CN111089604A - 基于可穿戴传感器的健身运动识别方法 - Google Patents

Abstract

本发明公开了一种基于可穿戴传感器的健身运动识别方法，具体包括如下步骤：步骤1，获取健身运动过程中的惯性传感信号并进行预处理；步骤2，对步骤1预处理后的信号进行窗口分割；步骤3，对步骤2分割后的信号进行特征提取；步骤4，对步骤3提取的特征数据进行归一化处理；步骤5，对步骤4处理后特征进行特征降维；步骤6，对经步骤5处理后的特征进行识别。本发明利用个人在健身运动的过程中，集成在可穿戴设备中的运动传感器采集到的加速度和角速度信号，提取运动信息，从而实现对健身运动的识别。

Description

基于可穿戴传感器的健身运动识别方法

技术领域

本发明属于计算机技术与应用技术领域，涉及一种基于可穿戴传感器的健身运动识别方法。

背景技术

传统的人体行为识别技术主要有两种，一是通过录像、拍照的方式获取人体行为的视频、图像数据，二是通过基于环境传感器的方式来获取数据，三是通过可穿戴设备来获取数据。基于视频设备的人体行为识别方法通过获取人体运动的的图像信息，对其图像序列进行分析从而实现人体行为识别。但在实际的运用中，获取目标视频信息需要视频采集设备，而这类设备通常体积较大、位置固定、功耗较高、计算量大，同时抗干扰能力差，可能会存在无法预料的环境因素对数据造成干扰，导致其只适用了固定的场合，无法适应长时持续性的人体行为记录。

基于环境传感器的方式来获取数据，则是将传感器集成到运动设备上，目前有的厂家推出相类似的设备，使用者在使用设备时，通过二维码扫码，激活传感器记录数据，并将运动的信息发送到使用者手机里。

近年来，随着微电子机械制造行业技术的进步，各种类型的传感器，诸如加速度计、陀螺仪、磁力计等，能够采集个人运动的信息，同时具备良好的便携性，具有低功耗、抗环境干扰等功能，成为了实现长时间连续性记录人体行为信息的首选。

人体行为识别(Human Activity Recognition，HAR)的研究可以分为三种主要的方法：基于机器视觉、基于环境传感器的行为识别、基于可穿戴传感器的行为识别。

基于机器视觉：在人体行为识别的早期研究中，大多使用的都是基于机器视觉的方法。通常这些系统采用一个或多个摄像设备对人体进行检测，在获得视频信息后，通过这些信息序列，提取人的身体信息，并采用机器学习或模型推理识别出人体模型的动作。然而，这一方法在实际使用中容易收到环境因素的干扰，并且场景固定、设备昂贵、安全性不足这一系列问题。

基于环境传感器：基于环境传感器一般可以应用于固定场景的环境中，如家庭、健身房这些场景。通常，在一些物体上放置传感器，当用户使用到这些传感器的时候，传感器被激活，从而实现记录用户行为行为信息。尽管基于环境传感器的方法在一些场景得到了使用，但是这样的系统布置仍需要大量的传感器，设备的费用相对于普通的设备费用高昂，并且因为需要通电或内置电源，有一定的安全隐患，并且无法监测到使用者的户外行为，并且比较难区分出具体的用户。

基于可穿戴传感器的行为识别：移动可穿戴传感设备通过佩戴在人体躯体上的传感器节点，可以在任意时间监测用户在室内、外的行为活动。其次，因为传感器设备是自己独立拥有的，所以不用担心隐私泄漏的问题，并且可穿戴传感器可以集成许多种元件用来收集不同的信号，通过这些信号可以分析人体不同的肢体动作和对身体的健康状况同步进行检测。

中国专利(名称：基于多源数据融合的健身运动识别方法及系统，申请号:CN201710525603.7)公开了一种基于多源数据融合的健身运动识别方法及系统，它在数据源的获取上需要融合基于环境传感器(如健身器械)上的数据，虽然在一定程度上能提高识别的准确性，但越多的动作需要的能收集数据的器械也越多，费用昂贵，适用性不够好。

