CN105528613A - 一种基于智能手机gps速度与加速度数据的行为识别方法 - Google Patents

Abstract

本发明公开了一种基于智能手机GPS速度与加速度数据的行为识别方法，该方法可以有效地识别用户在不同速度下的人体行为，如骑车、乘车等。本发明是一种结合GPS速度数据与加速度数据的行为识别方法，该方法首先采用Android智能手机对用户实时的GPS速度数据和三轴加速度计数据进行采集，然后对采集到的数据进行时域特征及频域特征的提取，利用提取的特征向量与特征向量已知的对应行为作为训练样本输入支持向量机SVM进行训练得到分类器，最后使用所述分类器对实例样本进行识别，得到人体行为识别的结果。

Description

一种基于智能手机GPS速度与加速度数据的行为识别方法

技术领域

本发明涉及一种基于智能手机GPS速度与加速度数据的行为识别方法，属于行为识别应用技术领域。

背景技术

人体行为识别技术旨在感知人行为的外在表现，并根据感知结果识别出其类别。作为一项使计算机能够以更主动、自然的方式为人提供服务的关键技术，人体行为识别技术拥有广阔的应用前景并受到了广泛的学术关注。在学术界，来自MIT、ETHZurich、WSU、Intel与微软研究院等多家研究机构的许多学者都对人体行为识别相关问题展开了积极的探索。在工业界，行为识别技术被运用于移动健康看护、随身运动监测、体感游戏等多种应用中。人体行为识别技术涉及到行为感知和识别这两项核心技术。在行为感知方面，传统的方法是采用基于计算机视觉的行为感知技术，然而该方法由于隐私侵入性强、观察范围有限且容易受到光照条件、遮挡等多种因素的影响等原因,不能完全满足日常行为感知的需求。

随着信息科学和传感器技术的进步，基于传感器的行为识别获得了极大的发展，其中基于可穿戴传感器的人体行为识别具有极其广泛的应用前景。例如，在智能家居、老人或病人监护等领域使用可穿戴式传感器可以实时获得用户的行为数据，从而快速准确的判断出当前用户的活动情况。

目前由于基于单一传感器对人体的复杂行为识别准确率不高，基于多传感器特征的行为识别受到了研究者的青睐。而智能手机不仅拥有多种内置传感器，如加速度传感器、陀螺仪、磁力计、方向传感器等，它们可以对不同的运动、方向和外部环境进行感知，特别在监测设备的移动和位置变化时，能获得较精确的原始三维数据，而且如今智能手机容易使用和携带，用户广泛。鉴于手机传感器的这种便携性和高性能，本发明提出一种基于智能手机GPS速度与加速度数据的行为识别方法，该方法很好地解决了上面的问题。

发明内容

本发明目的在于提供了一种结合智能手机GPS速度数据与加速度传感器数据的户外行为识别方法，该方法解决了上述现有基于加速度传感器的行为识别的不足，该方法可以有效地识别用户在不同速度下的人体行为，如骑车、乘车等。

本发明解决其技术问题所采取的技术方案是：本发明是一种结合GPS速度数据与加速度数据的行为识别方法，该方法首先采用Android智能手机对用户实时的GPS速度数据和三轴加速度计数据进行采集，然后对采集到的数据进行时域特征及频域特征的提取，利用提取的特征向量与特征向量已知的对应行为作为训练样本输入支持向量机SVM进行训练得到分类器，最后使用所述分类器对实例样本进行识别，得到人体行为识别的结果。

方法流程：

本发明设定人的日常行为包括站立、行走、跑步、骑脚踏车、乘车5种方式，智能手机固定放在裤子口袋中，手机在某一时刻采集到的加速度传感器X轴加速度为x，Y轴加速度为y，Z轴加速度为z，GPS速度数据为p，该时刻的行为元数据为s＝(p，x，y，z)。

本发明提供了一种基于智能手机GPS速度与加速度数据的行为识别方法，该方法包括如下步骤：

步骤1：使用者使用装有行为数据采集功能APP的智能手机采集行为数据。

步骤11：将安装有数据采集功能的APP智能手机放在人体固定位置并按照各自的习惯完成上述5种日常行为。

在用户进行日常活动时，系统以30-100Hz频率生成行为元数据s＝(p，x，y，z)。由于GPS数据更新的最快速率约为2-3Hz，远远达不到加速度采集的速率，所以当系统未更新GPS速度数据时，以最近更新的GPS速度数据填补。

步骤12：在数据采集过程中，系统将新生成的行为元数据按时序序列以输出流的形式写入到本地存储中。

在此过程中，为了降低系统IO对资源的使用，在手机中设置一个缓冲区来缓存数据，当缓冲区满时将缓冲区的数据写入本地。

步骤13：在系统中设置固定的数据上传间隔时间x秒，当时间到时，将该时间段采集到的数据通过网络上传到服务器，用户的行为数据可以按时序序列用集合表示S＝(s₁，s₂，s₃，…，s_n)；

其中s₁＝(p₁，x₁，y₁，z₁)，s₁表示在1时刻采集到的行为元数据；p₁表示在1时刻的GPS速度，x₁表示在1时刻X轴上的加速度，y₁表示在1时刻Y轴上的加速度，z₁表示在1时刻Z轴上的加速度。同理s₂表示在2时刻采集到的行为元数据，s_n表示在n时刻采集到的行为元数据。

步骤2：对步骤1采集到的数据进行接收、加窗分割、特征提取。

步骤21：服务器通过网络接收到手机发送过来行为数据并将数据附加在上一次接收到的数据尾部，采用等长重叠的窗对GPS速度和加速度数据进行分割，当数据不足一个窗口长度时，服务器则等待手机端发送行为数据。

原始数据条目复杂、维度多，不适宜直接进行特征提取，窗长大小一般为2-5s时间内采集到的数据量，相邻窗口重叠部分为50％。

步骤22：对窗内的GPS速度数据与加速度传感器数据进行特征提取，包括时域特征(即均值、标准差、相关系数)和频域特征(即FFT系数、能量值)。各个特征的计算方法包括如下：

1)均值：

$Mean\left(A\right)=\frac{{\Σ}_{i=1}^l{A}_i}{l}$

其中，A∈{P，X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长。

2)标准差：

$Std\left(A\right)=\sqrt{\frac{{\Σ}_{i=1}^l{(A_i-\stackrel{\‾}{A})}^2}{l}}$

其中，A∈{P，X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长，表示窗内数据的平均值。

3)传感器任意两轴数据的相关系数：

$Correlation(A,B)=\frac{\mathrm{cov}(A,B)}{{\mathrm{\σ}}_A\·{\mathrm{\σ}}_B},A\≠B$

其中，A，B∈{X，Y，Z}，B表示不同于A的另外一个轴的采样数据，cov(A，B）为A与B的协方差，而σ_A和σ_B分别为二者的标准方差。

4)FFT前k维系数FFT(A):对于长度为l的数据窗口，其傅里叶变换为：

$F\left(k\right)=\underset{i=1}{\overset{i-1}{\Σ}}{A}_i{e}^{-j\frac{2\mathrm{\π}}{i}ik},k=0,1,\mathrm{....},l-1$

提取前k维系数得FFT(A)，其中A∈{X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长，FFT系数是加速度信号典型的频域特征。

5)能量(即Energy)：能量的计算方法是对信号做离散快速傅里叶变换后，各个分量的幅度的平方和，其公式如下所示。

$Energy\left(A\right)=\frac{{\Σ}_{i=1}^T|F_i{|}^2}{T}$

其中，A∈{X，Y，Z}，|F_i|是信号A经傅里叶变换后的第i个分量的幅度。

步骤23：将提取出的各个特征值合并为特征向量(Mean(P)，Mean(X)，Mean(Y)，Mean(Z)，Std(P)，Std(X)，Std(Y)，Std(Z)，Corr(X,Y),Corr(X,Z),Corr(Y,Z),FFT(X),FFT(Y),FFT(Z),Energy(X),Energy(Y),Energy(Z))。

至此，一个窗内的所有行为数据可以用其特征向量所表示。

步骤3：将特征提取得到的特征向量输入SVM分类器，得到人体行为识别的结果。该分类器经过训练数据集训练，该训练数据集包括特征向量和其对应的行为模式。

本发明应用于基于智能手机传感器的行为识别。

有益效果：

1、本发明利用智能手机对用户的行为数据进行实时的采集和服务器实时行为识别，该方法具有使用人群的广泛性和实用性。

2、本发明采用GPS速度和三轴加速度相结合的元数据模型，能够更加准确地识别更多种类的户外行为。

3、本发明很好地实现了对用户多种户外行为的准确识别。

附图说明

图1为本发明消息通信机制示意图。

图2为本发明的方法流程图。

图3为本发明步骤1的流程示意图。

图4为本发明步骤2的流程示意图。

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。

实施例一

如图2-4所示，本发明假定有如下应用实例：设置手机采集行为数据频率为50Hz,滑动窗口大小为3秒钟采集到的数据即150个采样点。

步骤1：使用者使用装有行为数据采集功能APP的智能手机采集行为数据。

步骤11：将安装有数据采集功能的APP智能手机放在人体固定位置并按照各自的习惯完成站立、行走、跑步、骑脚踏车、乘车5种日常行为。在用户进行日常活动时，系统以50Hz频率生成行为元数据s＝(p，x，y，z)。

步骤12：在数据采集过程中，系统将新生成的行为元数据按时序序列以输出流的形式写入到本地存储中。。

步骤13：在系统中设置固定的数据上传间隔时间5秒，当时间到时，将该时间段采集到的数据通过网络上传到服务器，用户的行为数据可以按时序序列用集合表示S＝(s₁，s₂，s₃，…，s_n)。

步骤2：对步骤1采集到的数据进行读取、加窗分割、特征提取。

步骤21：服务器通过网络接收到手机发送过来行为数据并将数据附加在上一次接收到的数据尾部，采用等长重叠的窗对GPS速度和加速度数据进行分割，当数据不足一个窗口长度时，服务器则等待手机端发送行为数据。窗内数据为150个采样点即S＝(s₁，s₂，s₃，…，s₁₅₀)，相邻窗口重叠部分为50％。

步骤22：对窗内的GPS速度数据与加速度传感器数据进行特征提取，包括时域特征(均值、标准差、相关系数)和频域特征(FFT系数、能量值)。

步骤23：将提取出的各个特征值合并为特征向量(Mean(P)，Mean(X)，Mean(Y)，Mean(Z)，Std(P)，Std(X)，Std(Y)，Std(Z)，Corr(X,Y),Corr(X,Z),Corr(Y,Z),FFT(X),FFT(Y),FFT(Z),Energy(X),Energy(Y),Energy(Z))。

其中FFT(X),FFT(Y),FFT(Z)分别为X，Y，Z轴经过傅里叶变换后的前32维系数。

步骤3：将特征提取得到的特征向量输入SVM分类器，得到人体行为识别的结果。

实施例二

本发明设定人的日常行为包括站立、行走、跑步、骑脚踏车、乘车5种方式，智能手机固定放在裤子口袋中，手机在某一时刻采集到的加速度传感器X轴加速度为x，Y轴加速度为y，Z轴加速度为z，GPS速度数据为p，该时刻的行为元数据为s＝(p，x，y，z)，本发明的消息通信机制如图1所示。

本发明基于GPS速度和加速度数据的行为识别流程如图2所示，具体过程包括：

步骤1：使用者使用装有行为数据采集功能APP的智能手机采集行为数据，流程如图3所示。

步骤11：将安装有数据采集功能的APP智能手机放在人体固定位置并按照各自的习惯完成上述5种日常行为。

在用户进行日常活动时，系统以30-100Hz频率生成行为元数据s＝(p，x，y，z)。由于GPS数据更新的最快速率约为2-3Hz，远远达不到加速度采集的速率，所以当系统未更新GPS速度数据时，以最近更新的GPS速度数据填补。

步骤12：在数据采集过程中，系统将新生成的行为元数据按时序序列以输出流的形式写入到本地存储中。

在此过程中，为了降低系统IO对资源的使用，在手机中设置一个缓冲区来缓存数据，当缓冲区满时将缓冲区的数据写入本地。

步骤13：在系统中设置固定的数据上传间隔时间x秒，当时间到时，将该时间段采集到的数据通过网络上传到服务器，用户的行为数据可以按时序序列用集合表示S＝(s₁，s₂，s₃，…，s_n)；

其中s₁＝(p₁，x₁，y₁，z₁)，s₁表示在1时刻采集到的行为元数据；p₁表示在1时刻的GPS速度，x₁表示在1时刻X轴上的加速度，y₁表示在1时刻Y轴上的加速度，z₁表示在1时刻Z轴上的加速度。同理s₂表示在2时刻采集到的行为元数据，s_n表示在n时刻采集到的行为元数据。

步骤2：对步骤1采集到的数据进行接收、加窗分割、特征提取，流程如图4所示。

步骤21：服务器通过网络接收到手机发送过来行为数据并将数据附加在上一次接收到的数据尾部，采用等长重叠的窗对GPS速度和加速度数据进行分割，当数据不足一个窗口长度时，服务器则等待手机端发送行为数据。

原始数据条目复杂、维度多，不适宜直接进行特征提取，窗长大小一般为2-5s时间内采集到的数据量，相邻窗口重叠部分为50％。

步骤22：对窗内的GPS速度数据与加速度传感器数据进行特征提取，包括时域特征(均值、标准差、相关系数)和频域特征(FFT系数、能量值)。各个特征的计算方法如下：

1)均值：

$Mean\left(A\right)=\frac{{\Σ}_{i=1}^l{A}_i}{l}$

其中A∈{P，X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长。

2)标准差：

$Std\left(A\right)=\sqrt{\frac{{\Σ}_{i=1}^l{(A_i-\stackrel{\‾}{A})}^2}{l}}$

其中A∈{P，X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长，表示窗内数据的平均值。

3)传感器任意两轴数据的相关系数：

$Correlation(A,B)=\frac{\mathrm{cov}(A,B)}{{\mathrm{\σ}}_A\·{\mathrm{\σ}}_B},A\≠B$

其中，A，B∈{X，Y，Z}，B表示不同于A的另外一个轴的采样数据，cov(A，B)为A与B的协方差，而σ_A和σ_B分别为二者的标准方差。

4)FFT前k维系数FFT(A):对于长度为l的数据窗口，其傅里叶变换为：

$F\left(k\right)=\underset{i=1}{\overset{i-1}{\Σ}}{A}_i{e}^{-j\frac{2\mathrm{\π}}{i}ik},k=0,1,\mathrm{....},l-1$

提取前k维系数得FFT(A)，其中A∈{X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长，FFT系数是加速度信号典型的频域特征。

5)能量(Energy)：能量的计算方法是对信号做离散快速傅里叶变换后，各个分量的幅度的平方和，其公式如下所示。

$Energy\left(A\right)=\frac{{\Σ}_{i=1}^T|F_i{|}^2}{T}$

其中，A∈{X，Y，Z}，|F_i|是信号A经傅里叶变换后的第i个分量的幅度。

步骤23：将提取出的各个特征值合并为特征向量(Mean(P)，Mean(X)，Mean(Y)，Mean(Z)，Std(P)，Std(X)，Std(Y)，Std(Z)，Corr(X,Y),Corr(X,Z),Corr(Y,Z),FFT(X),FFT(Y),FFT(Z),Energy(X),Energy(Y),Energy(Z))。

至此，一个窗内的所有行为数据可以用其特征向量所表示。

步骤3：将特征提取得到的特征向量输入SVM分类器，得到人体行为识别的结果。该分类器经过训练数据集训练，该训练数据集包括特征向量和其对应的行为模式。

Claims (4)

1.一种基于智能手机GPS速度与加速度传感器数据的行为识别方法，其特征在于，所述方法包括如下步骤：

步骤1：使用者使用装有行为数据采集功能APP的智能手机采集行为数据；

步骤2：对上述步骤1采集到的数据进行读取、加窗分割、特征提取；

步骤3：将特征提取得到的特征向量输入SVM分类器，得到人体行为识别的结果。

2.根据权利要求1所述的一种基于智能手机GPS速度与加速度传感器数据的行为识别方法，其特征在于，所述方法的步骤1包括如下步骤：

步骤11：将安装有数据采集功能的APP智能手机放在人体固定位置并按照各自的习惯完成上述5种日常行为；

在用户进行日常活动时，系统以30-100Hz频率生成行为元数据s＝(p，x，y，z)；其中，手机在某一时刻采集到的加速度传感器X轴加速度为x，Y轴加速度为y，Z轴加速度为z，GPS速度数据为p；当系统未更新GPS速度数据时，以最近更新的GPS速度数据填补；

步骤12：在数据采集过程中，系统将新生成的行为元数据按时序序列以输出流的形式写入到本地存储中；

在此过程中，为了降低系统IO对资源的使用，在手机中设置一个缓冲区来缓存数据，当缓冲区满时将缓冲区的数据写入本地；

步骤13：在系统中设置固定的数据上传间隔时间x秒，当时间到时，将该时间段采集到的数据通过网络上传到服务器，用户的行为数据按时序序列用集合表示S＝(s₁，s₂，s₃，...，s_n)；

其中s₁＝(p₁，x₁，y₁，z₁)，s₁表示在1时刻采集到的行为元数据；p₁表示在1时刻的GPS速度，x₁表示在1时刻X轴上的加速度，y₁表示在1时刻Y轴上的加速度，z₁表示在1时刻Z轴上的加速度；同理，s₂表示在2时刻采集到的行为元数据，s_n表示在n时刻采集到的行为元数据。

3.根据权利要求1所述的一种基于智能手机GPS速度与加速度传感器数据的行为识别方法，其特征在于，所述方法的步骤2包括如下步骤：

步骤21：服务器通过网络接收到手机发送过来行为数据并将数据附加在上一次接收到的数据尾部，采用等长重叠的窗对GPS速度和加速度数据进行分割，当数据不足一个窗口长度时，服务器则等待手机端发送行为数据；

原始数据条目复杂、维度多，不适宜直接进行特征提取，窗长大小一般为2-5s时间内采集到的数据量，相邻窗口重叠部分为50％；

步骤22：对窗内的GPS速度数据与加速度传感器数据进行特征提取，包括时域特征，即(均值、标准差、相关系数)和频域特征，即(FFT系数、能量值)，各个特征的计算方法包括：

1)均值：

$Mean\left(A\right)=\frac{{\Σ}_{i=1}^l{A}_i}{l}$

其中，A∈{P，X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长；

2)标准差：

$Std\left(A\right)=\sqrt{\frac{{\Σ}_{i=1}^l{\left(A_i-\stackrel{\‾}{A}\right)}^2}{l}}$

其中，A∈{P，X，Y，Z，}，A_i表示传感器对应轴的第i个采样点，l为窗长，表示窗内数据的平均值；

3)传感器任意两轴数据的相关系数：

$Correlation(A,B)=\frac{\mathrm{cov}(A,B)}{{\mathrm{\σ}}_A\·{\mathrm{\σ}}_B},A\≠B$

其中，A，B∈{X，Y，Z}，B表示不同于A的另外一个轴的采样数据，cov(A，B)为A与B的协方差，而σ_A和σ_B分别为二者的标准方差；

4)FFT前k维系数FFT(A):对于长度为l的数据窗口，其傅里叶变换为：

$F\left(k\right)=\underset{i=0}{\overset{l-1}{\Σ}}{A}_i{e}^{-j\frac{2\mathrm{\π}}{l}ik},k=0,1,\mathrm{....},l-1$

提取前k维系数FFT(A)，其中A∈{X，Y，Z}，A_i表示传感器对应轴的第i个采样点，l为窗长，FFT系数是加速度信号典型的频域特征；

5)能量(即Energy)：能量的计算方法是对信号做离散快速傅里叶变换后，各个分量的幅度的平方和，其公式如下所示：

$Energy\left(A\right)=\frac{{\Σ}_{i=1}^T|F_i{|}^2}{T}$

其中，A∈{X，Y，Z}，|F_i|是信号A经傅里叶变换后的第i个分量的幅度；

步骤23：将提取出的各个特征值合并为特征向量(Mean(P)，Mean(X)，Mean(Y)，Mean(Z)，Std(P)，Std(X)，Std(Y)，Std(Z)，Corr(X,Y),Corr(X,Z),Corr(Y,Z),FFT(X),FFT(Y),FFT(Z),Energy(X),Energy(Y),Energy(Z))；

至此，一个窗内的所有行为数据用其特征向量所表示。

4.根据权利要求1所述的一种基于智能手机GPS速度与加速度传感器数据的行为识别方法，其特征在于，所述方法应用于基于智能手机传感器的行为识别。