x说明进行较快速的运动，通过周期性赛选，排除不符合的几种动作可能，进行下一步阀值特征的匹配；

2)通过周期特征T的赛选，确定可能的几组运动紫塔，继续进行加速度数据的阀值特征比对，取抬脚和落脚阶段受力情况较大阶段，计算此时间窗口的a_up，a_down特征，去匹配基本运动姿态的特征，进一步精确确定运动姿态；

通过两个步骤的匹配和排除，能够准确的匹配佩戴者进行的动作姿态；

周期性特征的比对，得到佩戴者双脚迈动频率，初步判定佩戴者可能进行的动作姿态，加速度阀值大小特征比对，进一步判定佩戴者的动作，若匹配成功则时间窗口后移，继续进行监听，当匹配不成功，进入下一步，根据不同情况发出警报；

3)对每一个周期内的抬脚和落脚阶段的划分，并计算此周期内两个阶段的加速度大小均值；

结合抬脚和落脚阶段的受力分析，加速度存方向上的变动，表现为大小的变化，在一个迈步周期T_i内，计算抬脚阶段内的和然后求所有周期的 其中 $\stackrel{\&OverBar;}{a_{up}}=\frac{\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{a}}_{i\_up}}{n},$ $\stackrel{\&OverBar;}{a_{down}}=\frac{\mathrm{\&Sigma;}{\stackrel{\&OverBar;}{a}}_{i\_down}}{n};$

此处求得令 即为属于当前运动状态加速度阀值大小特征；

4)对每一组基本动作周期性特征和加速度阀值特征 进行存储，Map<key,value>,其中key代表不同的运动姿态，value＝{T,a_up,a_down}为对应状态的特征值；

日常的人体活动可以几种基本运动姿态组合而成，在此，在相邻的运动模式间特征表现不会太明显，即快走和小跑，这样，就限定特征的界限，划分特征区域，来区分运动姿态；当周期T大于这样一个阀值T_x即T>T_x时、加速度大小均值小于这样一个阀值a_x即时，就认定为走路姿态，相反为跑步姿态；同样，对跑步姿态做一个上限限定，在上限和下限之间的为跑步姿态，当超出上限阀值，进行匹配异常处理。

5.一种基于穿戴设备的儿童姿态识别分析系统的实现方法，其特征在于：所述方法应用于基于穿戴设备的儿童姿态识别分析系统。