CN111259956A - 一种基于惯性传感器的人员非常规行为快速识别方法 - Google Patents

Abstract

本发明请求保护一种基于惯性传感器的人员非常规行为快速识别方法，属于模式识别领域。该方法在行人腰部安装单兵定位模块，其内置陀螺仪、加速度计等传感器件，利用加速度计测量人员腰部实时的X、Y、Z三个轴向的加速度信息。计算加速度时域特征参数之后，采用主成分分析(PCA:principal components analysis)对时域特征矩阵进行降维，最后将降维压缩得到的时域特征矩阵投入K最邻近(KNN:k‑NearestNeighbor)分类器，达到行为模式识别的效果。本发明针对特殊应用场景下的非常规行为可以实时的进行测量和解算，可以提升解算效率，快速的取得模式识别结果。

Description

一种基于惯性传感器的人员非常规行为快速识别方法

技术领域

本发明属于模式识别领域，具体是一种基于惯性传感器的人员非常规行为快速识别方法。

背景技术

随着MEMS(Micro-Electro-Mechanical Systems)技术的不断发展与成熟，成本低、体积小、灵敏度高的MEMS传感器开始广泛地应用于竞技体育、健康检测、医学研究和行人导航等领域，近年来，也被应用在一些消防应急救援工作中。加速度传感器可以通过测量获取三个轴向上的加速度原始数据，根据加速度传感器信号和分类算法可以推测人体的行为模式。利用加速度传感器实现行为识别是模式识别领域内一个新兴的研究方向，具有广泛的应用前景。

加速度时域特征是人员行为模式识别中极其重要的部分，所以特征值的选择和提取会严重的影响最终识别结果的精确度。近年来有许多学者提出一些新的模式识别的应用方案，He等利用支持向量机和加速度信号的自回归模型的系数进行分类，发现虽然频域特性优于时域特性，但是像常用的FFT(Fast Fourier Transformation)频域特征需要大量的计算。党小超等将高斯径向基核函数加权的K邻近算法(RBF)和KNN(K-Nearest Neighbor)算法组合的方案引入室内定位研究领域，该方法在一定误差内，精度优于其他对比算法，但依然无法解决高维特征向量的准确选取和分类计算过于复杂的问题。郭新辰等在文本数据分类领域也有所突破，在对文本进行分类之前，采用特征工程对多维特征向量进行前期裁剪来达到减少特征向量的维度，降低计算的复杂度的目的。但在行为模式识别领域因惯性传感器采集的原始数据具有多种关联度较高且复杂的时域特征而导致该算法的应用受限，使得计算复杂度上升且准确度反而下降。

发明内容

本发明旨在解决现有技术中行为模式识别方法复杂，识别精度较低的问题。采用MEMS陀螺仪和加速度计等惯性器件，结合主成分分析PCA算法，以及KNN分类算法、实现人员多种行为模式的区分分类。提出了一种基于惯性传感器的人员非常规行为快速识别方法。本发明的技术方案如下：

一种基于惯性传感器的人员非常规行为快速识别方法，其包括以下步骤：

步骤1，根据人体的运动状态特点，将其划分为6种运动状态；前进、后退、左横向移动、右横向移动、低姿行走、匍匐前进；

步骤2，采集固定于躯干部分的加速度计X、Y、Z三个轴向的原始数据，并对原始数据进行均值滤波处理；

步骤3，提取步骤2所采集的经过均值滤波后的加速度信号的时域特征参数，时域特征参数包括方差、互相关系数、Hjorth参数中间变量、极差和四分位距，每一种分类动作包含5维的特征向量，需要识别的6种动作共包含30维的特征向量；

步骤4，对步骤3所提取的加速度计5种时域特征进行数据降维的方法将特征向量从30维降到14维；

步骤5，根据步骤4所得的14维特征向量，使用KNN分类算法对人员行为模式进行分类识别。

进一步的，所述步骤2是通过使用内置加速度计的单兵定位模块来实现原始数据采集的，设置采样频率为50Hz，固定于腰部，根据步骤1所列举的6种运动状态，针对每一种动作分别采集三轴加速度计数据A_x、A_y、A_z，每个轴向各500个稳定的数据点，采集加速度信号的时间为15-20s的范围，再从中截取 500个数据点长度的稳定连续加速度数据区间即可，因此每一组动作可以得到由 500×3矩阵构成，针对由500×1的矩阵组成的每列数据采用均值滤波处理突跳点，均值滤波模型如下：

