CN110245707B - 基于蝎子定位的人体行走姿态振动信息识别方法及系统 - Google Patents
基于蝎子定位的人体行走姿态振动信息识别方法及系统 Download PDFInfo
- Publication number
- CN110245707B CN110245707B CN201910521435.3A CN201910521435A CN110245707B CN 110245707 B CN110245707 B CN 110245707B CN 201910521435 A CN201910521435 A CN 201910521435A CN 110245707 B CN110245707 B CN 110245707B
- Authority
- CN
- China
- Prior art keywords
- data
- walking
- scorpion
- vibration
- human body
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于蝎子定位的人体行走姿态振动信息识别方法及系统,所述方法包括以下步骤:采集人体行走的振动数据,并进行预处理;对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集;根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果。基于蝎子对振动信息快速、精准定位的机理,能非接触、机械、隐蔽地对人体行走的振动信号进行分析,从而推断人体行走姿态,对人体行走姿态的识别具有快速、精准的效果。
Description
技术领域
本发明涉及行走姿态识别技术领域,尤其涉及的是一种基于蝎子定位的人体行走姿态振动信息识别方法及系统。
背景技术
一直以来,研究人员都在寻找一种最自然、最人性化的人机交互技术,室内人体行走姿态识别技术是普适计算研究中的一个重要方向,通过在室内环境中判断出人员的行为姿态,实时给人员提供合适的服务,现有技术中,人-机交互不够准确,不能像人-人交互一样自然。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于蝎子定位的人体行走姿态振动信息识别方法及系统,旨在解决现有技术中室内人体行走姿态识别时的人-机交互不够准确的问题。
本发明解决技术问题所采用的技术方案如下:
一种基于蝎子定位的人体行走姿态振动信息识别方法,其中,包括以下步骤:
采集人体行走的振动数据,并进行预处理;
对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集;
根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述预设模型采用如下步骤获得:
根据训练样本的特征集确定行走姿态对应模型中的初始参数,所述初始参数为
其中,N表示状态集合总数,M表示观测集合总数,π表示概率分布,A表示隐藏状态间的转移概率矩阵,B表示状态序列到观测序列的概率矩阵;
对模型进行训练并更新初始参数得到预设模型。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述根据训练样本的特征集确定行走姿态对应模型中的初始参数步骤具体包括:
根据训练样本的行走姿态确定状态集合总数;
将不同行走姿态的特征集合成数据集,并计算数据集中每个数据点的局部密度和数据点到具有更高局部密度的数据点之间的最小距离,根据局部密度和数据点到具有更高局部密度的数据点之间的最小距离选择聚类中心点并确定观测集合的总数;
将概率分布设置为均匀分布;
根据训练样本的振动数据的周期性设置隐藏状态间的转移概率矩阵;
将状态序列到观测序列的概率矩阵设置为均匀分布。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述局部密度为:
dk>0
其中,ρu表示数据点u的局部密度,duv表示数据点u、数据点v之间的距离,dk表示截断距离,函数χ(x)为:
所述数据点到具有更高局部密度的数据点之间的最小距离δu为:
其中,ρv表示数据点v的局部密度,min(·)表示取最小操作。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述采集人体行走的振动数据步骤具体包括:
采用仿蝎子生物结构的行走姿态振动信息数据采集平台采集人体行走的振动数据,所述仿蝎子生物结构的行走姿态振动信息数据采集平台包括:加速度传感器阵列,所述加速度传感器阵列包括:8个加速度传感器,所述8个加速度传感器按蝎子的脚的位置分布并位于同一圆上。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述预处理步骤具体包括:
对人体行走的振动数据进行分帧加窗处理得到第一数据;
通过最小二乘法去趋势项消除第一数据的零点漂移得到第二数据;
