CN108898195B - 一种基于商用rfid的非接触式徒手健身活动识别方法 - Google Patents

Abstract

本发明公开了一种基于商用RFID的非接触式徒手健身活动识别方法，包括以下步骤：在监测区域中商用RFID收发设备，通过采集每种标准动作对应的相位信息并进行预处理后得到的对应的信号角频率集合，从而构建标准动作指纹库；用户在监测区域中进行徒手健身运动时，获取用户健身运动对应的信号角频率特征集合，并对该信号角频率特征进行两次分割，第一次分割时得到用户组活动序列集合，第二次分割得到用户动作序列集合，对所述的动作序列集合进行归一化处理并进行指纹进行匹配以完成识别。本发明结合人类活动识别领域的研究现状以及徒手健身的实际需求，利用现有商用RFID设备，填补了徒手健身活动领域相应的低成本、自动化的识别和评估方法的空缺。

Description

一种基于商用RFID的非接触式徒手健身活动识别方法

技术领域

本发明涉及活动识别的应用，特别是一种基于商用RFID的非接触式徒手健身活动识别方法。

背景技术

随着国民经济的发展和国家对“全民健身”的提倡，以运动收获健康的理念日益深入人心，越来越多的人加入到健身的队伍当中。近几年，徒手健身这种运动形式已经受到越来越多人的青睐。徒手健身运动是一种利用人体自身抵抗力来达到锻炼效果的健身运动。研究表明，有氧和无氧运动交替进行可以达到更好的锻炼效果。徒手健身运动作为一种半有氧的运动形式，是健身中不可或缺的一个重要组成。相比于跑步等单纯的有氧运动，徒手健身不仅有助于稳定、平衡骨骼和肌肉，还可以加速燃脂，对减肥起到重要的作用。而相比于器械运动而言，徒手健身的运动难度更低，受众范围更为广泛。另外，徒手健身不需要任何额外的器械，对运动场地大小要求低，人们在家中、办公室、健身房等就可自行进行训练，这也是徒手健身备受欢迎的原因之一。

然而，对于大多数徒手健身者而言，都是通过私人教练或者从视频、文字等描述中获取相对标准的动作。但是，私人教练成本高昂，视频、文字的描述因为缺乏相应的监督和评估反馈，导致很多健身者长期进行错误的锻炼却浑然不知，轻者造成肌肉分布不均，严重者甚至会在训练中意外受伤(如肌肉拉伤、关节扭伤等)。造成上述问题的主要原因之一就是徒手健身活动领域缺乏相应的低成本、自动化的识别和评估方法。

发明内容

针对目前徒手健身活动领域相应的低成本、自动化的识别和评估方法的空缺，以及人类活动识别领域的研究现状，结合徒手健身活动的实际场景，本发明在现有商用RFID设备的基础上提出一种非接触式的徒手健身活动识别方法。

本发明采用以下技术方案：

一种基于商用RFID的非接触式徒手健身活动识别方法，包括以下步骤：

在监测区域中商用RFID收发设备，通过采集每种标准动作对应的相位信息并进行预处理后得到的对应的信号角频率集合，从而构建标准动作指纹库；

用户在监测区域中进行徒手健身运动时，获取用户健身运动对应的信号角频率特征集合，并对该信号角频率特征进行两次分割，第一次分割时得到用户组活动序列集合，第二次分割得到用户动作序列集合，对所述的动作序列集合进行归一化处理，将归一化处理后的结果与标准动作指纹库中的指纹进行匹配以完成识别。

进一步地，所述的预处理包括相位信息的随机跳变去噪、对相位环境去噪；其中，所述的随机跳变去噪包括：在标准动作对应的相位信息中，判断相位信息中包含的相位是否产生随机跳变，若产生随机跳变，则将该相位恢复至跳变以前的相位；所述的相位环境去噪所采用的方法为离散小波变换。

进一步地，所述的判断相位信息中包含的相位是否产生随机跳变，若产生随机跳变，则将该相位恢复至跳变以前的相位，包括：

如果相位信息中的某一个相位θ^k(i)与该相位θ^k(i)之前的相位θ^k(i-1)的相位差大于π，则认为该相位θ^k(i)产生了随机跳变，将相位θ^k(i)减去π作为跳变前的相位。