其中，设置n＝50为均值滤波滑动窗口长度，x_i为第i个数据点。

进一步的，步骤3所述的选取的5种加速度时域判定特征的计算方法为：

先根据数据预处理后的三轴加速度计的输出值求出方差Var，如公式所示。

在公式中，A为三轴加速度的合加速度；a_x、a_y、a_z分别为加速度计三轴数据；

在公式(3)中，Var为方差；

为合加速度计样本n次观测值的平均数；

求出互相关系数，如公式(4)所示：

C_xyz＝cov(x,y,z)/(σ_xσ_yσ_z) (4)

在公式中，cov(x,y,z)为x,y,z轴加速度的协方差矩阵；σ_x,σ_y,σ_z为x,y,z轴加速度的标准差；

求出Hjorth参数中间变量，如公式(5)所示：

式中，d_i＝α_i-a_i-1；N表示加速度信号的观测值，α_i表示第i个加速度信号的观测值，d_i表示相邻的加速度信号观测值的差值也就是d_i＝α_i-a_i-1，M₄表示Hjorth参数中间变量。

求出极差，极差为滑动时间窗内数据极大值与极小值的差值，如公式所示；

式中，i＝X、Y、Z，M_ai为滑动时间窗内加速度第i轴向的极差，R为加速度计量程；

根据公式可以计算得到四分位距：

IQR＝Q₃-Q₁ (8)

式中：IQR为四分位间距；Q1为第一四分位数；Q3为第三四分位数；经过均值滤波后的加速度数据α_i,i＝1,2,…,N，对其从大到小进行排序得到b_i。四分位数的位置为

为分位个数，k_j为P_j整数部分，r_j为小数部分。

根据以上算法可以计算得到5种加速度计时域特征值,每种动作可以得到 500×5的特征值矩阵。

进一步的，所述步骤4对加速度计时域特征向量进行PCA降维处理，使其从30维降至14维，具体的解算过程如下：

1)特征向量进行归一化和缩放

数据归一化的公式为：

其中，

是指i个样本的第j个特征的值，μ_j表示的是第j个特征的均值；

数据归一化再缩放的公式为：

其中，

是指i个样本的第j个特征的值，μ_j表示的是第j个特征的均值，s_j表示第j个特征的范围，即

2)计算协方差矩阵的特征向量

针对预处理后的矩阵X，先计算其协方差矩阵：

接着通过奇异值分解来计算协方差矩阵的特征向量：

其中，svd是奇异值分解运算，矩阵U是个n×n的矩阵，如果选择U的列作为向量，那么将得到n个列向量u⁽¹⁾,u⁽²⁾,…,u⁽ⁿ⁾，这些向量就是协方差矩阵的特征向量；

3)数据降维

得到特征矩阵后，即对数据进行降维处理，假设降维前的值为x⁽ⁱ⁾，降维后为z⁽ⁱ⁾，那么：

其中，U_reduce＝[u⁽¹⁾,u⁽²⁾,…,u^(k)]，选取自矩阵U的前k个向量，U_reduce称为主成分特征矩阵，它是数据降维的关键中间变量。

进一步的，所述步骤5利用KNN分类算法主要包括：根据向量空间模型，把加速度传感器时域特征值转化为特征空间中的加权特征向量，计算待测试样本与训练集中每个样本之间的距离，对计算出的欧式距离从小到大进行排序，找出测试文件的k个最近的邻居，并对这k个邻居的类别判定频率进行统计，把测试样本划分到频率最高的一类中去；

