CN112294295A - 一种基于极限学习机的人体膝部运动姿态识别方法 - Google Patents

Abstract

本发明公开了一种基于极限学习机的人体膝部运动姿态识别方法，包括：利用惯性传感器采集人体处于不同姿态下的输出数据；基于滑动窗口机制对样本数据进行分割，并对每个滑动窗口中的输出数据进行特征提取；利用主成分分析方法对输出数据进行降维处理和归一化处理，得到样本数据；构建极限学习机网络模型，利用样本数据对极限学习机网络模型进行训练，得到最终识别模型；利用最终识别模型对惯性传感器采集的实时测量数据进行在线识别，获得识别结果。本发明利用极限学习机的泛化性能和学习速度快的特点，能够实现对人体运动姿态的精确、快速识别。

Description

一种基于极限学习机的人体膝部运动姿态识别方法

技术领域

本发明涉及人体运动状态识别技术领域，更具体的说是涉及一种基于极限学习机的人体膝部运动姿态识别方法。

背景技术

对人体运动姿态的有效监测以及量化评估可有效地帮助健身人员合理地进行运动，避免因过度运动出现膝部的劳损，从而发挥最大的运动健身效果。随着人口老龄化的日益加剧，对老年人运动状态进行监测，对老年人在运动过程中出现跌倒危险状况进行及时地预警也变得十分重要。对于一些进行了下肢尤其是膝部手术的人群，通过对患者膝部运动姿态的识别可为术后康复提供参考性建议。

通过在膝部安装惯性传感器及相应的嵌入式处理电路，获取人体运动时的输出数据。传统的阈值法对传感器数据按照数据大小的范围进行运动动作分类，这种方式虽然实现简单，但鲁棒性较差，识别精度不高。BP神经网络可对人体动作进行识别，但需要训练时间较长。SVM是一种二分类的识别算法能对人体简单动作进行识别，但计算量较大难以在嵌入式处理器中实时运行。ELM是一种快速的单隐层神经网络训练算法，较传统的人工神经网络具有泛化能力好，训练快速等优点，非常适应于人体运动识别的非线性问题。

因此，如何提供一种能够快速、精准实现人体运动姿态的识别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于极限学习机的人体膝部运动姿态识别方法，通过利用极限学习机的泛化性能和学习速度快的特点，实现对人体运动姿态的精确、快速识别。

为了实现上述目的，本发明采用如下技术方案：

一种基于极限学习机的人体膝部运动姿态识别方法，包括：

利用惯性传感器采集人体处于不同姿态下的输出数据；

基于滑动窗口机制对所述输出数据进行分割，并对每个滑动窗口中的所述输出数据进行特征提取；

利用主成分分析方法对所述输出数据进行降维处理和归一化处理，得到样本数据；

构建极限学习机网络模型，利用所述样本数据对所述极限学习机网络模型进行训练，得到最终识别模型；

利用所述最终识别模型对所述惯性传感器采集的实时测量数据进行在线识别，获得识别结果。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于极限学习机的人体膝部运动姿态识别方法，通过将可穿戴的惯性传感器及嵌入式处理电路固定于人体膝部，采集人体处于不同姿态下的输出数据，并依次对输出数据进行特征提取、降维处理和归一化处理，将处理后的数据作为样本数据，保证了样本数据的准确性；通过引入极限学习机网络模型，并利用处理后的样本数据对其进行训练，确保训练精度和训练速度，并保证最终识别模型的识别精度。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，所述利用惯性传感器采集人体处于不同姿态下的输出数据中，所述惯性传感器包括三轴加速度计和三轴陀螺仪；所述不同姿态下的输出数据包括惯性传感器在人体处于坐、立、走、跑、跳不同姿态下的输出数据。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，所述基于滑动窗口机制对所述输出数据进行分割，并对每个滑动窗口中的所述输出数据进行特征提取中，提取的数据特征为时域特征；所述时域特征包括每个窗口内所述惯性传感器输出的合成加速度幅值的均值、方差、标准差、最大值和最小值，以及所述惯性传感器输出的合成角速率值的均值、方差、标准差、最大值和最小值。本发明能够保证惯性传感器的输出数据不受加速度分量和角速率分量的影响，提高样本数据的准确性。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，所述利用主成分分析方法对所述输出数据进行降维处理和归一化处理，得到样本数据，包括：