中国专利(名称：一种基于智能移动设备传感器的用户行为识别方法，申请号：CN201910347816.4)公开了一种基于智能移动设备传感器的用户行为识别方法，该方法在获得了加速度和角速度数据后，将其图像化后按照图像处理的方式进行处理，但是其识别的动作较为简单，不足以支撑当下的现实需求。

中国专利(名称：基于卷积神经网络和循环神经网络的人体行为识别方法，申请号：CN201910580116.X)公开了一种基于卷积神经网络和循环神经网络的人体行为识别方法，该方法收集的数据除了传感器的数据外，还收集了场景的RGB视频，在采集时很容易收到光照，障碍物等影响，需要较为理想化的环境收集数据。

发明内容

本发明的目的是提供一种基于可穿戴传感器的健身运动识别方法，该方法利用个人在健身运动的过程中，集成在可穿戴设备中的运动传感器采集到的加速度和角速度信号，提取运动信息，从而实现对健身运动的识别。

本发明所采用的技术方案是，基于可穿戴传感器的健身运动识别方法，具体包括如下步骤：

步骤1，获取健身运动过程中的惯性传感信号并进行预处理；

步骤2，对步骤1预处理后的信号进行窗口分割；

步骤3，对步骤2分割后的信号进行特征提取；

步骤4，对步骤3提取的特征数据进行归一化处理；

步骤5，对步骤4处理后特征进行特征降维；

步骤6，对经步骤5处理后的特征进行识别。

本发明的特征还在于：

步骤1中健身运动信号的获取过程为：利用可穿戴设备中内置的加速度计和陀螺仪来获取健身运动的加速度信号和角速度信号；

信号预处理的过程为：对采集到的加速度信号和角速度信号进行线性插值和去燥处理。

步骤2的具体过程为：所述窗口分割方法包括基于滑动窗口的分割、基于事件定义的窗口分割和基于动作定义的窗口分割。

步骤2中每个窗口有50％信息的重叠。

步骤3中的特征包括最大值、最小值、均值、方差、偏度、峰度、离散傅里叶变换频谱图的最大峰值和能量；

各特征的具体计算公式如下：

S_max＝max(s) (3)；

S_min＝min(s) (4)；

其中μ表示均值、σ²表示方差、S_max表示向量中的最大值、S_min表示向量中的最小值、ske表示偏度、kur表示峰度、S_DFT(k)表示离散傅里叶变换的第k个元素的峰值、E表示能量。

步骤4的具体过程如下：将提取的特征组成特征向量，将向量归一化到[0,1]区间，用于分类器的训练；

根据如下公式(9)对数据进行归一化处理：

步骤5中采用主成分分析法进行降维。

步骤6中采用基于神经网络的分层方法对人在健身房运动的行为进行识别。

本发明的有益效果是：本发明基于可穿戴传感器的健身运动识别方法，利用可穿戴传感器内集成的加速度计和陀螺仪分别采集人体在健身运动时的加速度信号、角速度信号。通过对加速度、角速度信号进行预处理、窗口分割、特征提取，对提取的特征进行降维处理、分类建模等实现对健身运动的识别。

附图说明

图1是本发明基于可穿戴传感器的健身运动识别方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于可穿戴传感器的健身运动识别方法，如图1所示，具体包括如下步骤：

步骤1，获取健身运动过程中的惯性传感信号并进行预处理；

利用可穿戴设备中内置的加速度计和陀螺仪来获取健身运动的加速度(Acc)信号和角速度(Gyro)信号，对采集到的数据信号分别进行线性插值和去噪。

线性插值：由于可穿戴设备中内置的加速度传感器比独立加速度传感器性能较差，采样时钟不稳定，导致相邻的连续加速度采样点之间的时间间隔不相等，为解决这一问题，采用线性插值的方法来确保两样本点之间的时间间隔是固定的。

去除噪音：加速度计和陀螺仪捕获的运动信号含有大量的噪声，这可能是由于传感器位置不固定、健身时动作复位和克服重量做功时身体的抖动造成的。移动平均滤波器是一个低通滤波器，可以有效地减少随机干扰的影响，因此本发明提出了5阶移动平均滤波算法来消除噪声，降低由采集环境带来的信号噪声。