KNN分类算法中，欧式距离算法二维空间公式为：

欧式距离算法三维空间公式为：

其中ρ为点(x₂,y₂)与(x₁,y₁)之间的欧氏距离，|X|为点(x₂,y₂)到原点的欧氏距离。

本发明的优点及有益效果如下：

本发明采用低成本、低功耗、轻质量的MEMS惯性传感器，无需外界布点，易于普及推广。

算法流程操作简单，无需耗费处理器太多资源。

本发明能够在降低算法复杂度，提升了运算效率，查准率、查全率的前提下，保证较高的识别精度。对人体运动的研究，以及行人导航、竞技体育等领域有较强的工程价值。

1.自主性好：该方法仅利用部署在腰间的单惯性传感节点进行非常规行为识别，不依赖于其他任何辅助设备，自主性好。

2.鲁棒性好：本方法能够在降低算法复杂度，提升了运算效率，查准率、查全率的前提下，保证较高的识别精度。

3.实时性好：本方法通过主成分分析对加速度时域特征向量集进行降维，达到降低模式识别分类的计算复杂度，提升了运算效率，使得方法的解算时间大大减少。

附图说明

图1是滤波后的人员运动时期加速度计三轴波形图。

图2整体方案示意图。

图3本方案流程图。

图4前进姿态示意图。

图5后退姿态示意图。

图6向右移动姿态示意图。

图7向左移动姿态示意图。

图8匍匐前进姿态示意图。

图9低姿行走姿态示意图。

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明方法包括以下步骤：1.根据应急救援以及工业现场普遍存在的几种人员非常规行为特征，确定需要研究的6种最主要的运动状态(前进、后退、左横向移动、右横向移动、低姿行走、匍匐前进)；2.通过固定于腰间的内置加速度传感器的单兵定位模块采集人体的加速度信息并进行均值滤波数据预处理； 3.根据加速度信息计算提取出多种加速度的时域特征参数，组成高维特征向量矩阵；4.通过主成分分析(PCA)的数据压缩方法将加速度时域特征矩阵从30维降至 14维；5.使用KNN机器学习算法，将这6种人员非常规行为动作所对应降维后的特征向量集通过聚类方法搜索到样本点，构成训练样本簇。常见的距离计算方式有欧氏距离、曼哈顿距离等，本文所采用的为欧式距离算法进行解算。确定K值，计算待分类样本点与最临近的K个近邻点之间的欧氏距离，将待分类动作归为这K个近邻中的多数所属的类别，完成动作分类的效果。本发明针对应急救援以及工业现场中出现频度最高的动作作为研究对象，能够在降低算法复杂度，提升了运算效率，查准率、查全率的前提下，快速的完成行为识别的效果并保证较高的识别精度。对人体运动的研究，以及行人导航、竞技体育等领域有较强的工程价值。

本发明公开了一种基于惯性传感器的人员非常规行为快速识别方法，技术方案流程图如图2所示，主要包括以下步骤：

步骤一：获取加速度计原始数据并进行预处理

采用单兵定位装置的佩戴方式，固定于腰间位置所在处。

使用内置加速度计的单兵定位装置，设置采样频率为50Hz，固定于腰部。根据步骤1所列举的6种运动状态，针对每一种动作分别采集三轴加速度计数据a_x、a_y、a_z，每个轴向各500个稳定的数据点。由于50Hz×10s＝500，所以采集加速度信号时，采集时间为15-20s的范围较为合适，再从中截取500个数据点长度的稳定连续加速度数据区间即可，因此每一组动作可以得到由500×3矩阵构成。针对由500×1的矩阵组成的每列数据采用均值滤波处理突跳点，均值滤波模型如下：

其中，设置n＝50为均值滤波滑动窗口长度，x_i为第i个数据点。

步骤二：计算获取加速度时域特征值

先采集固定于人腰部的三轴加速度计的输出值，并求出方差Var，如公式(2) (3)所示。

在公式(1)中，A为三轴加速度的合加速度；a_x、a_y、a_z分别为加速度计三轴数据。

在公式(2)中，Var为方差；

为样本n次观测值的平均数。

求出互相关系数，如公式(4)所示。

C_xyz＝cov(x,y,z)/(σ_xσ_yσ_z) (4)

在公式(3)中，cov(x,y,z)为x，y，z轴加速度的协方差；σ_x，σ_y，σ_z为 x，y，z轴加速度的标准差。

求出Hjorth参数中间变量，如公式(5)所示。

式中，d_i＝α_i-a_i-1。

根据公式(6)(7)可以计算得到四分位距：

IQR＝Q₃-Q₁ (7)

式中：IQR为四分位间距；Q1为第一四分位数；Q3为第三四分位数。

根据公式(2)到公式(7)可以计算得到我们想要的加速度计时域特征值。

步骤三：主成分分析算法解算

主成分分析法是通过构造原变量的线性组合来得到维数较少且互不相关的新变量，求解过程如下：设(X₁,X₂…X_n)是总体X的n个样本，每个样本对应m 维变量，对应矩阵为：