对提取的所述输出数据特征依次进行去中心化和标准化处理，得到特征矩阵；

计算所述特征矩阵的协方差矩阵；

计算协方差矩阵的特征值和相应的特征向量；

将得到的特征值按照从大到小的顺序排序，找到前K个特征值对应的特征向量，构成转换矩阵R；

利用所述转换矩阵R对所述输出数据进行降维处理，将降维处理后的所述输出数据作为所述样本数据。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，所述利用主成分分析方法对所述样本数据进行降维处理和归一化处理，得到训练数据集，还包括：

将所述样本数据分别赋予不同的类别标签，得到训练数据集(x_i,y_i)；其中，i＝1,...,N；x_i∈R^N×M，表示输入样本；y_i∈R^1×R，表示样本对应的标签；N表示样本数量，M为每个样本的维度，R表示样本标签种类的个数。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，利用线性核函数和高斯核函数的组合作为混合核函数，利用所述混合核函数将所述样本数据分别赋予不同的类别标签。本发明通过混合核函数能够提高对样本数据的分类精度。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，所述混合核函数的计算公式为：

Ω＝μΩ_polynomial+(1-μ)Ω_Gaussian；

上式中，Ω_polynomial表示线性核函数，Ω_Gaussian表示高斯核函数，μ表示常数。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，所述极限学习机网络模型具有M个输入节点，K个隐层节点，R个输出节点；对于给定的N个样本数据(x_i,y_i)i,＝1,.N.，其中，

y_i＝[y_i1...y_iR]^T；所述极限学习机网络模型为：

Hβ＝Y；

其中，G(·)表示核函数，即Ω；β＝{β₁,β₂,...,β_L}表示隐层节点与输出层之间的权重矩阵；β_i＝[β_i1,β_i2,...,β_iM]^T，表示第i个隐层节点的权重向量；ω_i＝[ω_i1,ω_i2,...,ω_iM]^T，ω_i∈R^N，表示连接输入节点和第i个隐层节点的权重向量；b_i是第i个隐层节点的偏置；H表示极限学习机网络模型的隐层输出网络；Y表示训练样本的标签构成的矩阵。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，所述极限学习网络模型的训练过程如下：

β^*＝H⁺Y；

上式中，H⁺表示矩阵H的广义Moore-Penrose广义逆；β^*表示极限学习机网络模型训练得出的输出权重。

优选的，在上述一种基于极限学习机的人体膝部运动姿态识别方法中，利用所述最终识别模型对所述惯性传感器采集的实时测量数据进行在线识别，获得识别结果，包括：

利用所述转换矩阵R对所述惯性传感器采集的实时测量数据进行在线降维处理；

将降维处理后的实时测量数据输入至所述最终识别模型，得到每个所述实时测量数据的识别结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的基于极限学习机的人体膝部运动姿态识别方法流程图；

图2附图为本发明提供的S3的流程图。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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，本发明实施例公开了一种基于极限学习机的人体膝部运动姿态识别方法，包括：

S1、利用惯性传感器采集人体处于不同姿态下的输出数据；

S2、基于滑动窗口机制对输出数据进行分割，并对每个滑动窗口中的输出数据进行特征提取；

S3、利用主成分分析方法对输出数据进行降维处理和归一化处理，得到样本数据；

S4、构建极限学习机网络模型，利用样本数据对极限学习机网络模型进行训练，得到最终识别模型；

S5、利用最终识别模型对惯性传感器采集的实时测量数据进行在线识别，获得识别结果。

下面对上述各步骤进行进一步解释。

S1、利用惯性传感器采集人体处于不同姿态下的输出数据。

将惯性测量单元(IMU)及嵌入式处理电路组成惯性传感器设备，并可穿戴地固定于人体膝部，采集人体处于不同运动姿态：坐、立、走、跑、跳等姿态下的输出数据，惯性传感器包括三轴加速度计和三轴陀螺仪。