利用小波阈值去噪方法去除第二数据的噪声得到预处理的振动数据。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述特征包括:预处理数据的平均值、均方值、标准差、频域熵、小波包能量以及神经元脉冲数;所述神经元脉冲数采用蝎子3/1神经元构型获取。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果步骤具体包括:
根据特征集计算出行走姿态的输出概率;
由行走姿态的输出概率得到与预设模型的相似度;
利用最大似然函数匹配到相似度最高的分类结果,输出分类结果。
所述的基于蝎子定位的人体行走姿态振动信息识别方法,其中,所述行走姿态包括:正常走、快走、跑、踏步或跳中的一种或多种。
一种基于蝎子定位的人体行走姿态振动信息识别系统,其中,包括:处理器,以及与所述处理器连接的存储器,
所述存储器存储有基于蝎子定位的人体行走姿态振动信息识别程序,所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器执行时实现以下步骤:
采集人体行走的振动数据,并进行预处理;
对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集;
根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果。
有益效果:基于蝎子对振动信息快速、精准定位的机理,能非接触、机械、隐蔽地对人体行走的振动信号进行分析,从而推断人体行走姿态,对人体行走姿态的识别具有快速、精准的效果。
附图说明
图1是本发明中基于蝎子定位的人体行走姿态振动信息识别方法第一流程图。
图2是本发明中蝎子BCSS位置的分布示意图。
图3是本发明中蝎子3/1构型的结构示意图。
图4是本发明中每个行走周期的四个过程的示意图。
图5是本发明中快速自动搜索数据密度峰值确定M值的示意图。
图6是本发明中基于蝎子定位的人体行走姿态振动信息识别方法第一流程图。
图7是本发明中基于蝎子定位的人体行走姿态振动信息识别系统的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请同时参阅图1-图6,本发明提供了一种基于蝎子定位的人体行走姿态振动信息识别方法的一些实施例。
本发明有仿蝎子生物结构的行走姿态振动信息数据采集平台和人体行走姿态振动信息识别方法。仿蝎子生物结构的行走姿态振动信息数据采集平台为本发明的硬件部分,实现对人体行走过程中的地面振动信息进行采集;人体行走姿态振动信息识别方法为本发明的软件部分,实现对采集到的振动信息进行信号处理、分析及识别人体行走姿态振动信息。
本发明中采用仿蝎子生物结构的行走姿态振动信息数据采集平台(以下简称数据采集平台)采集数据,行走姿态包括:正常走、快走、跑、踏步或跳中的一种或多种,本实施例中以正常走、快走、跑、踏四种行走姿态进行说明。数据采集平台包括:依次连接的加速度传感器阵列、恒流适配器、微处理器、模数转化模块、以太数据传输模块、数据显示系统、行走姿态振动信息识别系统。8个加速度传感器仿照蝎子腿部末端的基跗节复合缝感受器的分布来布置在室内地面,即8个加速度传感器模块分布在半径为2m的圆周上,角度分别为±18°,±54°,±90°,±140°。使用STM32F103微处理器控制模数转换模块进行多通道振动信息数据采集,以太数据传输模块通过UDP协议将采集的振动数据实时发送给PC上位机;数据显示系统对接收的振动数据进行实时波形显示,行走姿态振动信息识别系统是利用基于蝎子定位的人体行走姿态振动信息识别方法进行识别。
具体地,数据采集平台采用如下过程进行数据采集:
步骤一:如图2所示,蝎子基跗节复合缝感受器(Basitarsus composite slitssensilla,简称BCSS)分布在半径为2.5cm的圆周上,若令其直线前进的方向为0°,则BCSS的角度分别为±18°,±54°,±90°,±140°,从右前腿按顺时针方向将八个BCSS进行编号为e1、e2、e3、e4、e5、e6、e7、e8。将压电式加速度传感器阵列仿照蝎子BCSS的分布来布置在室内地面,其中分布的半径为2m。
步骤二:加速度传感器通过低噪声信号线连接恒流适配器的输入端,实现振动信号的调理。
步骤三:恒流适配器的输出端通过BNC接头引出正负极连接模数转化模块模块的连接端子。
步骤四:模数转化模块通过排线连接微处理器的模数转化模块接口,实现振动数据信号的模数转换。
步骤五:微处理器的网络模块接口通过排线连接以太数据传输模块。
步骤六:以太数据传输模块通过网线连接PC上位机,使用UDP协议进行网络数据通讯,将振动数据传给PC上位机,利用上位机的LabVIEW数据显示系统对接收的振动数据信号进行波形显示及数据存储,最后利用行走姿态振动信息识别系统对室内人员的行走姿态进行识别。行走姿态振动信息识别系统采用如下基于蝎子定位的人体行走姿态振动信息识别方法进行识别。
如图1和图6所示,本发明的一种基于蝎子定位的人体行走姿态振动信息识别方法,包括以下步骤:
步骤S10、建立预设模型。
具体地,在对测试样本进行测试之前,先通过训练样本进行训练建立预设模型。当然可以在某一次采集的样本中,以样本的70%作为训练样本,余下的30%作为测试样本。根据人体行走姿态的振动信号特点建立隐马尔可夫模型(Hidden Markov Model,HMM),并应用一种快速自动搜索数据密度峰值的方法,建立模型内部参数与行走姿态特征之间的关系。