首先需要求出上述矩阵的协方差矩阵，为了减少变量间量纲差异引起的较大误差，根据公式

将协方差阵化为相关系数阵；然后，求出相关系数阵的特征值λ₁≥λ₂≥…λ_m≥0。第i个主成分的贡献率为λ_i/P，其中i＝12,3…m,

前q个主成分的累计贡献率为

通常情况下，累计贡献率达85％以上时，则用前q个主成分来代替原始指标是满足实际要求的。

1)特征向量进行归一化和缩放

数据归一化的公式为：

其中，

是指i个样本的第j个特征的值，μ_j表示的是第j个特征的均值。

数据归一化再缩放的公式为：

其中，

是指i个样本的第j个特征的值，μ_j表示的是第j个特征的均值，s_j表示第j个特征的范围，即

2)计算协方差矩阵的特征向量

针对预处理后的矩阵X，先计算其协方差矩阵：

接着通过奇异值分解来计算协方差矩阵的特征向量：

其中，svd是奇异值分解运算，矩阵U是个n×n的矩阵，如果我们选择U的列作为向量，那么我们将得到n个列向量u⁽¹⁾,u⁽²⁾,…,u⁽ⁿ⁾，这些向量就是协方差矩阵的特征向量。

3)数据降维

得到特征矩阵后，即可对数据进行降维处理了。假设降维前的值为x⁽ⁱ⁾，降维后为z⁽ⁱ⁾，那么：

其中，U_reduce＝[u⁽¹⁾,u⁽²⁾,…,u^(k)]，它选取自矩阵U的前k个向量，U_reduce称为主成分特征矩阵，它是数据降维的关键中间变量。

步骤四：K近邻(KNN)分类算法

K邻近算法是数据挖掘分类技术中最常见的算法之一。其实质是每个样本都可用它最接近的K邻居来代表。由于KNN方法的核心思想主要依靠待预测值周围有限的邻近的样本，而不是靠判别待预测值类域的方法来确定所属类别，因此，对于类域的重叠较多的样本集来说，KNN方法更为合适。

本发明所采用KNN的算法的基本思想是：根据向量空间模型，把加速度传感器时域特征值转化为特征空间中的加权特征向量，计算待测试样本与训练集中每个样本之间的距离，对计算出的欧式距离从小到大进行排序，找出测试文件的k个最近的邻居，并对这k个邻居的类别判定频率进行统计，把测试样本划分到频率最高的一类中去。

KNN分类算法中，欧式距离算法二维空间公式为：

欧式距离算法三维空间公式为：

其中ρ为点(x₂,y₂)与(x₁,y₁)之间的欧氏距离，|X|为点(x₂,y₂)到原点的欧氏距离。

本发明的目标是利用KNN算法的优势，并降低它的计算复杂度。故在执行 KNN算法前执行一些预处理，像PCA。通过将每个类别投影到一个主成分上，在维持精确度的同时，显著地减少了分类的计算时间。

本发明整个算法流程如下：

1、通过确定6种主要的人体运动状态，采集固定于腰部的加速度数据，将动作状态和加速度数据进行对照寻找特征点；

2、对比加速度计的多种时域特征识别行为的混淆程度，确定最终采用的5 种加速度计时域特征作为判定特征值；

3、对加速度计的5种时域特征进行PCA降维处理，求取特征处理后的低维特征向量；

4、根据降维处理后所得的特征向量，结合KNN分类算法对人员行为模式进行分类。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，包括以下步骤：

步骤1，根据人体的运动状态特点，将其划分为6种运动状态；前进、后退、左横向移动、右横向移动、低姿行走、匍匐前进；

步骤2，采集固定于躯干部分的加速度计X、Y、Z三个轴向的原始数据，并对原始数据进行均值滤波处理；

步骤3，提取步骤2所采集的经过均值滤波后的加速度信号的时域特征参数，时域特征参数包括方差、互相关系数、Hjorth参数中间变量、极差和四分位距，每一种分类动作包含5维的特征向量，需要识别的6种动作共包含30维的特征向量；