S2、基于滑动窗口机制对输出数据进行分割，并对每个滑动窗口中的输出数据进行特征提取。

对惯性测量单元采集到的数据进行基于滑动窗口机制的分割，滑动窗口采用一个固定时间的窗口对输出数据进行分割，相邻的滑动窗口间的输出数据不重叠。

对得到的每个滑动窗口中输出数据进行特征提取，提取的数据特征为时域特征，提取三轴加速度计输出的三轴加速度的合成加速度幅值

这样加速度值不受加速度分量的影响。时域特征包括滑动窗口内a的均值、方差、标准差、最大值、最小值，也包括三轴陀螺仪输出的三轴角速率的合成角速率值

的均值、方差、标准差、最大值、最小值。

S3、利用主成分分析方法对输出数据进行降维处理和归一化处理，得到样本数据。具体包括：

S31、对提取的输出数据特征依次进行去中心化和标准化处理，得到特征矩阵；

S32、计算特征矩阵的协方差矩阵

其中，X为标准化后的特征向量，T为M×N维的向量，N表示样本数量，M为每个样本的维度。

S33、计算协方差矩阵S的特征值和相应的特征向量；

S34、将得到的特征值按照从大到小的顺序排序，找到前K个特征值对应的特征向量，构成转换矩阵R；

S35、利用转换矩阵R对输出数据进行降维处理，将降维处理后的输出数据作为样本数据；

S36、对样本数据进行分类：

将样本数据分别赋予不同的类别标签，得到训练数据集(x_i,y_i)；其中，i＝1,...,N；x_i∈R^N×M，表示输入样本；y_i∈R^1×R，表示样本对应的标签；N表示样本数量，M为每个样本的维度，R表示样本标签种类的个数。

利用线性核函数Ω_polynomial和高斯核函数Ω_Gaussian的组合作为混合核函数，利用混合核函数将样本数据分别赋予不同的类别标签。其中，混合核函数的计算公式如下：

Ω＝μΩ_polynomial+(1-μ)Ω_Gaussian，μ表示常数。

S4、构建极限学习机网络模型，利用样本数据对极限学习机网络模型进行训练，得到最终识别模型。

极限学习机网络模型具有M个输入节点，K个隐层节点，R个输出节点；对于给定的N个样本数据(x_i,y_i)i,＝1,N…，其中，

y_i＝[y_i1...y_iR]^T；极限学习机网络模型为：

Hβ＝Y；

其中，G(·)表示核函数，即Ω；β＝{β₁,β₂,...,β_L}表示隐层节点与输出层之间的权重矩阵；β_i＝[β_i1,β_i2,...,β_iM]^T，表示第i个隐层节点的权重向量；ω_i＝[ω_i1,ω_i2,...,ω_iM]^T，ω_i∈R^N，表示连接输入节点和第i个隐层节点的权重向量；b_i是第i个隐层节点的偏置；H表示极限学习机网络模型的隐层输出网络；Y表示训练样本的标签构成的矩阵，即训练数据。

训练阶段，首先通过随机函数获得输入层与隐层节点之间的系数ω_i，b_i。然后利用已有的样本数据对ELM进行训练，得到隐层节点与输出层之间的权重β_i。

训练过程可表示为求解：

利用最小二乘法，得到

β^*＝H⁺Y；

最后得到训练好的最终识别模型。

上式中，H⁺表示矩阵H的广义Moore-Penrose广义逆；β^*表示极限学习机网络模型训练得出的输出权重。

S5、利用最终识别模型对惯性传感器采集的实时测量数据进行在线识别，获得识别结果。

利用转换矩阵R对惯性传感器采集的实时测量数据进行在线降维处理；

将降维处理后的实时测量数据输入至最终识别模型，得到每个实时测量数据的决策结果，即识别结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，包括：