步骤S10具体包括:
步骤S10a、采集训练样本的振动数据,并进行预处理。
所述步骤S10a具体包括:
步骤S10a1、采用数据采集平台采集人体行走的振动数据,所述数据采集平台包括:加速度传感器阵列,所述加速度传感器阵列包括:8个加速度传感器,所述8个加速度传感器按蝎子的脚的位置分布并位于同一圆上。
加速度现象在我们生活中无处不在,小到举手投足,大到翻滚跳跃,无不伴随着身体各部位的加速度变化,这种加速度的变化也反应了人体肢体和行为的变化,是人体行为的最直接表现形式。基于加速度传感器的人体行为姿态识别分析,不仅有助于我们更加了解自身运动行为,还为智能交互技术的发展奠定了基础,基于加速度传感器的人体行为姿态识别除了应用于智能人机交互外,在智能家居、健康医疗、智能监控及运动员辅助训练等领域也有广阔的应用前景。
采用加速度传感器时具有如下几个优势:(1)全天候不间断的提供稳定的数据信息,具有感知的实时性;(2)具有体积小、抗干扰能力强及安装成本较低的优点,对人体的行走姿态振动数据的测量更为方便;(3)不需要无线网络进行交互,让用户的位置信息得到有效保护;(4)无需将设备佩戴在用户身上,使得用户的行动更加方便;(5)由于涉及到自身的隐私,用户面对摄像头时,动作可能会不自然,然而使用加速度传感器进行振动数据采集不会打扰到用户的日常生活,使用户的生活更为舒心。因此本发明选择基于非侵入式的加速度传感器的方法,通过将传感器放在室内的固定位置,对用户的行走姿态振动数据进行采集,然后对振动数据进行处理实现对用户的行走姿态识别。
选择20名健康人员进行本次实验,5名女性,15名男性,年龄在22~34岁之间,身高在1.57~1.85米之间,体重在44~112千克之间。通过搭建的仿蝎子生物结构的行走姿态振动信息数据采集平台采集了每个人的正常走、快走、跑和踏步四种行走姿态振动数据各2min,由于在室内的地砖上振动信号的衰减很快,而且室内空间有限,因此正常走、快走和跑这三种行走姿态选择的路径不是由近及远或由远及近,而是将仿照蝎子BCSS布置的8个加速度传感器的0°的方向上,将圆心作为原点,先从距原点2米到6米处,然后从6米回到2米,如此往复,直到一分钟结束后停止。踏步选择的是原地踏步,即在一个点上进行踏步一分钟。采集得到20名人员在室内的正常走振动数据为S1(t)、快走振动数据为S2(t)、跑振动数据为S3(t)及踏步振动数据为S4(t)。
步骤S10a2、对人体行走的振动数据进行分帧加窗处理得到第一数据。
将采集的原始振动数据信号(S1(t)、S2(t)、S3(t)、S4(t))通过分帧加窗处理得到第一数据,选用帧长5秒,重叠率50%,汉宁窗进行数据处理。每个用户每次采集的1min的振动数据可以分割成23组振动信号样本,其中最后一组振动信号为了避免每种行走姿态的动作不完整而舍去,因此2min的振动数据可以分割成44组振动信号样本,20名人员的每种行走姿态振动数据含有880组振动信号样本,四种行走姿态振动数据共含有3520组振动信号样本,分别为S1′(t)、S2′(t)、S3′(t)和S4′(t),即第一数据。
步骤S10a3、通过最小二乘法去趋势项消除第一数据的零点漂移得到第二数据。
通过最小二乘法去趋势项消除振动信号零点漂移现象,得到四种行走姿态振动数据分别为S1″(t)、S2″(t)、S3″(t)和S4″(t),即第二数据。
步骤S10a4、利用小波阈值去噪方法去除第二数据的噪声得到预处理的振动数据。
利用小波阈值去噪方法去除振动信号的部分噪声,选择固定阈值的软阈值方法,选择小波基sym8,小波分解层数为4层,进行去噪后得到四种行走姿态振动数据分别为S1″′(t)、S2″′(t)、S3″′(t)和S4″′(t),即预处理的振动数据。
步骤S10b、对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集。
所述特征包括:预处理数据的平均值、均方值、标准差、频域熵、小波包能量以及神经元脉冲数;所述神经元脉冲数采用蝎子3/1神经元构型获取。
具体地提取四种行走姿态振动数据S1″′(t)、S2″′(t)、S3″′(t)和S4″′(t)的平均值、均方值、标准差、频域熵、小波包能量及利用蝎子3/1神经元构型获取振动信号的神经元脉冲数这六种特征。蝎子3/1神经元构型的结构示意图如图3所示,指令神经元激活中间性抑制神经元抑制其反方向的3个指令神经元,产生1个兴奋输入和3重抑制输入。若目标在第e3条腿附近产生振动信号,该条腿BCSS的指令神经元先接收兴奋信号会先对其反向的第e6、e7和e8条腿BCSS的指令神经元产生抑制作用,同样的,第e7条腿BCSS的指令神经元接收到兴奋信号输入后也会对第e2、e3和e4条腿BCSS的指令神经元产生抑制作用。利用蝎子3/1神经元构型获取振动信号的神经元脉冲数。将提取的六种特征进行归一化处理得到特征集,四种行走姿态振动数据的特征集分别为I1、I2、I3和I4。
步骤S11、根据训练样本的特征集确定行走姿态对应模型中的初始参数,所述初始参数为