步骤4，对步骤3所提取的加速度计5种时域特征进行数据降维的方法将特征向量从30维降到14维；

步骤5，根据步骤4所得的14维特征向量，使用KNN分类算法对人员行为模式进行分类识别。

2.根据权利要求1所述的一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，所述步骤2是通过使用内置加速度计的单兵定位模块来实现原始数据采集的，设置采样频率为50Hz，固定于腰部，根据步骤1所列举的6种运动状态，针对每一种动作分别采集三轴加速度计数据A_x、A_y、A_z，每个轴向各500个稳定的数据点，采集加速度信号的时间为15-20s的范围，再从中截取500个数据点长度的稳定连续加速度数据区间即可，因此每一组动作可以得到由500×3矩阵构成，针对由500×1的矩阵组成的每列数据采用均值滤波处理突跳点，均值滤波模型如下：

其中，设置n＝50为均值滤波滑动窗口长度，x_i为第i个数据点。

3.根据权利要求1所述的一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，步骤3所述的选取的5种加速度时域判定特征的计算方法为：

先根据数据预处理后的三轴加速度计的输出值求出方差Var，如公式所示。

在公式中，A为三轴加速度的合加速度；a_x、a_y、a_z分别为加速度计三轴数据；

在公式(3)中，Var为方差；

为合加速度计样本n次观测值的平均数；

求出互相关系数，如公式(4)所示：

C_xyz＝cov(x，y，z)/(σ_xσ_yσ_z) (4)

在公式中，cov(x，y，z)为x，y，z轴加速度的协方差矩阵；σ_x，σ_y，σ_z为x，y，z轴加速度的标准差；

求出Hjorth参数中间变量M₄，如公式(5)所示：

式中，d_i＝α_i-a_i-1；N表示加速度信号的观测值，α_i表示第i个加速度信号的观测值，d_i表示相邻的加速度信号观测值的差值也就是d_i＝α_i-a_i-1，M₄表示Hjorth参数中间变量；

求出极差，极差为滑动时间窗内数据极大值与极小值的差值，如公式所示；

式中，i＝X、Y、Z，M_ai为滑动时间窗内加速度第i轴向的极差，R为加速度计量程；

根据公式可以计算得到四分位距：

IQR＝Q₃-Q₁ (8)

式中：IQR为四分位间距；Q1为第一四分位数；Q3为第三四分位数；经过均值滤波后的加速度数据α_i，i＝1，2，…，N，对其从大到小进行排序得到b_i，四分位数的位置为

为分位个数，k_j为P_j整数部分，r_j为小数部分；

根据以上算法可以计算得到5种加速度计时域特征值，每种动作可以得到500×5的特征值矩阵。

4.根据权利要求1所述的一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，所述步骤4对加速度计时域特征向量进行PCA降维处理，使其从30维降至14维，具体的解算过程如下：

1)特征向量进行归一化和缩放

数据归一化的公式为：

其中，

是指i个样本的第j个特征的值，μ_j表示的是第j个特征的均值；

数据归一化再缩放的公式为：

其中，

是指i个样本的第j个特征的值，μ_j表示的是第j个特征的均值，s_j表示第j个特征的范围，即

2)计算协方差矩阵的特征向量

针对预处理后的矩阵X，先计算其协方差矩阵：

接着通过奇异值分解来计算协方差矩阵的特征向量：

其中，svd是奇异值分解运算，矩阵U是个n×n的矩阵，如果选择U的列作为向量，那么将得到n个列向量u⁽¹⁾，u⁽²⁾，…，u⁽ⁿ⁾，这些向量就是协方差矩阵的特征向量；

3)数据降维

得到特征矩阵后，即对数据进行降维处理，假设降维前的值为x⁽ⁱ⁾，降维后为z⁽ⁱ⁾，那么：

其中，U_reduce＝[u⁽¹⁾，u⁽²⁾，…，u^(k)]，选取自矩阵U的前k个向量，U_reduce称为主成分特征矩阵，它是数据降维的关键中间变量。

5.根据权利要求1所述的一种基于惯性传感器的人员非常规行为快速识别方法，其特征在于，所述步骤5利用KNN分类算法主要包括：根据向量空间模型，把加速度传感器时域特征值转化为特征空间中的加权特征向量，计算待测试样本与训练集中每个样本之间的距离，对计算出的欧式距离从小到大进行排序，找出测试文件的k个最近的邻居，并对这k个邻居的类别判定频率进行统计，把测试样本划分到频率最高的一类中去；

KNN分类算法中，欧式距离算法二维空间公式为：

欧式距离算法三维空间公式为：

其中ρ为点(x₂，y₂)与(x₁，y₁)之间的欧氏距离，|X|为点(x₂，y₂)到原点的欧氏距离。

Images