利用惯性传感器采集人体处于不同姿态下的输出数据；

基于滑动窗口机制对所述输出数据进行分割，并对每个滑动窗口中的所述输出数据进行特征提取；

利用主成分分析方法对所述输出数据进行降维处理和归一化处理，得到样本数据；

构建极限学习机网络模型，利用所述样本数据对所述极限学习机网络模型进行训练，得到最终识别模型；

利用所述最终识别模型对所述惯性传感器采集的实时测量数据进行在线识别，获得识别结果。

2.根据权利要求1所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，所述利用惯性传感器采集人体处于不同姿态下的输出数据中，所述惯性传感器包括三轴加速度计和三轴陀螺仪；所述不同姿态下的输出数据包括惯性传感器在人体处于坐、立、走、跑、跳不同姿态下的输出数据。

3.根据权利要求1所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，所述基于滑动窗口机制对所述输出数据进行分割，并对每个滑动窗口中的所述输出数据进行特征提取中，提取的数据特征为时域特征；所述时域特征包括每个窗口内所述惯性传感器输出的合成加速度幅值的均值、方差、标准差、最大值和最小值，以及所述惯性传感器输出的合成角速率值的均值、方差、标准差、最大值和最小值。

4.根据权利要求1所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，所述利用主成分分析方法对所述输出数据进行降维处理和归一化处理，得到样本数据，包括：

对提取的所述输出数据特征依次进行去中心化和标准化处理，得到特征矩阵；

计算所述特征矩阵的协方差矩阵；

计算协方差矩阵的特征值和相应的特征向量；

将得到的特征值按照从大到小的顺序排序，找到前K个特征值对应的特征向量，构成转换矩阵R；

利用所述转换矩阵R对所述输出数据进行降维处理，将降维处理后的所述输出数据作为所述样本数据。

5.根据权利要求4所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，所述利用主成分分析方法对所述样本数据进行降维处理和归一化处理，得到训练数据集，还包括：

将所述样本数据分别赋予不同的类别标签，得到训练数据集(x_i,y_i)；其中，i＝1,...,N；x_i∈R^N×M，表示输入样本；y_i∈R^1×R，表示样本对应的标签；N表示样本数量，M为每个样本的维度，R表示样本标签种类的个数。

6.根据权利要求5所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，利用线性核函数和高斯核函数的组合作为混合核函数，利用所述混合核函数将所述样本数据分别赋予不同的类别标签。

7.根据权利要求6所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，所述混合核函数的计算公式为：

Ω＝μΩ_polynomial+(1-μ)Ω_Gaussian；

上式中，Ω_polynomial表示线性核函数，Ω_Gaussian表示高斯核函数，μ表示常数。

8.根据权利要求7所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，所述极限学习机网络模型具有M个输入节点，K个隐层节点，R个输出节点；对于给定的N个样本数据(x_i,y_i),i＝1,...,N，其中，x_i＝[x_i1...x_iM]^T，y_i＝[y_i1...y_iR]^T；所述极限学习机网络模型为：

Hβ＝Y；

其中，G(·)表示核函数，即Ω；β＝{β₁,β₂,...,β_L}表示隐层节点与输出层之间的权重矩阵；β_i＝[β_i1,β_i2,...,β_iM]^T，表示第i个隐层节点的权重向量；ω_i＝[ω_i1,ω_i2,...,ω_iM]^T，ω_i∈R^N，表示连接输入节点和第i个隐层节点的权重向量；b_i是第i个隐层节点的偏置；H表示极限学习机网络模型的隐层输出网络；Y表示训练样本的标签构成的矩阵。

9.根据权利要求8所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，所述极限学习网络模型的训练过程如下：

s.t.||f(x_i)-y_i||²＝ε,i＝1,...,N；

β^*＝H⁺Y；

上式中，H⁺表示矩阵H的广义Moore-Penrose广义逆；β^*表示极限学习机网络模型训练得出的输出权重。

10.根据权利要求4所述的一种基于极限学习机的人体膝部运动姿态识别方法，其特征在于，利用所述最终识别模型对所述惯性传感器采集的实时测量数据进行在线识别，获得识别结果，包括：

利用所述转换矩阵R对所述惯性传感器采集的实时测量数据进行在线降维处理；

将降维处理后的实时测量数据输入至所述最终识别模型，得到每个所述实时测量数据的识别结果。

Images