CN107837087A - 一种基于智能手机的人体运动状态识别方法 - Google Patents

Abstract

本发明提出一种基于智能手机的人体运动状态识别方法，包括步骤：运动状态数据采集，利用Android智能手机内嵌的加速度传感器和陀螺仪传感器采集运动状态数据；运动状态数据预处理，对利用传感器采集的数据进行滤波处理；训练神经网络模型，将处理后的数据送入到后台服务器，利用深度学习技术构建神经网络原型，再依据初步的训练结果，进一步优化神经网络模型；模型移植，将训练好的神经网络模型，利用Android技术将模型移植到手机中；运动状态识别，手机采集实时传感器信息，识别出当前的运动状态。本发明不需要额外的数据采集设备，提高了人体运动状态识别过程的智能化，方便了广大用户的使用。

Description

一种基于智能手机的人体运动状态识别方法

技术领域

本发明涉及运动状态识别领域，尤其涉及一种基于智能手机的人体运动状态识别方法。

背景技术

人体运动状态识别已经成为现代人们关注的重点。由于大多数专业设备携带不便，不能很好地监测人们一天中的运动状态。而智能手机能够很好地解决这方面的问题。智能手机作为嵌入式设备，它的主板上嵌入了大量的传感器，使得智能手机具有更好的体验性。为了监测人体一天的运动状态，利用智能手机中的加速度传感器和陀螺仪传感器，采集手机持有人的运动数据并进行运动状态识别和记录。目前比较流行的是利用手机单纯记录走路状态，数据表示比较单一，不能记录当前实际的运动状态，不利于后期的数据多样化分析。传统的运动状态监测设备，不便于携带且由于未与网络连接，只能与本地存储模型进行对比判断，并且不能长期记录大量数据，使得采集到的数据不能产生更大的价值。而智能手机则不同，它能很好地解决上述问题，而且将来智能手机将嵌入更多的专业传感器来满足人们在实际生活中需要。

发明内容

本发明提供一种基于智能手机的人体运动状态识别方法，弥补传统采集设备携带不便，不能智能分析数据的不足，尤其是不能将采集到数据上传到后台服务器，不能动态的分析用户的运动，不能将数据结果和建议发送给用户等缺陷，改善其数据采集与分析的不足，提高运动状态识别的实时性和便捷性。为此，所采用的技术方案为：

一种基于智能手机的人体运动状态识别方法，包括步骤：

步骤一，运动状态数据采集：利用Android智能手机内嵌的加速度传感器和陀螺仪传感器采集运动状态数据，并对数据的种类做好标记，便于后面对数据的再次处理；

步骤二，运动状态数据预处理：数据在采集的过程中存在大量的噪声，不利于模型的训练和测试；为了降低噪声因素的干扰需要对利用传感器采集的数据进行滤波处理；

步骤三，训练神经网络模型：将处理后的数据送入到后台服务器，利用深度学习技术构建神经网络原型，再依据初步的训练结果，进一步优化神经网络模型，直到识别的准确度设定的阈值，即可停止训练；

步骤四，模型移植：将训练好的神经网络模型，利用Android技术将模型移植到手机中；

步骤五，运动状态识别：手机采集实时传感器信息，识别出当前的运动状态；

进一步地，所述步骤一中运动状态数据的采集过程中，提出利用众包思想采集数据，以扩大训练数据的样本容量，获取更多不同人体对相同动作的数据样本，从而提升运动状态的识别率。

进一步地，所述步骤二中运动状态数据的采集过程中，本文提出采用中值滤波和Butterworth滤波对原始信号滤波。

进一步地，所述步骤二中运动状态数据的预处理过程中，本发明两种数据保存方式，即可保存在本地手机端，还可以上传到后台服务器端；

进一步地，所述步骤三中传感器采集到的数据属于时间序列类型，循环神经网络模型能很好的处理具有关联关系的时间序列数据。

进一步地，所述步骤三中模型训练过程，根据众多的开源资源数据集，依据深度学习框架和实际情况构建训练模型，通过标准测试库验证训练好的模型，不断修改模型以提高识别精度。

进一步地，所述步骤一、三、四中需要在手机端开发一个APP，用于前期的运动数据采集，用于人体运动状态实时识别与记录。

更进一步地，所述步骤四中APP可以显示人每天每种状态的持续时间，以记录每天的运动状态；

进一步地，所述步骤四中通过众包思想采集大量的用户运动状态信息，用于分析用户的行为习惯，最后将分析结果返回给用户。

本发明将智能手机软件开发、深度学习、数据分析在运动状态识别领域相结合，通过数据采集，数据预处理，并和深度学习相结合训练神经网络模型，将训练好的神经网络模型移植到智能手机中，并开发一款运动状态识别应用软件，该软件集数据采集与运动状态于一体。当训练数据量不足时，可以运用该软件进行数据采集，以提高人体运动状态识别率；当需要进行运动状态识别时，即可根据目前人体的运动状态识别相对应的运动状态；同时能够统计出一天中每种状态持续时间。并将这些运动数据发送到后台服务器，后台服务器分析数据，并将分析报告返回给用户。