进一步地，所述的第一次分割时得到用户组活动序列集合，包括：

将户健身运动对应的信号角频率特征集合w分割成为P个等长片段，得到等长片段的集合N^large；计算等长片段的集合N^large中每个等长片段中所有信号角频率的方差作为等长片段的方差，得到计算后对应的方差集合V^large；通过将每个等长片段的方差和预先设定的阈值T_large进行对比，找出大于阈值T_large的方差对应的等长片段，分别将大于阈值且相邻的等长片段合并得到用户组活动序列集合N。

进一步地，所述的第二次分割得到用户动作序列集合，包括：

将所述活动序列集合N中的序列分割成Q个等长片段，得到的等长片段的集合N^j；计算上等长片段集合中每个等长片段的方差，得到计算后的方差集合V^j；将方差集合V^j中的方差

与前一个方差进行相减后取绝对值作为方差

的一阶差分

从而得到一阶差分集合H^j，通过一阶差分集H^j合得到用户动作序列集合。

进一步地，所述的通过一阶差得到用户动作序列集合，包括：

如某个一阶差分

分满足标记条件，即该一阶差分

大于阈值T_small并且其之前相邻的三个一阶差分或之后相邻的三个一阶差分均小于阈值T_small，则将该一阶差分

进行标记；

在所有的一阶差分中，筛选出所有满足标记条件的一阶差分并进行标记；所有标记的一阶差分中，自第一个标记的一阶差分开始，将每相邻的两个标记的一阶差分所对应的等长片段作为一个动作的开始片段和结束片段，将这两个等长片段以及这两个等长片段之间的所有等长片段进行合并，合并后的片段即为用户的一个动作序列

由此得到第j组序列n_j中所有的动作序列，构成用户动作序列集合。

进一步地，所述的对所述的动作序列集合进行归一化处理，包括：

对动作集合序列中的动作序列

进行纵向归一化处理：

其中，

w′(n)表示纵向归一化后得到的信号角频率，N为

中的信号角频率的个数，n∈{1,2,...,N}，从而得到归一化后的信号角频率集合；

利用三次Hermite插值对归一化后的信号角频率集合

进行拟合以及等距筛选，筛选出100个采样点对应的信号角频率构成新的角频率序列，完成归一化过程。

与现有技术相比，本发明有如下技术效果：

1.提出了一种基于商用RFID的非接触式徒手健身活动识别和评估方法。

2.设计了一种不同分割粒度下基于方差的活动分割方法，提高了活动分割的效率。

3.通过对现有快速DTW算法进行归一化改进，降低了活动速度对活动识别和动作标准程度评估的影响。

附图说明

图1是本发明方法的框架图；

图2是健身教练做出徒手健身动作的示意图；

图3是信号角频率特征获取示意图；

图4是活动分割示意图，其中(a)为粗粒度组活动序列分割，(b)为细粒度单个活动序列分割；

图5是本发明实施例中的实验默认部署场景；

图6是活动分割实验结果图；其中(a)为活动分割三种评估指标结果，(b)为活动分割精确度结果；

图7是不同场景下活动识别实验结果图；其中(a)为三种真实场景下活动识别真阳率，(b)为三种真实场景下活动识别假阳率；

图8是不同速度下的每个动作的识别准确率；

图9是不同场景部署情况；其中(a)为办公室场景，(b)为室内居家场景。

具体实施方式

本发明提供了一种基于商用RFID的非接触式徒手健身活动识别方法，包括以下步骤：

步骤1，在监测区域中部署商用RFID收发设备

在监测区域中部署现有商用RFID收发设备(例如Intel公司生产的R1000系列)构建收发端，包括一个RFID读写器、一个定向天线和一个RFID标签；其中，定向天线和RFID阅读器相连，定向天线和RFID标签距离地面高度均为0.9m。天线和标签均放置在监测区域两侧的中间位置上，RFID标签和RFID阅读器中心相对。