其中,N表示状态集合总数,M表示观测集合总数,π表示概率分布,A表示隐藏状态间的转移概率矩阵,B表示状态序列到观测序列的概率矩阵。
步骤S11具体包括:
步骤S11a、根据训练样本的行走姿态确定状态集合总数。
根据这四种行走姿态的特点,可以将信号的每一个周期细分为左脚离地、左脚触地、右脚离地和右脚触地四个过程,其中触地的过程一般又细分为后跟着地、支撑中期及推送期,由于触地的每个过程持续的时间很短,考虑到对信号划分的准确性,本发明不将触地的过程进行细分。在本发明的实验中将每种行走姿态对应的HMM连接选择为左右全连接模型。图4是行走姿态“正常走”的一个周期动作示意图,展示出用户“正常走”处于的每个状态及对应的信号波形图。其中aij为状态转移概率,如:当用户时刻t处于左脚离地状态时,则时刻t+1或继续处于左脚离地状态或处于左脚触地状态。根据对用户行走姿态分析可以将状态集合的总数N确定为4,代表每个周期的四个过程。
步骤S11b、将不同行走姿态的特征集合成数据集,并计算数据集中每个数据点的局部密度和数据点到具有更高局部密度的数据点之间的最小距离,根据局部密度和数据点到具有更高局部密度的数据点之间的最小距离选择聚类中心点并确定观测集合的总数。
根据快速自动搜索数据密度峰值的方法确定观测集合的总数M。将四种行走姿态振动数据的特征集I1′、I2′、I3′和I4′合成一个数据集I′,将数据集中每一个数据点u的局部密度ρu和它到具有更高局部密度的点的距离δu。
所述局部密度为:
dk>0
其中,ρu表示数据点u的局部密度,duv表示数据点u、数据点v之间的距离,dk表示截断距离,函数χ(x)为:
所述数据点到具有更高局部密度的数据点之间的最小距离为:
其中,ρv表示数据点v的局部密度,min(·)表示取最小操作。这里数据点到具有更高局部密度的数据点之间的最小距离具体是指数据点u和具有更高局部密度的点v的距离,截断距离取全部数据点的局部密度的2%。
将局部密度ρu和数据点u到具有更高局部密度的数据点v之间的最小距离δu的数据点作为数据集的聚类中心点,聚类中心点的个数为M值——HMM中的观测集合总数。图5为通过快速自动搜索数据密度峰值的方法得到数据集I′的聚类中心点为11(图5中点线框内的点的个数),因此将观测集合的总数M确定为11。
步骤S11c、将概率分布设置为均匀分布。
根据行走姿态振动数据的初始状态处于四个过程的不确定性,设置初始概率分布(隐藏状态的初始概率分布)为均匀分布:
π=[0.25 0.25 0.25 0.25]。
步骤S11d、根据训练样本的振动数据的周期性设置隐藏状态间的转移概率矩阵。
根据行走姿态振动数据的周期性,将隐藏状态间的转移概率矩阵A设置为:
步骤S11e、将状态序列到观测序列的概率矩阵设置为均匀分布。
状态序列到观测序列的概率矩阵B选取均匀分布为:
步骤S12、对模型进行训练并更新初始参数得到预设模型。
步骤S100、采集人体行走的振动数据,并进行预处理。
这里是采集测试样本的振动数据,具体可参见训练样本的振动数据的采集。
所述步骤S100具体包括:
步骤S110、采用仿蝎子生物结构的行走姿态振动信息数据采集平台采集人体行走的振动数据,所述仿蝎子生物结构的行走姿态振动信息数据采集平台包括:加速度传感器阵列,所述加速度传感器阵列包括:8个加速度传感器,所述8个加速度传感器按蝎子的脚的位置分布并位于同一圆上,具体步骤可参见步骤S10a1。
步骤S120、对人体行走的振动数据进行分帧加窗处理得到第一数据,具体步骤可参见步骤S10a2。
步骤S130、通过最小二乘法去趋势项消除第一数据的零点漂移得到第二数据,具体步骤可参见步骤S10a3。
步骤S140、利用小波阈值去噪方法去除第二数据的噪声得到预处理的振动数据,具体步骤可参见步骤S10a4。
步骤S200、对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集,具体步骤可参见步骤S10b。
步骤S300、根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果。
将待识别的行走姿态振动数据包括1056组振动信号样本,对应的四种行走姿态振动数据的特征集为I1″、I2″、I3″及I4″。利用Viterbi算法对行走姿态振动数据进行分类,首先计算出测试样本与每种行走姿态的输出概率P(O|λ1)、P(O|λ2)、P(O|λ3)、P(O|λ4),然后由输出概率可以得到各个测试样本与四个模型λ1、λ2、λ3、λ4的相似度,最后利用基于最大似然函数的方法得到分类结果,即匹配到相似度最高的一类作为分类结果。表1为基于HMM的行走姿态振动信息识别结果。
表1基于HMM的行走姿态振动信息识别结果(四种行走姿态)
表1中“-”表示没有识别为该行走姿态的数据,也就是说,264个样本中没有该行走姿态。第1行中的“正常走、快走、跑、踏步”表示姿态识别,第1列中的“正常走、快走、跑、踏步”表示标签。
值得说明的是,基于蝎子对振动信息快速、精准定位的机理,能非接触、机械、隐蔽地对人体行走的振动信号进行分析,从而推断人体行走姿态,对人体行走姿态的识别具有快速、精准的效果。
在本发明的另一个较佳实施例中,为了进一步验证基于HMM的行走姿态振动信息识别方法的有效性,本发明采集了20名用户的五种行走姿态的混合型的振动数据,除了正常走、快走、跑和踏步信号之外,加入了跳信号。每个用户离采集中心点半径约3.5米处绕圈做动作,反复循环这五种行走姿态,直到1min振动数据采集结束。将五种行走姿态振动信号样本进行分帧加窗处理后得到82组正常走振动信号样本、76组快走振动信号样本、75组跑振动信号样本、69组踏步振动信号样本及65组跳振动信号样本。将这五种行走姿态振动信号样本进行去趋势项、小波阈值去噪等预处理;再提取振动信号数据的平均值、均方值、标准差、频域熵、小波包能量及利用蝎子3/1神经元构型获取振动信号的神经元脉冲数这六种特征,并将所有特征进行归一化;最后运用基于HMM的算法进行识别分类,得到识别结果如表2所示。
表2基于HMM的行走姿态振动信息识别结果(五种行走姿态)
基于上述方法,本发明还提供了一种基于蝎子定位的人体行走姿态振动信息识别系统的较佳实施例:
如图7所示,本发明实施例所述一种基于蝎子定位的人体行走姿态振动信息识别系统,包括包括:处理器10,以及与所述处理器10连接的存储器20,
所述存储器20存储有基于蝎子定位的人体行走姿态振动信息识别程序,所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器10执行时实现以下步骤:
采集人体行走的振动数据,并进行预处理;
对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集;
根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果。
所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器10执行时,还实现以下步骤:
根据训练样本的特征集确定行走姿态对应模型中的初始参数,所述初始参数为
其中,N表示状态集合总数,M表示观测集合总数,π表示概率分布,A表示隐藏状态间的转移概率矩阵,B表示状态序列到观测序列的概率矩阵;
对模型进行训练并更新初始参数得到预设模型。
所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器10执行时,还实现以下步骤:
根据训练样本的行走姿态确定状态集合总数;
将不同行走姿态的特征集合成数据集,并计算数据集中每个数据点的局部密度和数据点到具有更高局部密度的数据点之间的最小距离,根据局部密度和数据点到具有更高局部密度的数据点之间的最小距离选择聚类中心点并确定观测集合的总数;
将概率分布设置为均匀分布;
根据训练样本的振动数据的周期性设置隐藏状态间的转移概率矩阵;
将状态序列到观测序列的概率矩阵设置为均匀分布。
所述系统中,所述局部密度为:
dk>0
其中,ρu表示数据点u的局部密度,duv表示数据点u、数据点v之间的距离,dk表示截断距离,函数χ(x)为:
所述数据点到具有更高局部密度的数据点之间的最小距离为:
其中,ρv表示数据点v的局部密度。
所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器10执行时,还实现以下步骤:
采用仿蝎子生物结构的行走姿态振动信息数据采集平台采集人体行走的振动数据,所述仿蝎子生物结构的行走姿态振动信息数据采集平台包括:加速度传感器阵列,所述加速度传感器阵列包括:8个加速度传感器,所述8个加速度传感器按蝎子的脚的位置分布并位于同一圆上。
所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器10执行时,还实现以下步骤:
对人体行走的振动数据进行分帧加窗处理得到第一数据;
通过最小二乘法去趋势项消除第一数据的零点漂移得到第二数据;
利用小波阈值去噪方法去除第二数据的噪声得到预处理的振动数据。
所述系统中,所述特征包括:预处理数据的平均值、均方值、标准差、频域熵、小波包能量以及神经元脉冲数;所述神经元脉冲数采用蝎子神经元构型获取。
所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器10执行时,还实现以下步骤:
根据特征集计算出行走姿态的输出概率;
由行走姿态的输出概率得到与预设模型的相似度;
利用最大似然函数匹配到相似度最高的分类结果,输出分类结果。
所述系统中,所述行走姿态包括:正常走、快走、跑、踏步或跳中的一种或多种。
综上所述,本发明所提供的一种基于蝎子定位的人体行走姿态振动信息识别方法及系统,所述方法包括以下步骤:采集人体行走的振动数据,并进行预处理;对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集;根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果。基于蝎子对振动信息快速、精准定位的机理,能非接触、机械、隐蔽地对人体行走的振动信号进行分析,从而推断人体行走姿态,对人体行走姿态的识别具有快速、精准的效果。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于蝎子定位的人体行走姿态振动信息识别方法,其特征在于,包括以下步骤:
采集人体行走的振动数据,并进行预处理;
对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集;
根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果;
所述预设模型采用如下步骤获得:
根据训练样本的特征集确定行走姿态对应模型中的初始参数,所述初始参数为
其中,N表示状态集合总数,M表示观测集合总数,π表示概率分布,A表示隐藏状态间的转移概率矩阵,B表示状态序列到观测序列的概率矩阵;
对模型进行训练并更新初始参数得到预设模型;
所述根据训练样本的特征集确定行走姿态对应模型中的初始参数步骤具体包括:
根据训练样本的行走姿态确定状态集合总数;
将不同行走姿态的特征集合成数据集,并计算数据集中每个数据点的局部密度和数据点到具有更高局部密度的数据点之间的最小距离,根据局部密度和数据点到具有更高局部密度的数据点之间的最小距离选择聚类中心点并确定观测集合的总数;
将概率分布设置为均匀分布;
根据训练样本的振动数据的周期性设置隐藏状态间的转移概率矩阵;
将状态序列到观测序列的概率矩阵设置为均匀分布;
所述采集人体行走的振动数据步骤具体包括:
采用仿蝎子生物结构的行走姿态振动信息数据采集平台采集人体行走的振动数据,所述仿蝎子生物结构的行走姿态振动信息数据采集平台包括:加速度传感器阵列,所述加速度传感器阵列包括:8个加速度传感器,所述8个加速度传感器按蝎子的脚的位置分布并位于同一圆上。
3.根据权利要求1所述的基于蝎子定位的人体行走姿态振动信息识别方法,其特征在于,所述预处理步骤具体包括:
对人体行走的振动数据进行分帧加窗处理得到第一数据;
通过最小二乘法去趋势项消除第一数据的零点漂移得到第二数据;
利用小波阈值去噪方法去除第二数据的噪声得到预处理的振动数据。
4.根据权利要求3所述的基于蝎子定位的人体行走姿态振动信息识别方法,其特征在于,所述特征包括:预处理数据的平均值、均方值、标准差、频域熵、小波包能量以及神经元脉冲数;所述神经元脉冲数采用蝎子3/1神经元构型获取。
5.根据权利要求1所述的基于蝎子定位的人体行走姿态振动信息识别方法,其特征在于,所述根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果步骤具体包括:
根据特征集计算出行走姿态的输出概率;
由行走姿态的输出概率得到与预设模型的相似度;
利用最大似然函数匹配到相似度最高的分类结果,输出分类结果。
6.根据权利要求1所述的基于蝎子定位的人体行走姿态振动信息识别方法,其特征在于,所述行走姿态包括:正常走、快走、跑、踏步或跳中的一种或多种。
7.一种基于蝎子定位的人体行走姿态振动信息识别系统,其特征在于,包括:处理器,以及与所述处理器连接的存储器,
所述存储器存储有基于蝎子定位的人体行走姿态振动信息识别程序,所述基于蝎子定位的人体行走姿态振动信息识别程序被所述处理器执行时实现以下步骤:
采集人体行走的振动数据,并进行预处理;
对预处理的振动数据进行特征提取,并将提取的特征进行归一化得到特征集;
根据特征集计算行走姿态的输出概率后在预设模型中匹配并输出相似度最高的分类结果;
所述预设模型采用如下步骤获得:
根据训练样本的特征集确定行走姿态对应模型中的初始参数,所述初始参数为
其中,N表示状态集合总数,M表示观测集合总数,π表示概率分布,A表示隐藏状态间的转移概率矩阵,B表示状态序列到观测序列的概率矩阵;
对模型进行训练并更新初始参数得到预设模型;
所述根据训练样本的特征集确定行走姿态对应模型中的初始参数步骤具体包括:
根据训练样本的行走姿态确定状态集合总数;
将不同行走姿态的特征集合成数据集,并计算数据集中每个数据点的局部密度和数据点到具有更高局部密度的数据点之间的最小距离,根据局部密度和数据点到具有更高局部密度的数据点之间的最小距离选择聚类中心点并确定观测集合的总数;
将概率分布设置为均匀分布;
根据训练样本的振动数据的周期性设置隐藏状态间的转移概率矩阵;
将状态序列到观测序列的概率矩阵设置为均匀分布;
所述采集人体行走的振动数据步骤具体包括:
采用仿蝎子生物结构的行走姿态振动信息数据采集平台采集人体行走的振动数据,所述仿蝎子生物结构的行走姿态振动信息数据采集平台包括:加速度传感器阵列,所述加速度传感器阵列包括:8个加速度传感器,所述8个加速度传感器按蝎子的脚的位置分布并位于同一圆上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910521435.3A CN110245707B (zh) | 2019-06-17 | 2019-06-17 | 基于蝎子定位的人体行走姿态振动信息识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910521435.3A CN110245707B (zh) | 2019-06-17 | 2019-06-17 | 基于蝎子定位的人体行走姿态振动信息识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245707A CN110245707A (zh) | 2019-09-17 |
CN110245707B true CN110245707B (zh) | 2022-11-11 |
Family
ID=67887594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910521435.3A Active CN110245707B (zh) | 2019-06-17 | 2019-06-17 | 基于蝎子定位的人体行走姿态振动信息识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245707B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079859B (zh) * | 2019-12-31 | 2020-12-04 | 哈尔滨工程大学 | 一种无源多站多目标测向交叉定位与虚假点去除方法 |
CN113239970A (zh) * | 2021-04-16 | 2021-08-10 | 首钢集团有限公司 | 一种模型训练方法、设备振动异常检测方法和装置 |
CN113137983B (zh) * | 2021-04-30 | 2023-08-22 | 深圳市恒星物联科技有限公司 | 一种自学习的井盖姿态监测方法及监测系统 |
CN113483885B (zh) * | 2021-07-06 | 2022-05-31 | 吉林大学 | 一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471589A (zh) * | 2013-09-25 | 2013-12-25 | 武汉大学 | 一种室内行人行走模式识别和轨迹追踪的方法 |
CN103731892A (zh) * | 2014-01-08 | 2014-04-16 | 浙江工商大学 | 基于hmm的小区切换决策算法及装置 |
CN104021573A (zh) * | 2014-06-13 | 2014-09-03 | 哈尔滨工程大学 | 一种基于关节姿态角的人体动作分类识别方法 |
CN105184325A (zh) * | 2015-09-23 | 2015-12-23 | 歌尔声学股份有限公司 | 一种人体动作识别方法和移动智能终端 |
CN105607041A (zh) * | 2015-09-22 | 2016-05-25 | 吉林大学 | 基于仿生沙蝎定位功能的脉冲定位模型 |
CN108549856A (zh) * | 2018-04-02 | 2018-09-18 | 上海理工大学 | 一种人体动作和路况识别方法 |
CN109342998A (zh) * | 2018-12-06 | 2019-02-15 | 吉林大学 | 一种基于仿生学的位置指纹室内定位系统及方法 |
-
2019
- 2019-06-17 CN CN201910521435.3A patent/CN110245707B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471589A (zh) * | 2013-09-25 | 2013-12-25 | 武汉大学 | 一种室内行人行走模式识别和轨迹追踪的方法 |
CN103731892A (zh) * | 2014-01-08 | 2014-04-16 | 浙江工商大学 | 基于hmm的小区切换决策算法及装置 |
CN104021573A (zh) * | 2014-06-13 | 2014-09-03 | 哈尔滨工程大学 | 一种基于关节姿态角的人体动作分类识别方法 |
CN105607041A (zh) * | 2015-09-22 | 2016-05-25 | 吉林大学 | 基于仿生沙蝎定位功能的脉冲定位模型 |
CN105184325A (zh) * | 2015-09-23 | 2015-12-23 | 歌尔声学股份有限公司 | 一种人体动作识别方法和移动智能终端 |
CN108549856A (zh) * | 2018-04-02 | 2018-09-18 | 上海理工大学 | 一种人体动作和路况识别方法 |
CN109342998A (zh) * | 2018-12-06 | 2019-02-15 | 吉林大学 | 一种基于仿生学的位置指纹室内定位系统及方法 |
Non-Patent Citations (6)
Title |
---|
Accurate detection of sitting posture activities in a secure IoT based assisted living environment;Tariq M等;《Future Generation Computer Systems》;20190331;第92卷;第745-757页 * |
Clustering by fast search and find of density peaks;Rodriguez A等;《science》;20141231;第344卷(第6191期);第1492-1496页 * |
Micro/nano-scale characterization and fatigue fracture resistance of mechanoreceptor with crack-shaped slit arrays in scorpion;Wang K等;《Journal of Bionic Engineering》;20190522;第16卷(第3期);第410-422页 * |
一种基于加速度传感器的人体跌倒识别方法;卢先领等;《计算机应用研究》;20131231;第30卷(第4期);第1109-1111页 * |
仿蝎子振源定位机理的位置指纹室内定位方法;刘富等;《吉林大学学报(工学版)》;20190110;第1-8页 * |
基于振动特征的室内人员定位及行走姿态识别;权美静;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20191215(第12期);第I140-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110245707A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245707B (zh) | 基于蝎子定位的人体行走姿态振动信息识别方法及系统 | |
US10061389B2 (en) | Gesture recognition system and gesture recognition method | |
Jalal et al. | Development of a life logging system via depth imaging-based human activity recognition for smart homes | |
CN110334573B (zh) | 一种基于密集连接卷积神经网络的人体运动状态判别方法 | |
CN108171278B (zh) | 一种基于运动训练数据的运动模式识别方法和系统 | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN113033657A (zh) | 一种基于Transformer网络的多人行为识别方法 | |
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 | |
Dasgupta et al. | Acceleration gait measures as proxies for motor skill of walking: A narrative review | |
CN109977768A (zh) | 一种闭环反馈式动物行为分析系统、方法及装置 | |
CN113397494A (zh) | 动物体征监测装置和方法及智能可穿戴装置 | |
Jazouli et al. | Automatic detection of stereotyped movements in autistic children using the Kinect sensor | |
CN114255508A (zh) | 一种基于OpenPose的学生体态检测分析及效率评估方法 | |
CN109934179B (zh) | 基于自动特征选择和集成学习算法的人体动作识别方法 | |
CN111603172A (zh) | 一种基于激光雷达的通用步态测量方法及系统 | |
CN114550299A (zh) | 基于视频的老年人日常生活活动能力评估系统和方法 | |
Zhen et al. | Hybrid deep-learning framework based on Gaussian fusion of multiple spatiotemporal networks for walking gait phase recognition | |
Ning et al. | Fall detection algorithm based on gradient boosting decision tree | |
CN110909621A (zh) | 一种基于视觉的健身指导系统 | |
CN108064745A (zh) | 动物嚎叫监测系统以及基于机器学习的嚎叫状态识别方法 | |
CN113768471A (zh) | 一种基于步态分析的帕金森疾病辅助诊断系统 | |
CN113974612A (zh) | 一种卒中患者上肢运动功能自动化评估方法与系统 | |
CN108065938A (zh) | 动物活动监测系统以及基于神经网络的活动状态识别方法 | |
CN109034093A (zh) | 一种快速动态手语识别算法的设计与实现 | |
CN105046193B (zh) | 一种基于融合稀疏表示矩阵的人体动作识别方法 |
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 |