综上，本发明与现有的运动状态识别系统相比，具有以下优点：(1)通过建立的运动状态库模型，并将其移植到智能手机中，识别出人体的实时运动状态。(2)数据采集过程和识别过程方便，不需要其他设备，只需要一部智能手机即可完成。(3)利用深度学习和运动状态识别，手机端自动记录该用户每天每种运动状态持续的时间。(4)能够实时识别监测用户的运动状态。(5)每天将用户数据上传，并同用户历史数据以及其他用户的运动数据整合分析，然后返回分析结果以供用户参考。

附图说明

图1为本发明基于智能手机的人体运动状态识别方法流程图；

图2为本发明基于智能手机的人体运动状态识别方法的系统结构图；

图3为本发明基于智能手机的人体运动状态识别方法详细的流程图；

图4为本发明基于智能手机的人体运动状态识别方法的神经网络模型的流程图；

图5为本发明基于智能手机的人体运动状态识别方法的TensorFlow生成数据流程图；

图6为本发明基于智能手机的人体运动状态识别方法训练神经网络时的参数设置。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的总体原理示意如图1和图2所示，通过利用嵌入在手机内的传感器采集人体的运动状态信号，并将信号数据上传至后台服务器，后台服务器先对信号数据进行预处理，去除信号数据中的噪声，然后将信号数据存储到数据库中以备用。将信号数据导入深度学习模型，构建深度学习模型。最后再将训练好的模型移植到智能手机中，便可以对人体的运动状态进行识别。

本发明中详细流程如图3所示，通过手机的加速度传感器和陀螺仪传感器采集人体运动的信号数据。数据上传至服务器后，服务器需要对数据进行预处理，去除数据的噪声，然后将其存储在数据库中，以便以后的处理分析。随后将数据导入初步构建好模型中训练模型，将训练好的模型通过测试数据测试通过后移植到智能手机中，然后识别人体的运动状态。具体方法如下：

步骤一：传感器数据采集。由于智能手机中嵌入大量的传感器，这些传感器的加入增加了智能手机的娱乐性，丰富了手机应用。本发明利用智能手机的加速传感器和陀螺仪传感器采集人体运动状态，由于这两个传感器的数据涉及加速度和角速度问题，它们能够很好地记录人体的运动状态的特征。为了使采集到的数据合理且有效，并从实际采集到的数据中提取部分数据上传至服务器，从而去除数据的起始处和结尾处数据不稳定因素。利用众包模式进行数据采集，丰富数据的多样性，从而提高数据识别的精度。

步骤二：数据预处理。由于传感器数据在采集的过程中，伴随着少量的噪声，为了降低数据中的噪声，需要对信号数据进行降噪处理，还原信号数据的本质，主要采取中值滤波和Butterworth滤波对原始信号滤波。

步骤三：数据存储。由于采用了众包思想采集数据，数据量比较大，需要对数据进行存储，方便以后对数据处理和分析。

步骤四：模型训练与模型测试。目前比较流行的深度学习的框架有TensorFlow、Deep Learning for Java、Caffe等。本文采用由谷歌开发的深度学习框架——TensorFlow。为了构建神经网络模型，本文将对模型构建过程进行说明。构建过程分为五个部分：

神经网络结构构建。选取递归神经网络模型，构建网络模型层数。

输入数据。首先将数据集分为训练数据集和测试数据集。并对它们现有的数据格式进行改变，以符合神经网络对输入数据的格式要求。

构建参数部分。对于神经网络的训练过程，需要构建参数优化方案。对于影响实验结果的学习率，迭代次数，正则化参数等参数创建参数机制，以方便后期参数优化。具体的参数设置如图6所示。

