CN107392106A - 一种基于双门限的人体活动端点检测方法 - Google Patents
一种基于双门限的人体活动端点检测方法 Download PDFInfo
- Publication number
- CN107392106A CN107392106A CN201710491604.4A CN201710491604A CN107392106A CN 107392106 A CN107392106 A CN 107392106A CN 201710491604 A CN201710491604 A CN 201710491604A CN 107392106 A CN107392106 A CN 107392106A
- Authority
- CN
- China
- Prior art keywords
- mrow
- short
- msub
- time
- signal
- 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.)
- Granted
Links
- 230000037081 physical activity Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 45
- 230000002441 reversible effect Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 230000001314 paroxysmal effect Effects 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000005236 sound signal Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 238000000205 computational method Methods 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于双门限的人体活动端点检测方法,可在大规模人体活动数据中将活动段端点在客户端粗粒度地检测出来,有效地在实际应用环境中提取出有价值有意义的数据信息,从而提高在人体日常行为活动识别方面的计算效率,减少计算量。同时对于在实际应用场景中的检测正确率和语义建模分析有着更大的现实意义。
Description
技术领域
本发明涉及一种在人体活动加速度数据当中利用双门限判别法针对人体运动与否的感知 的活动段端点检测的方法。
背景技术
通常,加速度传感器信息作为人体活动信息的重要组成部分,其携带的人体步态特征、 行为模式等信息对于人体活动语义理解具有至关重要重要的意义。人体活动数据是用户长期 的不间断的传感器数据流,数据中缺乏必要的基准点,对此需要对数据流中人体活动的起始 点做标定,而标定的前提条件是对人体行为活动的端点进行准确检测。对于智能移动终端来 说,大部分时间为相对静止状态,当加速度传感器数据作为一种流式数据进行处理时,单纯 的加窗识别算法对其处理显得捉襟见肘。由于流数据具有庞大的数据量和时间跨度,必须对 其进行适当地处理才能够做进一步的研究。而目前对于利用加速度对人体行为方面的研究主 要局限于在特定的窗口内对行为活动进行识别,恰恰忽略了移动设备离开人体或人体在静止 时的检测。如果对长时间连续数据进行分析,其中必将包含大量设备离体和人体相对静止时 的传感器数据,处理数据时将在无意义数据上耗费大量的计算,导致资源的浪费。
发明内容
本发明创造的目的是针对现有技术存在的问题,提供了一种基于双门限的人体活动端点 检测方法,可在大规模人体活动数据中将活动段端点在客户端检测出来,而且这种检测是粗 粒度的。
为了实现上述目的,本发明采用的技术方案是,一种基于双门限的人体活动端点检测方 法,其特征在于:其步骤为:
1)、将采集到的流数据信号分为静止段、过渡段和活动段三种类型;
2)、针对流数据信号短时能量EACn和短时过零率Zn各设置一个低门限,一个相对低门限宽度更大的高门限,一个高于短时过零率Zn高门限的噪声门限,一个最短活动段的时间门限;
3)、分别计算流数据信号的短时能量EACn和短时过零率Zn参数;
4)、当流数据信号的短时能量EACn和短时过零率Zn中任意一项超过高门限时,系统判断进入过渡段;
在过渡段内如果信号的短时能量EACn和短时过零率Zn中任意一项连续三帧超过高门 限时,判断信号进入活动段;
在活动段如果信号的短时能量EACn和短时过零率Zn参数均连续三帧回落到低门限下,则判断为进入静止段;
5)、当流数据信号的一帧或多帧短时过零率Zn超过噪声门限时,信号中有噪声可能, 此时令短时过零率Zn判断指标失效,并确保短时能量EACn可以有效判别,若短时能量EACn连续三帧超过高门限,则判定为进入活动段;