步骤2，构建标准动作指纹库

通过采集每种标准动作下对应的相位信息并进行预处理后得到对应的信号角频率，以构建标准动作指纹库；所述的预处理包括相位信息的随机跳变去噪、对相位环境去噪。

步骤2.1：通过专业健身教练进行标准动作相位信息的采集

使健身教练处于监测区域中，优选位于RFID阅读器的定向天线和RFID标签视距链路的中央，即整个检测区域的中央位置；

健身教练做出徒手健身动作，将健身教练的每一个徒手健身动作作为标准动作；每个标准动作做一次，在进行标准动作的同时，RFID标签和RFID阅读器进行通信，由此采集每一个标准动作对应的相位信息；

则在健身教练做不同标准动作时，RFID阅读器可以测到动作引起的标签的相位值变化。

步骤2.2：对相位信息的随机跳变进行去噪

在标准动作对应的相位信息中，判断相位信息中包含的相位是否产生随机跳变，若产生随机跳变，则将该相位恢复至跳变以前的相位；具体地：

健身教练在做每一个标准动作时，RFID阅读器采集到的是该动作对应的相位信息的集合；记第k个标准动作对应的相位信息集合为：

θ^k＝{θ^k(1),θ^k(2),...,θ^k(i),...,θ^k(I)}

上式中，I表示采集的标准动作k对应的相位信息中包含的相位的个数，θ^k(i)表示第i个相位；集合θ^k对应的采集时间为：

t^k＝{t^k(1),t^k(2),...,t^k(i),...,t^k(I)}

然而在实际应用环境中，θ^k会产生随机跳变，即相位呈现会出稳定的两种状态，两种状态大约相差π。为了消除相位的随机调变噪声，通过计算相位集合中t^k(i)时刻对应的相位θ^k(i)和其前一个时刻t^k(i-1)对应的相位θ^k(i-1)的相位差来判断t^k(i)时刻的相位是否为随机跳变点，如满足：

θ^k(i)-θ^k(i-1)≥π

则可判断t^k(i)为跳变点，然后将跳变点的相位θ^k(i)通过如下公式得到调变之前的真实相位θ_ture ^k(i)：

如果t^k(i)时刻对应的相位θ^k(i)和t^k(i-1)时刻对应的相位θ^k(i-1)不满足θ^k(i)-θ^k(i-1)≥π，则可判断t^k(i)为非跳变点，则有

通过步骤2.2的处理，得到k个标准动作对应的处理后的相位集合

步骤2.3：对相位环境进行去噪

为了得到较为纯净的相位信息，利用离散小波变换对步骤2.2中的得到的相位集合

进行去噪处理，得到去噪后的相位集合

步骤2.4：通过相位集合

计算信号的角频率特征

信号的角频率特征即相位的一阶差分，通过如下公式可以得到：

上式中，

为相位集合

中的第i个相位，

为

对应的采集时间；通过上述公式计算

中相位的一阶差分，从而构成信号角频率特征集合

步骤2.5：按照步骤2.2至2.4相同的方法，可得到健身教练做每一个标准动作时的信号角频率特征集合，记共有K个标准动作，则将K个标准动作对应的K个信号角频率特征集合构成标准动作指纹库：

上式中，k表示健身动作的编号，k＝1,2,...,K，在标准动作指纹库中，一个信号角频率特征记为一个指纹。

步骤3，用户徒手健身运动信号角频率序列获取

用户在监测区域中进行徒手健身运动时，持续从RFID阅读器中获取标签的相位值，可以得到对应的相位信息为θ＝{θ(1),θ(2),...,θ(j),...,θ(J)}，其中J为相位信息中包含的相位个数；重复步骤2.2-2.4，从而可以得到用户徒手健身动作对应的信号角频率特征集合为w＝{w(1),w(2),...,w(j),...,w(J)}。