训练部分。训练部分主要是对训练参数的加载，传感器数据的加载，对训练过程中产生的数据进行记录和保存，并对训练结果产生的神经网络模型保存。

测试部分。对于训练好的神经网络模型，进行测试集数据的验证，从而检验神经网络模型对未知数据的识别率。

由于训练模型是个比较漫长和反复的过程，具体的训练以及测试过程可以参照图4，其中由TensorFlow生成数据流转的过程和训练过程见图5所示。

步骤5：模型移植与状态识别。根据步骤四生成的神经网络模型，将其移植到智能手机，在手机里进行数据采集和运动状态识别，记录人体的每天运动信息并及时上传到后台服务器。

步骤6：信息反馈。根据步骤五生成的APP，后台服务器根据采集到的信息，进行相关分析，并将分析结果反馈给用户。

本发明根据采集到的大量运动状态数据，并将其输入到深度学习训练模型中进行运动状态识别，并将训练好的模型移植到智能手机中，以实现对运动状态实时识别。根据并将识别出来的每个运动状态的持续时间上传到后台服务器。后台服务器根据上传的数据，进行数据分析，并将分析后的数据结果和健康建议发送给用户，让用户能够更好地掌握自己的运动习惯并改变不利于健康的行为习惯。

下面通过具体的应用场景进一步说明本发明的效果：

场景1：健康信息管理。传统的健康信息管理只是简单的记录人体运动的步数和公里数，数据记录比较简单，不能从多个方面显示人体运动的实际状态和过程。本发明提出的方法能够细化用户每天各个运动状态的持续时间，运动量的大小，消耗的能量。同时可以与其他用户在APP上交流。同时后台服务器为用户提供该用户的运动数据分析报告，该报告包含用户最近一个月，一周的运动数据，和整体数据对比后的分析结果。让用户能够更好的了解自己的身体状态。

场景2：对运动员的运动状态分析。分析运动员在训练期间的运动状态数据，以提高运动员的训练成绩。

场景3：可用于部队训练期间的人员运动状态分析。实时监测每位战士的运动状态，减少战士受伤的概率，来提高部队的整体作战水平。

场景4：可用于医学研究。结合相关的医学知识，帮助病人理疗和术后恢复，提高病人的恢复速度。

场景5：用于对老人的监控。由于老年人的机体机能不断下降，外出时遇到突发状况不能及时被家人发现，本发明也可以用于对老年人的特殊监控。

场景6：与虚拟现实技术相结合。根据所获取的人体运动数据，在虚拟现实系统中更好的虚拟人物运动，让其动作更加的与真实人物相接近，以提高虚拟现实系统的真实性和视觉感。

场景7：可用对驾驶员(飞行员，火车司机)在执行任务时的动作分析。可以提高他们对精密仪器的操作能力，提高飞机或者火车运行过程的安全性，减少人为事故的发生概率。

综上，本发明利用智能手机中嵌入的大量传感器，利用众包思想采集信号数据，对数据预处理，构建深度学习模型，并将训练好的深度学习模型移植到手机中，对人体的运动状态进行分析，实时精准地预测人体运动状态。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种基于智能手机的人体运动状态识别方法，其特征在于，包括步骤：

步骤一，运动状态数据采集：利用Android智能手机内嵌的加速度传感器和陀螺仪传感器采集运动状态数据，并对所述运动状态数据的种类做好标记；

步骤二，运动状态数据预处理：对所述采集到的运动状态数据进行滤波处理；

步骤三，训练神经网络模型：将处理后的运动状态数据送入到后台服务器，利用深度学习技术构建神经网络原型，再依据初步的训练结果，进一步优化神经网络模型，直到识别的准确度达到给定阈值；

步骤四，模型移植：将训练好的神经网络模型，利用Android技术移植到所述Android智能手机中；

步骤五，运动状态识别：使用所述Android智能手机采集实时传感器信息，识别当前的人体运动状态。

2.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤一中运动状态数据的采集过程中，包括步骤：利用众包思想采集运动状态数据，获取更多不同人体对相同动作的数据样本。

3.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤二中运动状态数据预处理，采用中值滤波和Butterworth滤波对原始信号滤波。

4.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤二中运动状态数据的预处理过程包括步骤：将运动数据保存在本地手机端和/或上传到后台服务器端。

5.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤一中传感器采集到的运动状态数据为时间序列类型数据，所述步骤三中的神经网络模型为循环神经网络模型。

6.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤三中模型训练过程，包括步骤：根据开源资源数据集，依据深度学习框架和实际情况构建训练模型，通过标准测试库验证训练好的模型，不断修改模型以提高识别精度。

7.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述Android智能手机包括一个APP，所述APP用于前期的运动数据采集和运动状态实时识别。

8.根据权利要求7所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤四中的APP可以显示人每天每种状态的持续时间，以记录每天的运动状态。

9.根据权利要求1所述的基于智能手机的人体运动状态识别方法，其特征在于，所述步骤五包括步骤：通过众包思想采集大量的用户运动状态信息，用于分析用户的行为习惯，最后将分析结果返回给用户。