活动结束时,若信号短时过零率Zn仍处于超过噪声门限的高位时,并且短时能量EACn已经回落到低门限一下,则判断活动结束,进入静止段;
6)、当信号短时能量EACn和短时过零率Zn各自超过高门限的持续时间短于时间门限 时,说明该时段处于突发性的行为或出现突发事件,则此时不可将信号判定为活动段,若在 时间门限内短时能量EACn和短时过零率Zn任何一个指标持续地超过高门限,此时才可判 定进入活动段。
所述的短时能量EACn算法如下:
短时能量EACn的特征值在语音信号当中作为判定某帧内语音信号能量的表征,对于语 音信号x(n)的短时能量定义为:
其中ω(n-m)为施加在信号中的窗函数,当加窗后对第n帧信号的短时能量En有:
其中:N为窗长度;m为信号采样点序号;
在此,提出一种针对于加速度传感器信号合矢量的短时能量定义,以加窗后的第i帧加 速度计数ACi作为输入信号,计算其短时能量EACn,
对于每一帧,其中AC为:
其中ACx、ACy、ACz分别为三轴加速度中x、y、z轴的计数值。
根据权利要求1所述的一种基于双门限的人体活动端点检测方法,其特征在于:所述的 短时过零率算法如下:
利用三轴加速度计当中三个方向轴X、Y、Z两两正交的特点,引入三维笛卡尔坐标系 (X,Y,Z),坐标系内确定的坐标点正由三个轴的加速度数值(ACx,ACy,ACz)确 定,并在此坐标系上利用球面坐标系确定合加速度方向的角度;
设现有向量其反方向为向量所指向的方向;
定义一个反向的空间:对向量ACi,以它作为法线的平面α,将其作为分界面将空间一 分为二,以与ACi反向向量S所在空间区域T作为反向空间,当与ACi相邻的ACi+1落在 T内时,称其为空间反向过零;
空间反向过零被定义为前后两个采样点数据如果方向相反,记为一次过零,空间反向过 零率具体为:表征某一时段加速度方向有较大幅度翻转的次数。
数据它的下一个相邻数据为若有:
则记为一次空间反向过零,由此,定义空间反向过零率即短时过零率Zn:
其中:f为二值函数:
其中Ui为对每一个分量轴的计算值:
所述的第n帧信号的短时能量En:特别地,当选取矩形窗作为窗函数时,短时能量En 变为:
所述的号短时能量EACn和短时过零率Zn的低门限,相对低门限宽度更大的高门限,噪声门限以及时间门限的具体数值,通过实际情况进行限定,其中低门限、高门限、噪声门限关系为对于单一的短时能量或短时过零率:噪声门限>高门限>低门限,时间门限一般设置 3帧到5帧左右。
本发明创造带来的有益效果为:
本发明提供了一种基于双门限的人体活动端点检测方法,可在大规模人体活动数据中将 活动段端点在客户端粗粒度地检测出来,有效地在实际应用环境中提取出有价值有意义的数 据信息,从而提高在人体日常行为活动识别方面的计算效率,减少计算量。同时对于在实际 应用场景中的检测正确率和语义建模分析有着更大的现实意义。
附图说明
图1:发明方案流程图。
图2:实施例1“上楼”的counts曲线。
图3:实施例1“上楼”的短时能量曲线。
图4:实施例1“休息”的counts曲线。
图5:实施例1“休息”的短时能量曲线。
图6:实施例1“骑车”的counts曲线。
图7:实施例1“骑车”的短时过零率曲线。
图8:实施例1“休息”的counts曲线。
图9:实施例1“休息”的短时过零率曲线。
图10:为服务器端存储量曲线。
具体实施方式
一种基于双门限的人体活动端点检测方法,其特征在于:其步骤为:
1)、将采集到的流数据信号分为静止段、过渡段和活动段三种类型;
2)、针对流数据信号短时能量EACn和短时过零率Zn各设置一个低门限,一个相对低门限宽度更大的高门限,一个高于短时过零率Zn高门限的噪声门限,一个最短活动段的时间门限;
3)、分别计算流数据信号的短时能量EACn和短时过零率Zn参数;
4)、当流数据信号的短时能量EACn和短时过零率Zn中任意一项超过高门限时,系统判断进入过渡段;
在过渡段内如果信号的短时能量EACn和短时过零率Zn中任意一项连续三帧超过高门 限时,判断信号进入活动段;
在活动段如果信号的短时能量EACn和短时过零率Zn参数均连续三帧回落到低门限下,则判断为进入静止段;
5)、当流数据信号的一帧或多帧短时过零率Zn超过噪声门限时,信号中有噪声可能, 此时令短时过零率Zn判断指标失效,并确保短时能量EACn可以有效判别,若短时能量EACn连续三帧超过高门限,则判定为进入活动段;
活动结束时,若信号短时过零率Zn仍处于超过噪声门限的高位时,并且短时能量EACn已经回落到低门限一下,则判断活动结束,进入静止段;
6)、当信号短时能量EACn和短时过零率Zn各自超过高门限的持续时间短于时间门限 时,说明该时段处于突发性的行为或出现突发事件(例如手机跌落),则此时不可将信号判 定为活动段,若在时间门限内短时能量EACn和短时过零率Zn任何一个指标持续地超过高门限,此时才可判定进入活动段。
根据权利要求1所述的一种基于双门限的人体活动端点检测方法,其特征在于:所述的 短时能量EACn算法如下:
短时能量EACn的特征值在语音信号当中作为判定某帧内语音信号能量的表征,对于语 音信号x(n)的短时能量定义为:
其中ω(n-m)为施加在信号中的窗函数,当加窗后对第n帧信号的短时能量En有:
其中:N为窗长度;m为信号采样点序号;
在此,提出一种针对于加速度传感器信号合矢量的短时能量定义,以加窗后的第i帧加 速度计数ACi作为输入信号,计算其短时能量EACn,
对于每一帧,其中AC为:
其中ACx、ACy、ACz分别为三轴加速度中x、y、z轴的计数值。
根据权利要求1所述的一种基于双门限的人体活动端点检测方法,其特征在于:所述的 短时过零率算法如下:
利用三轴加速度计当中三个方向轴X、Y、Z两两正交的特点,引入三维笛卡尔坐标系 (X,Y,Z),坐标系内确定的坐标点正由三个轴的加速度数值(ACx,ACy,ACz)确 定,并在此坐标系上利用球面坐标系确定合加速度方向的角度;
设现有向量其反方向为向量所指向的方向;
定义一个反向的空间:对向量ACi,以它作为法线的平面α,将其作为分界面将空间一 分为二,以与ACi反向向量S所在空间区域T作为反向空间,当与ACi相邻的ACi+1落在 T内时,称其为空间反向过零;
这个参数为数据x的下一个数据,如果与x方向相反,记为一次过零,这一参数具体为:表征某一时段加速度方向有较大幅度翻转的次数;
数据它的下一个相邻数据为若有:
则记为一次空间反向过零,由此,定义空间反向过零率即短时过零率Zn:
其中:f为二值函数:
其中Ui为对每一个分量轴的计算值:
所述的第n帧信号的短时能量En:特别地,当选取矩形窗作为窗函数时,短时能量En 变为:
所述的号短时能量EACn和短时过零率Zn的低门限,相对低门限宽度更大的高门限,噪声门限以及时间门限的具体数值,通过实际情况进行限定,其中低门限、高门限、噪声门限关系为对于单一的短时能量或短时过零率:噪声门限>高门限>低门限,时间门限一般设置 3帧到5帧左右。
具体的:
一、本发明方案的具体细节:
为了达到所述目的,本发明提供一种可在在大规模人体活动数据中,将活动段端点在客 户端检测出来的方法。方法中叙述的两种门限分别为信号短时能量以及短时过零率。
(1)三维加速度信号短时能量定义
按照加速度计数能耗预测方程通式:
METs=a+K·AC
其中AC为加速度计数,a、K为常数,根据Freedson提出的预测方程,a=1.439008,K=0.000795。加速度计数的增长会导致预测的能耗增长,而且增长的斜率被定义成常数K。以上公式在此处被用于证明:以线性正相关的性质定义加速度计数|AC|与能量消耗被证明是 有效的,加速度计数的增长可以粗略估计能量消耗增长。
和加速度信号数据类似,语音信号当中定义了一种短时能量的特征值作为判定某帧内语 音信号能量的表征。在语音信号研究当中,对于语音信号x(n)的短时能量定义为:
其中ω(n-m)为施加在信号中的窗函数,当加窗后对第n帧信号的短时能量En有:
其中N为窗长度。特别地,当选取矩形窗作为窗函数时,短时能量En变为:
在此,提出一种针对于加速度传感器信号合矢量的短时能量定义,以加窗后的第i帧加 速度计数ACi作为输入信号,计算其短时能量EACn:
对于每一帧,其中AC等于
其中ACx、ACy、ACz分别为三轴加速度中x、y、z轴的计数值。
(2)三维加速度信号短时过零率定义
通过计算|AC|作为输入信号可以计算出信号短时能量,但是由于|AC|本身的特性是一种 三维空间的欧式距离,在计算|AC|的同时就已经将角度信息舍弃掉了,所以单一使用|AC|作 为判定人体活动端点的检测特征值缺乏向量方向信息直接导致结果准确性降低。
与陀螺仪(Gyroscope)不同的是,加速度合矢量的方向并不代表被检测物的姿态,其物理 意义是被检测物体整体加速度的方向。这一指标在人体运动识别当中被广泛用于对计步的研 究工作当中。
为了进一步研究三轴加速度数据对合矢量AC方向的表示,利用三轴加速度计当中三个 方向轴X、Y、Z两两正交的特点,我们引入三维笛卡尔坐标系(X,Y,Z),而坐标系内确定的坐标点正是由三个轴的加速度数值(ACx,ACy,ACz)来确定的。为了确定加速度方 向角度的变化,在此坐标系上利用另一种形式——球面坐标系来确定合加速度 方向的角度。
假设现在有向量从狭义上说其反方向为向量所指向的方向。而在实际研究当中,两个相邻的三轴加速度传感器数据呈反向的概率很小。 因此,我们定义一个反向的空间:对向量ACi,以它作为法线的平面α,将其作为分界面将 空间一分为二,以与ACi反向向量S所在空间区域T作为反向空间。当与ACi相邻的 ACi+1落在T内时,我们称其为空间反向过零。
从语义上理解这个参数就是数据x的下一个数据如果与x方向相反,记为一次过零,并 且对于方向相反的概念我们扩大到一个空间,而不是单纯地将其定义为绝对相反。这一参数 可以表征某一时段加速度方向有较大幅度翻转的次数。
