CN108170274A - 一种基于可穿戴设备的动作识别方法 - Google Patents

Abstract

本发明公开了一种基于可穿戴设备的动作识别方法。采用单个惯性传感器节点采集数据，相比多个节点方案佩戴更加方便舒适。通过差分阈值值检测方法自动切分完整的动作数据，有效降低了非动作数据的干扰。基于对五种动作特征的分析，提取标均值、标准差、峰度、偏度、最小值为识别分类特征值，对特征进行降维处理，降低了特征信息的冗余度。对于存在的线性不可分问题，设计了更加简单的核函数，降低了计算复杂度。多分类过程采用多级SVM实现，相比传统的1V1策略，本设计减少了子SVM数量，同时根据重心距离的大小对分类优先级进行调整，提高了分类准确度，为以惯性数据特征为基础的可穿戴动作识别设计提供了一种有效的方案。

Description

一种基于可穿戴设备的动作识别方法

技术领域

本发明属于一种基于可穿戴设备的动作识别方法，属于模式识别技术领域。

背景技术

随着微电子技术和人工智能的发展，智能电子设备在日常生活中越来越普及，设备对人体动作的识别成了一种新型人机交互方式。现有的动作识别系统方案中，基于视频分析的动作识别方法，利用视频记录的运动特征信息分析动作行为，此类应用中较出名的有微软Kinect体感游戏控制平台，此类方法结构复杂，数据计算量较大，且应用场景有限，不适用于便携式穿戴设备。相比而言，基于惯性传感器的动作识别对应用环境的要求更低，是一种实现更简单、更可靠的动作识别方法，惯性传感器通过佩戴方式采集运动数据，属于穿戴设备中的一种。在基于穿戴设备的动作识别设备中，佩戴的便捷性和识别率一直相互限制，如何在确保佩戴便捷性同时提高识别率成为了重点研究方向。

经对现有技术文献的检索发现，S.Karungaru等人在2015 10th Asian ControlConference(ASCC)上发表了题为"Human action recognition using wearable sensorsand neural networks,"一文，该文使用多个动作数据采集节点采集运动数据，并使用神经网络算法实现对人体动作的识别，但多于五个节点的设备复杂度过大，在日常应用中受到很大的局限。

另检索发现，F.T.Liu等人在2017IEEE International Conference onCommunications(ICC)上发表题为"Gesture recognition with wearable 9-axissensors,"一文，该文提出了使用单个节点采集动作数据，经过提取特征值后使用支持向量机(SVM)方法对动作分类识别，但该方法仅仅对特征提取做了一些优化，在动作数据提取上使用简单的窗口分割法，无法排除非静止状态时数据的干扰，而且在SVM多分类上使用了传统1V1策略，在分类速度和计算复杂度上存在不足之处。

发明内容

本发明针对上述不足提供了一种基于可穿戴设备的动作识别方法。

本发明采用如下技术方案：

本发明所述的基于可穿戴设备的动作识别方法，包括以下步骤：

第一步：通过惯性传感器采集动作三维加速度Acc和三维角速度Arg，引入差分阈值检测法截取动作发生时的相关数据，并通过如下公式进行计算差分值Δ_K；

△_K＝|X_K-X_K-M|+|Y_K-Y_K-M|+|Z_K-Z_K-M|

式中ΔK为第K个和第K-M个采样点之间的差分值，其中M＝8，X、Y、Z分别是测得的三轴加速度，各轴相邻采样点数据相减取模相加作为两个时刻之间的差分值。静止状态下由于噪声测量数据还会有很小的变化，因此需要选择一个差分阈值对动作的起点和终点进行识别。在对实际测量数据观察后发现，静止时数据抖动在0.01m/s2以内，而运动时的数值变化远大于这个值，设置一个较大的阈值可以有效减少因噪声引起的错误动作数据截取情况，因此起终点的差分阈值设为θth1＝0.05m/s2，如果连续8个采样点满足ΔK>θth1，则可以确定为动作起点，满足ΔK<θth1，可以确定为动作终点；