步骤2，对步骤1预处理后的信号进行窗口分割；对预处理后的数据流进行滑动窗口分割技术进行处理，窗口长度设为2秒，并且每个窗口有50％信息的重叠。

对于传感器数据流，在动作识别前需要将其划分为一个个小的时间窗口。常用的分割技术主要包括基于滑动窗口的分割、基于事件定义的窗口分割和基于动作定义的窗口分割等三种方法。

基于事件定义的窗口分割是按照不同的事件对数据流进行划分，每个窗口的起点和终点分别代表一个事件的开始和结束。该方法需要借助相关算法确定事件的起点和终点，因此，在动作识别中很少被使用。

基于动作定义的窗口分割是根据不同的动作类型，将数据流划分为不同时间长度的窗口，每个窗口代表一个动作。该方法主要是根据不同动作信号间的差异来进行分割，难以应用到实时动作识别系统中。

滑动窗口分割技术是指采用固定长度的窗口对数据流进行分割。在不同的人体动作识别研究中，窗口的长度被设置为1秒、3秒、6秒、12秒等，相邻窗口的数据可以部分重叠或完全不相交，数据重叠的目的是为了更准确地处理动作之间的转换。

本发明采用滑动窗口分割技术进行处理，窗口长度设置为2秒，相邻的窗口间存在50％信号的交叠，可以有效避免信息的丢失。

步骤3，对步骤2分割后的信号进行特征提取；

特征的提取分为两个部分：底层(脚踝、大腿)、顶层(腰、手腕、手臂)。健身运动中下身的动作较少，大致可为分别坐姿、站立、运动三个状态，因此提取底层的均值、方差和能量作为特征。相对地，上半身的动作较为复杂、相似，因此需提取较多的特征，最终选择最大值、最小值、均值、方差、偏度、峰度、离散傅里叶变换频谱图的5个最大峰值和能量等作为特征。

对于每一个时间窗口，它所包含的数据都可以用一个N*1维的向量S＝[S₁,S₂,…,S_N]^T来表示。本发明对数据特征的提取包括时域和频域特征两部分。时域特征有最大值、最小值、均值、方差、偏度和峰度；频域特征选取的主要是离散傅里叶变换谱图的5个最大峰值和能量。

各特征的计算公式如下：

S_max＝max(s) (3)；

S_min＝min(s) (4)；

其中μ表示均值、σ²表示方差、S_max表示向量中的最大值、S_min表示向量中的最小值、ske表示偏度、kur表示峰度、S_DFT(k)表示离散傅里叶变换(Discrete Fourier Transform,DFT)的第k个元素的峰值，E表示能量。

步骤4，对步骤3提取的特征数据进行归一化处理；

将提取的特征组成特征向量，通过公式将向量归一化到[0,1]区间，用于分类器的训练。

不同的评价指标(即特征向量中的不同特征就是所述的不同评价指标)往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。

本发明为了消除奇异样本数据导致的不良影响，为了提升模型的收敛速度和模型的精度，使用归一化处理数据，让其被限定在[0,1]范围内。公式如下：

步骤5，对步骤4处理后特征进行特征降维；

在顶层因为选取的特征较多，组成的特征向量维度高，因此需要对特征进行降维；

在基于可穿戴传感器数据的人体动作识别中，当提取的特征数量过多时，直接对高维特征进行分类会遇到许多问题，包括会产生大量的计算、数据不够直观以及数据可视性较差等。而在特征集合中，这些特征之间有些是相互关联的，并且在一定程度上存在着信息的重叠。为防止计算量过大，本发明将上述述取得的特征向量使用主成分分析方法(PCA)降维。