数据它的下一个相邻数据为若有:
则记为一次空间反向过零。由法向量到其角度区间的证明由于篇幅的关系不在本文讨 论。由此,定义空间反向过零率Zn:
其中:
其中Ui为对每一个分量轴的计算值:
二、本发明方案的实施步骤:
(1)、将信号分为静止段、过渡段和活动段三种类型。
(2)、分别计算信号的短时能量与短时过零率,短时能量计算方法遵循方案具体细节当 中第一部分“(1)三维加速度信号短时能量定义”当中的计算方法,短时过零率遵循方案具 体细节当中第二部分“(2)三维加速度信号短时过零率定义”当中的计算方法。
(3)、针对信号短时能量和短时过零率各设定一个低门限,这一门限相对比较敏感,信 号很容易通过。其次,再分别对两个参数设定相对于低门限宽容度更大的高门限,这一门限 相对于低门限来说更难通过,需要信号具有较大的强度。
(4)、当信号连续三帧超过任意一个高门限时,系统判断进入过渡段,在过渡段内若信 号连续三帧超过任意一个高门限则判断进入活动段。在活动段结束的时候,如果信号的两个 参数连续三帧均回落到低门限以下,则判定为进入静止段。
(5)、设定相比于短时过零率高门限更高的一个噪声门限。当信号短时过零率超过噪声 门限时,存在信号中有噪声的可能,此时令短时过零率判别指标失效,并确保短时能量可以 有效判别,若短时能量超过高门限,则判定为进入活动段。在活动结束的时候,在信号短时 过零率仍处于高于噪声门限的高位时,如果信号短时能量已经回落到低门限以下,则判定活 动结束,进入静止段(以上每一个步骤均以三帧作为基本判定单位)。
(6)、突发性的噪声(例如手机跌落)可以引发响应,但一般不会持续太久。所以设定 最短活动段的时间门限,在判定过程中需要连续若干帧均超过高门限才可判定为起始点,一 般取帧数为3帧,也即最短活动段的时间门限为3帧。
实施例1:
根据本发明,通过利用智能手机当中有限的计算能力,对智能手机采集到的人体活动加 速度数据中活动段检测提取,可以将静止段数据抛弃、将活动段数据保存。通过该方法可以 大规模减少用于加速度数据客户端与服务器间传输的网络带宽。
将活动段与静止段拟合成为一个时间段的数据,同时保证连接点数据相对平滑,在活动 与静止的连接点处做出标记(起始点与终止点)。利用两种端点检测算法对该段拟合数据进 行检测分析,将检测结果分别与标记的连接点做对比,若检测结果与标记点误差范围小于 R,则判定检测正确,反之记检测错误。
通过这种方法,本文分别选取了“上楼”、“下楼”、“骑车”、“跑步”、“走路”五种基本活动,每个活动取20组数据作拟合,端点检测结果如下表:
表1端点检测准确率
同时,进行了存储量测试实验,服务器以apache-tomcat-7.0.61为平台,主要测试指标 为服务器数据库存储的数据量。测试时长为2hour一个周期,通过对该周期内的连续人体活 动加速度数据进行活动段提取后与虚拟服务器进行数据包的高效传输。通过统计在两小时内 存储区块内不采用本文策略和采用本文策略情况下的平均数据量曲线,以区别两种不同的数 据传输与存储情况如图2。
图2中可以很明显的看出,通过双门限端点检测方法可以大量减少平均数据量,本实验 在两小时内减少了28%的数据传输并且同时也节省了28%的服务器数据存储空间,数据传 输量和存储量节省了1/4左右。
Claims (5)
1.一种基于双门限的人体活动端点检测方法,其特征在于:其步骤为:
1)、将采集到的流数据信号分为静止段、过渡段和活动段三种类型;
2)、针对流数据信号短时能量EACn和短时过零率Zn各设置一个低门限,一个相对低门限宽度更大的高门限,一个高于短时过零率Zn高门限的噪声门限,一个最短活动段的时间门限;
3)、分别计算流数据信号的短时能量EACn和短时过零率Zn参数;
4)、当流数据信号的短时能量EACn和短时过零率Zn中任意一项超过高门限时,系统判断进入过渡段;
在过渡段内如果信号的短时能量EACn和短时过零率Zn中任意一项连续三帧超过高门限时,判断信号进入活动段;
在活动段如果信号的短时能量EACn和短时过零率Zn参数均连续三帧回落到低门限下,则判断为进入静止段;
5)、当流数据信号的一帧或多帧短时过零率Zn超过噪声门限时,信号中有噪声可能,此时令短时过零率Zn判断指标失效,并确保短时能量EACn可以有效判别,若短时能量EACn连续三帧超过高门限,则判定为进入活动段;
活动结束时,若信号短时过零率Zn仍处于超过噪声门限的高位时,并且短时能量EACn已经回落到低门限一下,则判断活动结束,进入静止段;
6)、当信号短时能量EACn和短时过零率Zn各自超过高门限的持续时间短于时间门限时,说明该时段处于突发性的行为或出现突发事件,则此时不可将信号判定为活动段,若在时间门限内短时能量EACn和短时过零率Zn任何一个指标持续地超过高门限,此时才可判定进入活动段。
2.根据权利要求1所述的一种基于双门限的人体活动端点检测方法,其特征在于:所述的短时能量EACn算法如下:
短时能量EACn的特征值在语音信号当中作为判定某帧内语音信号能量的表征,对于语音信号x(n)的短时能量定义为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中ω(n-m)为施加在信号中的窗函数,当加窗后对第n帧信号的短时能量En有:
<mrow>
<msub>
<mi>E</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mi>n</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中:N为窗长度;m为信号采样点序号;
在此,提出一种针对于加速度传感器信号合矢量的短时能量定义,以加窗后的第i帧加速度计数ACi作为输入信号,计算其短时能量EACn,
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>A</mi>
<mi>C</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>n</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>AC</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
对于每一帧,其中AC为:
<mrow>
<mo>|</mo>
<mi>A</mi>
<mi>C</mi>
<mo>|</mo>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>AC</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>AC</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>AC</mi>
<mi>z</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中ACx、ACy、ACz分别为三轴加速度中x、y、z轴的计数值。
3.根据权利要求1所述的一种基于双门限的人体活动端点检测方法,其特征在于:所述的短时过零率算法如下:
利用三轴加速度计当中三个方向轴X、Y、Z两两正交的特点,引入三维笛卡尔坐标系(X,Y,Z),坐标系内确定的坐标点正由三个轴的加速度数值(ACx,ACy,ACz)确定,并在此坐标系上利用球面坐标系确定合加速度方向的角度;
设现有向量其反方向为向量所指向的方向;
定义一个反向的空间:对向量ACi,以它作为法线的平面α,将其作为分界面将空间一分为二,以与ACi反向向量S所在空间区域T作为反向空间,当与ACi相邻的ACi+1落在T内时,称其为空间反向过零;
空间反向过零被定义为前后两个采样点数据如果方向相反,记为一次过零,空间反向过零率具体为:表征某一时段加速度方向有较大幅度翻转的次数;
数据它的下一个相邻数据为若有:
则记为一次空间反向过零,由此,定义空间反向过零率即短时过零率Zn:
<mrow>
<msub>
<mi>Z</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>n</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</munderover>
<mi>f</mi>
<mo>&lsqb;</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>x</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>y</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>z</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中:f为二值函数:
其中Ui为对每一个分量轴的计算值:
<mrow>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>AC</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>n</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>AC</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
4.根据权利要求2所述的一种基于双门限的人体活动端点检测方法,其特征在于:所述的第n帧信号的短时能量En:特别地,当选取矩形窗作为窗函数时,短时能量En变为:
<mrow>
<msub>