用户在监测区域中进行徒手健身运动是按组进行的，每一组包含多个动作，因此后续处理时，需要从信号角频率特征集合中分割出单个的动作。

步骤4：用户信号角频率特征集合分割

首先对用户健身运动对应的信号角频率特征集合w进行等长片段分割，从而将集合w中的信号角频率分割成多组角频率序列；然后再对每一组角频率序列再次进行等长片段分割，这样，可以在保证精度的前提下进一步提高分割效率。

其中，第一次分割时的等长片段大于第二次分割时的等长片段，第一次进行的是粗粒度分割，而第二次是细粒度分割，如图4的(a)和(b)所示。

步骤4.1，粗粒度信号角频率序列分割

步骤4.1.1，分割片段

将信号角频率特征集合w分割成为P个等长片段，得到等长片段的集合N^large，可表示为：

上式中，

为信号角频率特征集合w后得到的第p个等长片段p＝1,2,...,P。

步骤4.1.2：方差计算

计算等长片段的集合N^large中每个等长片段中所有信号角频率的方差作为该等长片段的方差，得到计算后对应的方差集合为：

步骤4.1.3：阈值比对

通过将每个等长片段的方差

(p＝1,2,...,P)和预先设定的阈值T_large进行对比，找出大于阈值T_large的方差对应的等长片段，分别将大于阈值且相邻的等长片段合并得到用户组活动序列N。

由于包含用户动作信息的方差其普遍的特点是大于阈值，并且间隔连续出现，因此根据这一特点可将等长片段集合中包含用户动作信息的等长片段找出来，并且将相邻的等长片段进行合并，将所有合并后的等长片段构成所述的组活动序列集合N。

例如，所述的方差集合为{1,2,3,4,5,6,7,8,9,10,11,12}，其中1,2,3,6,7,8,9,11,12这些方差均大于阈值T_large，由于1,2,3相邻，因此将这三个方差对应的等长片段合并为n₁，同样地将对应的等长片段合并为6,7,8,9合并为n₂，将11,12合并为n₃，n¹,n²,n₃构成组活动序列集合N。本实施例中，所述的阈值T_large取值为1，则组活动序列集合N表示为：

N＝{n₁,n₂,...,n_j,...n_T}

上式中，j＝1,2,...,T，T为等长片段经过合并后的个数，即用户进行徒手健身活动的组数；即合并后的每一个片段对应于用户的一组徒手健身活动。

步骤4.2：细粒度单个动作序列分割

步骤4.2.1：分割片段；

将所述组活动序列集合N中第j组序列n_j分割成Q(q∈(1,2,...,Q))个等长片段，所得到的等长片段的集合可表示为：

步骤4.2.2：方差计算；

计算等长片段集合中每个等长片段的方差，可以得到计算后的方差集合为：

步骤4.2.3：方差一阶差分绝对值计算；

将V^j中的方差进行相邻相减取绝对值，即依次将每个方差

与前一个方差

相减后取绝对值作为方差

的一阶差分

记

的一阶差分为其本身，从而构成一阶差分集合H^j：

通过一阶差分集合得到用户动作序列集合。具体地：

如某个一阶差分

满足标记条件，即该一阶差

分大于阈值T_small并且其之前相邻的三个一阶差分或之后相邻的三个一阶差分均小于阈值T_small，则将该一阶差分

进行标记；本实施例中，所述的阈值T_small取值为0.2；

在一阶差分集合的所有的一阶差分中，筛选出所有满足标记条件的一阶差分并进行标记；所有标记的一阶差分中，自第一个标记的一阶差分开始，将每相邻的两个标记的一阶差分所对应的等长片段(步骤4.2.1分割成的等长片段)作为一个动作的开始片段和结束片段，将这两个等长片段以及这两个等长片段之间的所有等长片段进行合并，合并后的片段即为用户的一个动作序列