步骤6，对经步骤5处理后的特征进行识别。

在获得所提取的特征向量后，使用前馈反向(Back propagation，BP)神经网络对样本进行训练和分类。在系统的底层，提取脚踝和大腿节点数据的特征(均值、方差、能量)，只训练一个BP神经网络来分类四种下身状态，这样可以将不同的并发动作分为四组，有效降低决策边界的复杂度。在系统的顶层，提取手腕、手臂和腰部节点的数据的特征(12个特征)并进行降维，并对应不同的下肢状态设计顶层的神经网络，来识别上身动作，并推断出最终的健身动作。

本发明采用基于神经网络的分层方法对人在健身房运动的行为进行识别。在对数据进行了降维处理，归一化处理之后，为了验证分层处理的有效性，本发明也采用几种常用的分类技术，通过结合分层、单层的方法进行比较，包括最小二乘法、朴素贝叶斯和K近邻方法(k＝1)。

本发明基于可穿戴传感器的健身运动识别方法的特点为，利用可穿戴传感器内集成的加速度计和陀螺仪分别采集人体在健身运动时的加速度信号、角速度信号。通过对加速度、角速度信号进行预处理、窗口分割、特征提取，对提取的特征进行降维处理、分类建模等实现对健身运动的识别。主要内容包括：提出了一种有效的固定长度的滑动窗口分割方法对传感器数据流进行划分，窗口长度为2秒，且相邻窗口存在50％的信号叠加，可以有效避免信息的丢失；提出一种有效的基于神经网络的分层识别方法，实现了对人在健身中上身和下身并发动作的识别；提出了一种有效的特征提取方法，根据分层的不同选取不同的运动周期的时域和频域特征，可以更好地反映运行时的特性；最后利用几种常见的分类技术包括最小二乘法、朴素贝叶斯和k近邻算法测试比较，并总结出用于健身运动识别最有效的方法。

Claims (8)

1.基于可穿戴传感器的健身运动识别方法，其特征在于：具体包括如下步骤：

步骤1，获取健身运动过程中的惯性传感信号并进行预处理；

步骤2，对步骤1预处理后的信号进行窗口分割；

步骤3，对步骤2分割后的信号进行特征提取；

步骤4，对步骤3提取的特征数据进行归一化处理；

步骤5，对步骤4处理后特征进行特征降维；

步骤6，对经步骤5处理后的特征进行识别。

2.根据权利要求1所述的基于可穿戴传感器的健身运动识别方法，其特征在于：所述步骤1中健身运动信号的获取过程为：利用可穿戴设备中内置的加速度计和陀螺仪来获取健身运动的加速度信号和角速度信号；

信号预处理的过程为：对采集到的加速度信号和角速度信号进行线性插值和去燥处理。

3.根据权利要求2所述的基于可穿戴传感器的健身运动识别方法，其特征在于：所述步骤2的具体过程为：所述窗口分割方法包括基于滑动窗口的分割、基于事件定义的窗口分割和基于动作定义的窗口分割。

4.根据权利要求2所述的基于可穿戴传感器的健身运动识别方法，其特征在于：所述步骤2中每个窗口有50％信息的重叠。

5.根据权利要求1所述的基于可穿戴传感器的健身运动识别方法，其特征在于：所述步骤3中的特征包括最大值、最小值、均值、方差、偏度、峰度、离散傅里叶变换频谱图的最大峰值和能量；

各特征的具体计算公式如下：

S_max＝max(s) (3)；

S_min＝min(s) (4)；

其中μ表示均值、σ²表示方差、S_max表示向量中的最大值、S_min表示向量中的最小值、ske表示偏度、kur表示峰度、S_DFT(k)表示离散傅里叶变换的第k个元素的峰值、E表示能量。

6.根据权利要求1所述的基于可穿戴传感器的健身运动识别方法，其特征在于：所述步骤4的具体过程如下：将提取的特征组成特征向量，将向量归一化到[0,1]区间，用于分类器的训练；

根据如下公式(9)对数据进行归一化处理：

7.根据权利要求1所述的基于可穿戴传感器的健身运动识别方法，其特征在于：所述步骤5中采用主成分分析法进行降维。

8.根据权利要求1所述的基于可穿戴传感器的健身运动识别方法，其特征在于：所述步骤6中采用基于神经网络的分层方法对人在健身房运动的行为进行识别。

Images