<mi>E</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mi>n</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求1所述的一种基于双门限的人体活动端点检测方法,其特征在于:所述的号短时能量EACn和短时过零率Zn的低门限,相对低门限宽度更大的高门限,噪声门限以及时间门限的具体数值,通过实际情况进行限定,其中低门限、高门限、噪声门限关系为对于单一的短时能量或短时过零率:噪声门限>高门限>低门限,时间门限一般设置3帧到5帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710491604.4A CN107392106B (zh) | 2017-06-26 | 2017-06-26 | 一种基于双门限的人体活动端点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710491604.4A CN107392106B (zh) | 2017-06-26 | 2017-06-26 | 一种基于双门限的人体活动端点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392106A true CN107392106A (zh) | 2017-11-24 |
CN107392106B CN107392106B (zh) | 2021-03-02 |
Family
ID=60332121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710491604.4A Active CN107392106B (zh) | 2017-06-26 | 2017-06-26 | 一种基于双门限的人体活动端点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392106B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507675A (zh) * | 2019-01-07 | 2019-03-22 | 中国科学院声学研究所东海研究站 | 基于频分系统实现水下多目标时延估计处理的方法 |
CN110297845A (zh) * | 2019-06-20 | 2019-10-01 | 吉旗物联科技(上海)有限公司 | 基于货物装载率加速度的装卸点识别方法及装置 |
CN110308796A (zh) * | 2019-07-08 | 2019-10-08 | 合肥工业大学 | 一种基于腕部pvdf传感器阵列的手指运动识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625857A (zh) * | 2008-07-10 | 2010-01-13 | 新奥特(北京)视频技术有限公司 | 一种自适应的语音端点检测方法 |
US20120126110A1 (en) * | 2009-05-29 | 2012-05-24 | Micromass Uk Limited | Method of Processing Mass Spectral Data |
CN103477192A (zh) * | 2011-03-31 | 2013-12-25 | 高通股份有限公司 | 用于推断移动装置的位置的装置、方法和设备 |
CN104008622A (zh) * | 2014-06-03 | 2014-08-27 | 天津求实飞博科技有限公司 | 基于短时能量和过零率的光纤周界安防系统端点检测方法 |
CN104765453A (zh) * | 2015-03-29 | 2015-07-08 | 中国海洋大学 | 一种基于内嵌三维加速计的手持设备的身份认证方法 |
CN106210269A (zh) * | 2016-06-22 | 2016-12-07 | 南京航空航天大学 | 一种基于智能手机的人体动作识别系统及方法 |
-
2017
- 2017-06-26 CN CN201710491604.4A patent/CN107392106B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625857A (zh) * | 2008-07-10 | 2010-01-13 | 新奥特(北京)视频技术有限公司 | 一种自适应的语音端点检测方法 |
US20120126110A1 (en) * | 2009-05-29 | 2012-05-24 | Micromass Uk Limited | Method of Processing Mass Spectral Data |
CN103477192A (zh) * | 2011-03-31 | 2013-12-25 | 高通股份有限公司 | 用于推断移动装置的位置的装置、方法和设备 |