第二步：三维加速度Acc与三维角速度Arg为六个动作维度，分别针对每一个动作维度中五个特征均值、标准差、峰度、偏度、最小值进行信息提取，获得每一个动作维度的特征信息共计三十个特征信息；通过计算样本中特征相关性对特征信息进行降维处理；

第三步：根据第二步中经过降维的特征信息，使用改进的支持向量机算法进行分类操作，通过设计核函数k(x_i,x)，降低分类算法的计算时间；

第四步，通过第三步中支持向量机以实现二分类问题，对于多分类问题采用SVM分类策略，从而降低多分类计算量并提高分类准确度。

本发明所述的基于可穿戴设备的动作识别方法，针对第二步中的动作特征采用如下方式进行提取并进行降维处理：

1)、提取特征值中均值表达式如下：

均值表达式如下：

在式中N为一个动作测量点数，x_i为第i个点测量值；

标准差计算表达式如下：

式中N为动作测量点数，为样本均值；

峰度K计算表达式如下：

式中N为动作测量点数，为样本均值，σ为标准差，f_i为样本间隔；

偏度SK计算表达式如下：

式中N为动作测量点数，为样本均值，σ为标准差；

最小值既动作采样点中最小的数值，采用5个采样点的均值作为稳定的最小值特征；

2)、采用引入去相关性分析法进行降维处理，设定特征样本集是m*n矩阵A，其中n是特征维数，m是训练集数量，将矩阵A的每一列减去其均值得到矩阵A₁，则A₁每一列均值为0，之后计算A₁的协方差矩阵B＝A₁ ^T*A₁，B为n*n维矩阵；

计算协方差矩阵B的特征值和特征向量为：

B＝V*S*V^-1

其中S为对角矩阵，对角元素为B的特征值，V中纵向量为S对角元素对应的B的特征向量，矩阵V是n*n维矩阵，矩阵S是n*n维矩阵；根据特征值所占比例，从矩阵V中选出前p列向量(p<n)组成矩阵M，M为n*p维矩阵；通过A₂＝A*M，得到m*p维矩阵A₂，将特征维度从n降到p维，通过减少相关性强的特征维度完成特征简化。

本发明所述的基于可穿戴设备的动作识别方法，对支持向量机算法核函数的选择进行构建和验证比较，采用如下式构造核函数k_n(x_i,x)，

建后的核函数k_n(x_i,x)通过如下式满足Mercer条件：

由(7)式可知k(x,y)为转移不变函数，转移不变函数可作为核函数的充要条件是k(x)的傅里叶变换大于零，如下式：

由k_n(x_i,x)的傅里叶变换可知K(x)的傅里叶变换大于等于零；即k_n(x_i,x)可以作为核函数使用。

本发明所述的基于可穿戴设备的动作识别方法，支持向量机为二分类学习机，采用分类策略步骤如下：

第一步，计算行走、下蹲起立、跳跃、上楼、下楼五类动作训练样本的重心，其计算方法如下：

其中n为每一类训练样本的数量，对每一个维度进行以上计算，求出类样本的重心；

第二步，计算第一步中行走、下蹲起立、跳跃、上楼、下楼五类动作中每一类之间的重心距离，其计算方法如下：

R(o₁,o₂)＝||o₁-o₂||

式中o₁和o₂是两个重心点；式中R为两重心距离；

二分类学习机设计四个子SVM分类器SVM1、SVM2、SVM3、SVM4；将跳跃、下蹲起立动作分为A类，跳跃、上楼与下楼动作分为B类；

SVM1子分类器区分出五个动作中的A类与B类；

SVM2子分类器对A类中跳跃与下蹲动作进行区分，B类中重心距离相接近的行走与上楼动作分为B₁类；

SVM3子分类器将B₁类与下楼动作进行区分；

SVM4子分类器行走与上楼动作进行区分，即SVM分类器实现了五类动作的识别。

有益效果

本发明提供的基于可穿戴设备的动作识别方法，通过差分阈值检测法，将动作数据从加速度传感器节点不断测得的数据中截取出来，在提取特征时可以保证特征值是一个完整动作的数值，有效避免了因数据源判断错误而导致的分类错误的概率。

本发明提供的基于可穿戴设备的动作识别方法，通过对特征值的处理，降低了多维特征之间的冗余度，一些相关性强的特征对分类并没有价值，反而增加很多干扰信息，本发明在去除特征的冗余同时降低了分类复杂度，提升了SVM分类正确率。

本发明提供的基于可穿戴设备的动作识别方法，通过设计合理的核函数，在保证分类效果情况下，降低了线性不可分问题向高维映射时的计算量。

本发明提供的基于可穿戴设备的动作识别方法，通过设计一种新的SVM多分类策略，优化了多分类问题流程，相比传统的DAG-SVMS策略，本方案降低了子SVM数量，并提高了分类正确率。

附图说明

图1是本发明的系统设计图。

图2是本发明差分阈值动作检测图。

图3是本发明RBF核函数和本方法设计核函数对比示意图。

图4是SVM多分类策略图，其中C1、C2、C3、C4、C5分别是下蹲起立、跳跃、行走、上楼、下楼五类动作。

具体实施方式

为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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：

如图1所示，为系统模型示意图，图中列出了本设计方案的详细流程，其中包括动作数据的采集、数据传输、特征提取和分类识别。

图2是差分阈值动作检测示意图。

图3是本方案使用的核函数和RBF核函数的对比，通过对比可知，本方案使用核函数和RBF核函数都属于局部核函数，不同的是相比于RBF核函数，本方案所用核函数尖端更尖，两端收敛也更缓慢，所以拥有更好的外推能力，同时由表达式可看出减少了复杂的指数运算。

图4是SVM多分类策略图，由图可以看出对于五类动作的分类，最多只需经过三次SVM分类判断。

为便于本领域的普通技术人员实施本发明，现提供一个实施例，如下：

本实施用于可穿戴设备的动作识别系统设计中，包括步骤如下：

第一步，通过惯性传感器采集动作三维加速度和三维角速度数据，分别为Acc和Arg，引入差分检测法截取动作发生时的相关数据，差分值为Δ_K；

第二步，三维加速度Acc与三维角速度Arg为六个动作维度，分别针对每一个动作维度中五个特征均值、标准差、峰度、偏度、最小值进行信息提取，获得每一个动作维度的特征信息共计三十个特征信息；通过计算样本中特征相关性对特征信息进行降维处理。

第三步，根据动作特征信息使用改进的支持向量机算法进行分类操作，通过设计合适的核函数k(x_i,x)，降低分类算法的计算时间；

第四步，支持向量机可实现二分类问题，对于多分类问题采用改进的SVM策略，降低了多分类计算量并提高分类准确度。

惯性传感器在工作过程中会一直输出测量数据，然而我们需要提取识别的是在动作发生时所测得的数据，因此必须寻求一种数据分割方法。由于加速度数据存在重力加速度的干扰，无法直接通过数值大小判断运动状态，因此，本方案采用差分值法进行手势动作数据的提取。在此，我们制定了一种对于三维向量的差分值计算方法，其表达式为：△_K＝|X_K-X_K-M|+|Y_K-Y_K-M|+|Z_K-Z_K-M|，式中ΔK为第K个和第K-M个采样点之间的差分值，其中M＝8，X、Y、Z分别是测得的三轴加速度。在静止状态下测量数据由于噪声会有很小的变化，因此需要选择一个差分阈值对动作的起点和终点进行识别。在对实际测量数据观察后发现，静止时数据抖动在0.01m/s2以内，而运动时的数值变化远大于这个数值，设置一个较大的阈值可以有效减少因噪声引起的错误动作数据截取情况，因此起终点的差分阈值设为θth1＝0.05m/s2，如果连续8个采样点满足ΔK>θth1，则可以确定为动作起点，满足ΔK<θth1，可以确定为动作终点。

特征值作为支持向量机分类的依据，其选取方式对识别结果有较大影响，本方法选择多维特征作为分类依据。假设惯性传感器测量值为：{x1,x2,x3...xn}，五种特征提取方式如下：

(1)均值：均值定义如下：

(2)标准差：标准差计算表达式如下：

(3)峰度：峰度计算表达式如下：

(4)偏度：偏度计算表达式如下：

(5)最小值：最小值既动作采样点中最小的数值，为了避免单个采样点的可靠性较低的问题，我们取最小的5个采样点的均值作为稳定的最小值特征。

通过上述特征提取操作，可以得到6*5＝30维特征向量，降低特征维数可以简化分类器运算时间和提高精确度，为了尽量减少降维时特征的丢失，引入去相关性分析法，其过程如下：

设特征样本集是m*n矩阵A，其中n是特征维数，m是训练集数量，首先将矩阵A的每一列减去其均值得到矩阵A₁，则A₁每一列均值为0，之后计算A的协方差矩阵B＝A₁ ^T*A₁，B为n*n维矩阵。

计算协方差矩阵B的特征值和特征向量：

B＝V*S*V^-1

其中S为对角矩阵，对角元素为B的特征值，V中纵向量为S对角元素对应的B的特征向量，矩阵V和S都是n*n维矩阵。在此方案中，根据特征值所占比例，从矩阵V中选出前p列向量(p<n)组成矩阵M，M是n*p维矩阵。

最后，A₂＝A*M，得到m*p维矩阵A₂，通过减少相关性强的特征维度完成特征简化。

在本方案中特征降维后为16维，特征的分布还是存在线性不可分现象，因此需设计合适的SVM核函数，将线性不可分问题映射为高维线性可分问题，支持向量机算法核函数的选择需要尝试和验证比较，其中较为常用的是高斯核函数，其表达式如下：

其中x_i是支持向量，x为特征向量，核函数可以把低维线性不可分的数据映射到更高维度，在高维度寻找分类超平面，从而实现分类效果，高斯核函数由于要经过多次幂运算，耗时很大，因此，我们构造新型核函数k_n(x_i,x)，其表达式如下

一个函数要想当做核函数需要满足Mercer条件，其中Mercer条件如下：

对称函数K(x,y),当且仅当对使得：

满足：

则K(x,y)可作为支持向量机的核函数。上面条件成为转移不变核函数，既K(x,y)＝K(x-y)为可行的支持向量核，要将转移不变核分解为两个函数的积并因此证明它满足Mercer条件是很难的，以下引理给出了转移不变核是支持向量核的充要条件：

引理：转移不变核K(x,y)＝K(x-y)是可行的支持向量核函数的充要条件是K(x)的傅里叶变换大于等于零。如下式：

由k_n(x_i,x)的傅里叶变换可知，明显满足上式要求，因此，k_n(x_i,x)可以作为核函数使用。

由于支持向量机只能实现二分类问题，针对我们需要实现的多分类问题，一般选择1-v-1SVM策略，该策略将每两类之间构建子SVM分类器，对于一个k类问题，总共有k(k-1)/2种分类器，所以每次分类需要进行k(k-1)/2次判别，每次判别进行一次投票，最后选择得票最多的类为最终分类结果。

针对本方案要实现的行走、下蹲起立、跳跃、上楼、下楼五类动作的识别，设计了一种新的分类策略，步骤如下：

第一步，计算五类动作训练样本的重心，其计算方法如下：

其中n为每一类训练样本的数量，对每一个维度进行以上计算，求出类样本的重心。

第二步，计算每一类之间的重心距离，其计算方法如下：

R(o₁,o₂)＝||o₁-o₂||

式中o₁和o₂是两个重心点，R为两重心的距离，每两种样本之间进行距离运算后得知，五类动作中跳跃和下蹲起立重心距离接近，行走、上楼和下楼重心距离接近，因此本方案设计四个子SVM分类器，首先将跳跃和下蹲起立看做一类A，其他动作看做另一类B，SVM1进行一次分类操作，区分出类A和类B，SVM2对类A进行分类，将跳跃和下蹲起立区分，在B类中，行走和上楼的重心距离更接近，因此将行走和上楼看做类B₁，SVM3将类B₁和下楼动作区分，最后SVM4对类B₁中的行走和上楼进行分类，此策略利用四个子SVM分类器实现了五类动作的识别，最多只需要进行四次分类操作就可以完成待测样本的分类识别。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于可穿戴设备的动作识别方法，其特征在于，包括以下步骤：

第一步：通过惯性传感器采集动作三维加速度Acc和三维角速度数据Arg，引入差分阈值检测法截取动作发生时的相关数据，并通过如下公式进行计算差分值Δ_K；

△_K＝|X_K-X_K-M|+|Y_K-Y_K-M|+|Z_K-Z_K-M|

第二步：对三维加速度Acc与三维角速度Arg提取的均值、标准差、峰度、偏度、最小值得到每个动作的三十维特征信息，通过计算样本中特征相关性对特征信息进行降维处理，得到降维后的特征信息；

第三步：根据第二步中经过降维的特征信息，使用改进的支持向量机算法进行分类操作，通过设计核函数k(x_i，x)，降低分类算法的计算时间；

第四步，通过第三步中支持向量机以实现二分类问题，对于多分类问题采用SVM分类策略，从而降低多分类计算量并提高分类准确度。

2.根据权利要求1所述的基于可穿戴设备的动作识别方法，其特征在于：针对第二步中的动作特征采用如下方式进行提取并进行降维处理：

1)、提取特征值中均值表达式如下：

均值表达式如下：

在式中N为一个动作测量点数，x_i为第i个点测量值；

标准差计算表达式如下：

式中N为动作测量点数，为样本均值；

峰度K计算表达式如下：

式中N为动作测量点数，为样本均值，σ为标准差，f_i为样本间隔；

偏度SK计算表达式如下：

式中N为动作测量点数，为样本均值，σ为标准差；

最小值既动作采样点中最小的数值，采用5个采样点的均值作为稳定的最小值特征；

2)、采用引入去相关性分析法进行降维处理，设定特征样本集是m*n矩阵A，其中n是特征维数，m是训练集数量，将矩阵A的每一列减去其均值得到矩阵A₁，则矩阵A₁每一列均值为0，之后计算A₁的协方差矩阵B＝A₁ ^T*A₁，B为n*n维矩阵；

计算协方差矩阵B的特征值和特征向量为：

B＝V*S*V^-1

其中S为对角矩阵，对角元素为B的特征值，V中纵向量为S对角元素对应的B的特征向量，矩阵V是n*n维矩阵，矩阵S是n*n维矩阵；根据特征值所占比例，从矩阵V中选出前p列向量(p＜n)组成矩阵M，M为n*p维矩阵；通过A₂＝A*M，得到m*p维矩阵A₂，将特征维度从n降到p维，通过减少相关性强的特征维度完成特征简化。

3.根据权利要求1所述的基于可穿戴设备的动作识别方法，其特征在于：对支持向量机算法核函数的选择进行构建与和验证比较：

采用如下式构造核函数k_n(x_i，x)，

建后的核函数k_n(x_i，x)通过如下式满足Mercer条件：

由(7)式可知k(x，y)为转移不变函数，转移不变函数可作为核函数的充要条件是k(x)的傅里叶变换大于零，如下式：

由k_n(x_i，x)的傅里叶变换可知K(x)的傅里叶变换大于等于零；即k_n(x_i，x)可以作为核函数使用。

4.根据权利要求1所述的基于可穿戴设备的动作识别方法，其特征在于：所述的支持向量机为二分类学习机，采用分类策略步骤如下：

第一步，计算行走、下蹲起立、跳跃、上楼、下楼五类动作训练样本的重心，其计算方法如下：

其中n为每一类训练样本的数量，对每一个维度进行以上计算，求出样本的重心；

第二步，计算第一步中行走、下蹲起立、跳跃、上楼、下楼五类动作中每一类之间的重心距离，其计算方法如下：

R(o₁，o₂)＝||o₁-o₂|| (10)

式中o₁和o₂是两个重心点，R为两重心距离；

二分类学习机设计四个子SVM分类器SVM1、SVM2、SVM3、SVM4；将跳跃、下蹲起立动作分为A类，跳跃、上楼与下楼动作分为B类；

SVM1子分类器区分出五个动作中的A类与B类；

SVM2子分类器对A类中跳跃与下蹲动作进行区分，B类中重心距离相接近的行走与上楼动作分为B₁类；

SVM3子分类器将B₁类与下楼动作进行区分；

SVM4子分类器行走与上楼动作进行区分，即SVM分类器实现了五类动作的识别。