由此得到第j组序列n_j中所有的动作序列，构成用户动作序列集合：

其中，s∈{1,2,...,S}，S为动作序列的个数；

表示为：

其中，w(1),...w(n),...w(N)为动作对应的信号角频率，N为信号角频率的个数，n∈{1,2,...,N}。

步骤5：动作序列归一化处理；

为了消除不同速度对匹配造成的影响，需要对步骤4.2得到的集合进行归一化处理，从而减轻不同速度对匹配结果的影响。

步骤5.1：步骤4.2中得到动作序列集合中的动作序列

进行纵向归一化处理：

其中，w′(n)表示纵向归一化后得到的信号角频率，N为

中的信号角频率的个数，n∈{1,2,...,N}，从而得到归一化后的信号角频率集合：

步骤5.2：利用三次Hermite插值对步骤5.1中的得到的归一化后的信号角频率集合

进行拟合以及等距筛选，筛选出100个采样点对应的信号角频率构成新的角频率序列，从而得到横向标准化处理后的序列{w′(1),...w′(n),...w′(100)}；所述的采样点是将拟合所得到的曲线的横坐标分成100份后得到的。

步骤6：快速DTW匹配识别用户徒手健身活动；

将步骤5.2中得到的横向标准化处理后的序列{w′(1),...w′(n),...w′(100)}与步骤2中得到的标准动作指纹库中的每一个指纹利用快速DTW算法分别进行匹配，匹配程度最高的指纹即动作序列

对应的标准动作，由此实现用户健身活动的识别。

利用快速DTW算法进行动作标准程度评估时，当计算得到较大的DTW值时，说明被测动作和指纹之间的差异较大，动作标准度较低。而计算得到一个较小的DTW值时，说明被测动作和指纹之间的差异较小，动作标准度较高。如果得到的DTW值范围在[0,1.3]，则该动作被认为是一个标准的动作。

本实施例还提供了实验验证：

实验中，默认的部署场景设置在普通的健身房，如图5所示。在健身房的练操房选取一个3.2m×1.6m的区域作为实验区域，周围的环境包括木质地板、玻璃以及混凝土墙等。在实验区域中部署一个了Impinj读写器，一个和阅读器相连的定向天线(9028PCL12NF)，以及一个H47被动式标签，定向天线和被动式无源标签距离地面高度均为0.9m，天线和标签均放置在实验区域边缘中间的位置上，标签和阅读器中心相对。训练者处于阅读器天线和标签视距链路的中央，即整个检测区域的中央位置。

为了验证本文活动分割和活动识别算法在不同场景下的有效性和鲁棒性，除上述默认实验场景(健身房)外，本文另选取两种不同的场景进行验证实验，分别为办公室场景(如图9的(a)所示)和室内居家场景(如图9的(b)所示)。两个场景中标签和阅读器天线的部署同默认实验场景中的一致。

为了较为全面评估本文的方法，通过选取8个徒手健身活动动作验证本方法的性能(如图2所示)。然后，选择10名体型不一(身高：155cm-185cm，体重：45kg-84kg)的志愿者，其中5名为有一年以上健身经历的志愿者，另外5名则不是，对他们进行训练跟踪。另外，为了获得标准动作的模板，我们邀请了1名经验丰富的健身教练参与实验。首先让他在上述的实验部署环境中以标准速度(中速)匀速执行上面8个动作，将其运动时采集到的信号序列运用本文方法进行处理并建立了标准动作指纹库，用于志愿者的活动识别和评估。

实验一：

活动分割算法实验验证；图6的(a)、(b)中展示了三个真实场景下所有活动片段的分割结果。可以看出，本方案的分割方法可以达到较为理想的分割效果，并对不同的实验场景以及活动均具有较强的鲁棒性。

实验二：

活动识别算法实验验证；图7的(a)、(b)中展示了每种场景下的活动识别情况进行统计和分析结果。从实验结果可以看出，识别算法在三种场景下均能对动作进行准确识别，并且以上三种场景下的真阳率和假阳率差别较小，算法具有较强的环境鲁棒性。

实验三：

不同活动速度下活动识别算法验证；从图8中可以看出，慢速执行下的识别准确率均值为89.6％，匀速执行下的动作识别准确率均值为92.4％。由此，可得出对于慢速和匀速执行的动作，归一化后，识别准确率相似。然而，对于快速执行下的动作识别准确率有大幅下降，快速执行下的动作识别准确率均值为77.1％，相比慢速和匀速分别下降了12.5％和15.3％。这是因为RFID设备的采样率较低，当动作执行速度很快的时，在低采样率下捕捉的活动序列发生较大形变，从而导致了较低的识别率。然而，一般训练者不会以这么快的速度进行徒手运动，且该速度下的训练本身就是一种不标准的训练方式，所以，本方案的活动识别算法依然有效。

Claims (2)

1.一种基于商用RFID的非接触式徒手健身活动识别方法，其特征在于，包括以下步骤：

在监测区域中商用RFID收发设备，通过采集每种标准动作对应的相位信息并进行预处理后得到的对应的信号角频率特征集合，从而构建标准动作指纹库；

用户在监测区域中进行徒手健身运动时，获取用户健身运动对应的信号角频率特征集合，并对该信号角频率特征集合进行两次分割，第一次分割时得到用户组活动序列集合，第二次分割得到用户动作序列集合，对所述的动作序列集合进行归一化处理，将归一化处理后的结果与标准动作指纹库中的指纹进行匹配以完成识别；

所述的预处理包括相位信息的随机跳变去噪、对相位环境去噪；其中，所述的随机跳变去噪包括：在标准动作对应的相位信息中，判断相位信息中包含的相位是否产生随机跳变，若产生随机跳变，则将该相位恢复至跳变以前的相位；所述的相位环境去噪所采用的方法为离散小波变换；

所述的判断相位信息中包含的相位是否产生随机跳变，若产生随机跳变，则将该相位恢复至跳变以前的相位，包括：

如果相位信息中的某一个相位θ^k(i)与该相位θ^k(i)之前的相位θ^k(i-1)的相位差大于π，则认为该相位θ^k(i)产生了随机跳变，将相位θ^k(i)减去π作为跳变前的相位；

所述的第一次分割时得到用户组活动序列集合，包括：

将用户健身运动对应的信号角频率特征集合w分割成为P个等长片段，得到等长片段的集合N^large；计算等长片段的集合N^large中每个等长片段中所有信号角频率的方差作为等长片段的方差，得到计算后对应的方差集合V^large；通过将每个等长片段的方差和预先设定的阈值T_large进行对比，找出大于阈值T_large的方差对应的等长片段，分别将大于阈值且相邻的等长片段合并得到用户组活动序列集合N；

所述的第二次分割得到用户动作序列集合，包括：

将所述活动序列集合N中的序列分割成Q个等长片段，得到的等长片段的集合N^j；计算所述的等长片段集合中每个等长片段的方差，得到计算后的方差集合V^j；将方差集合V^j中的方差

与前一个方差进行相减后取绝对值作为方差

的一阶差分

从而得到一阶差分集合H^j，通过一阶差分集合H^j得到用户动作序列集合；

对所述的动作序列集合进行归一化处理，包括：

对动作集合序列中的动作序列

进行纵向归一化处理：

其中，

w′(n)表示纵向归一化后得到的信号角频率，N为

中的信号角频率的个数，n∈{1，2，...，N}，从而得到归一化后的信号角频率集合；

利用三次Hermite插值对归一化后的信号角频率集合

进行拟合以及等距筛选，筛选出100个采样点对应的信号角频率构成新的角频率序列，完成归一化过程。

2.如权利要求1所述的基于商用RFID的非接触式徒手健身活动识别方法，其特征在于，通过一阶差分得到用户动作序列集合，包括：

如某个一阶差分

分满足标记条件，即该一阶差分

大于阈值T_small并且其之前相邻的三个一阶差分或之后相邻的三个一阶差分均小于阈值T_small，则将该一阶差分

进行标记；

在所有的一阶差分中，筛选出所有满足标记条件的一阶差分并进行标记；所有标记的一阶差分中，自第一个标记的一阶差分开始，将每相邻的两个标记的一阶差分所对应的等长片段作为一个动作的开始片段和结束片段，将这两个等长片段以及这两个等长片段之间的所有等长片段进行合并，合并后的片段即为用户的一个动作序列

由此得到第j组序列n_j中所有的动作序列，构成用户动作序列集合。

Images