CN104008622A (zh) * | 2014-06-03 | 2014-08-27 | 天津求实飞博科技有限公司 | 基于短时能量和过零率的光纤周界安防系统端点检测方法 |
CN104765453A (zh) * | 2015-03-29 | 2015-07-08 | 中国海洋大学 | 一种基于内嵌三维加速计的手持设备的身份认证方法 |
CN106210269A (zh) * | 2016-06-22 | 2016-12-07 | 南京航空航天大学 | 一种基于智能手机的人体动作识别系统及方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507675A (zh) * | 2019-01-07 | 2019-03-22 | 中国科学院声学研究所东海研究站 | 基于频分系统实现水下多目标时延估计处理的方法 |
CN109507675B (zh) * | 2019-01-07 | 2020-10-16 | 中国科学院声学研究所东海研究站 | 基于频分系统实现水下多目标时延估计处理的方法 |
CN110297845A (zh) * | 2019-06-20 | 2019-10-01 | 吉旗物联科技(上海)有限公司 | 基于货物装载率加速度的装卸点识别方法及装置 |
CN110297845B (zh) * | 2019-06-20 | 2021-07-13 | 吉旗物联科技(上海)有限公司 | 基于货物装载率加速度的装卸点识别方法及装置 |
CN110308796A (zh) * | 2019-07-08 | 2019-10-08 | 合肥工业大学 | 一种基于腕部pvdf传感器阵列的手指运动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107392106B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345627B (zh) | 动作识别方法和装置 | |
CN105184325A (zh) | 一种人体动作识别方法和移动智能终端 | |
CN110245718A (zh) | 一种基于联合时域频域特征的人体行为识别方法 | |
CN109711544A (zh) | 模型压缩的方法、装置、电子设备及计算机存储介质 | |
CN104125337B (zh) | 一种智能手机的跌倒检测和报警方法 | |
CN107563286A (zh) | 一种基于Kinect深度信息的动态手势识别方法 | |
CN105912142B (zh) | 一种基于加速传感器的记步与行为识别方法 | |
CN103699795A (zh) | 一种运动行为识别方法、装置及运动强度监测系统 | |
CN103440863B (zh) | 一种基于流形的语音情感识别方法 | |
CN106123911A (zh) | 一种基于加速传感器和角速度传感器的记步方法 | |
CN107392106A (zh) | 一种基于双门限的人体活动端点检测方法 | |
CN106910314A (zh) | 一种基于体形的个性化跌倒检测方法 | |
CN111288986B (zh) | 一种运动识别方法及运动识别装置 | |
CN112396001B (zh) | 基于人体姿态估计和tpa注意力机制的跳绳个数统计方法 | |
CN110232308A (zh) | 基于手部速度与轨迹分布的跟随机器人手势轨迹识别方法 | |
CN115511012B (zh) | 一种最大熵约束的类别软标签识别训练方法 | |
CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
CN105224104A (zh) | 基于智能手机持握方式的行人运动状态识别方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN105444763A (zh) | 一种imu室内定位方法 | |
CN105809713A (zh) | 基于在线Fisher判别机制增强特征选择的目标跟踪方法 | |
CN110327050A (zh) | 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 | |
CN109758154A (zh) | 一种运动状态确定方法、装置、设备及存储介质 | |
CN105975989A (zh) | 一种基于九轴运动传感器的肘部运动状态识别方法 | |
CN106529465B (zh) | 一种基于动量动力学模型的行人间因果关系识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |