CN116548960A - 一种面向人体微惯性测量单元的运动模式识别算法和系统 - Google Patents
一种面向人体微惯性测量单元的运动模式识别算法和系统 Download PDFInfo
- Publication number
- CN116548960A CN116548960A CN202310556723.9A CN202310556723A CN116548960A CN 116548960 A CN116548960 A CN 116548960A CN 202310556723 A CN202310556723 A CN 202310556723A CN 116548960 A CN116548960 A CN 116548960A
- Authority
- CN
- China
- Prior art keywords
- measurement unit
- motion
- data
- motion pattern
- inertial measurement
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 133
- 238000005259 measurement Methods 0.000 title claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims description 28
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 210000000689 upper leg Anatomy 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于惯性技术领域，涉及一种面向人体微惯性测量单元的运动模式识别算法和系统。所述算法建立了基于LSTM的运动模式分类模型；通过微惯性测量单元(MIMU)采集待测人员的测量数据；将待测人员的测量数据输入至建立的运动模式分类模型中，得到待测人员的运动模式识别结果。所述系统包括微惯性测量单元、模型建立单元和动作识别单元。微惯性测量单元具有体积小、重量轻、可穿戴、功耗低、可靠性高等优点，能够持续对目标运动模式的进行监测。因而在医疗健康、体育竞技和军事训练等领域具有广阔的应用前景。本作品可完成静态的站立、坐立、平躺和动态的走路、上楼、下楼、跑步、骑车。并在不增加传感器个数的前提下，提升现有识别算法的性能。
Description
技术领域
本发明涉及惯性技术领域，特别是基于微惯性测量单元的人体运动模式深度学习技术的识别算法和设备。
背景技术
自二十世纪六十年代起，一些针对人体运动分析的具有开创性意义的研究相继发出。来自瑞典乌普萨拉大学的Johansson是最早开始对生物运动进行分析的先行者，其在1973年提取了人体部分关节点的运动信息，并以此对人体的运动过程进行了表达。基于惯性传感器的人体运动模式识别的理论依据是：人体在不同的运动模式下，所产生的惯性信号对应了不同的可鉴别模式。
基于惯性传感器的人体运动模式识别的基本步骤如下：
首先进行惯性传感器校准，然后使用传感器节点采集人体在不同运动模式下的惯性数据，包括三轴加速度和三轴角速度等；
接着对原始惯性数据进行去燥、加窗分割、标准化等预处理，从而提高数据质量或转化为符合算法模型输入的形式；
之后根据设计的特征方案提取惯性数据特征或设计算法自动提取特征；
最后使用分类算法对特征向量进行分类，得到人体运动模式类别。
但是，目前的人体运动模式识别算法在识别区别比较大的运动行为时比较准确，但在区别走路、上楼、下楼等运动时准确度较底，容易混淆，也很难区分出平躺、坐立、站立三种运动行为。同时，数据采集的精度一般需要传感器的个数来保证，为了提高识别精度，通常会增加传感器的数量。但是，这样就增加了系统的开发成本。
发明内容
鉴于现有技术中存在上述技术问题，本发明的目的为提供一种面向人体微惯性测量单元的运动模式识别算法及相关载体或设备，所述运动模式识别算法将深度学习技术应用到面向人体微惯性测量单元的运动模式识别中，在不增加传感器个数的前提下，提升现有识别算法的性能。
为了实现上述发明目的，本发明的技术方案如下所述：
本发明提供一种面向人体微惯性测量单元的运动模式识别算法，所述算法包括如下步骤：
建立基于LSTM的运动模式分类模型；
通过微惯性测量单元(MIMU)采集待测人员的测量数据；
将待测人员的测量数据输入至建立的运动模式分类模型中，得到待测人员的运动模式识别结果。
其中，所述建立基于长短期记忆网络(LSTM)的运动模式分类模型，包括：
通过微惯性测量单元采集待测人员的原始测量数据；
对原始测量数据进行误差校准与预处理；
根据预处理后的测量数据，针对运动特点提取关联特征；
通过预处理后的测量数据进行了支持向量机(SVM)算法模型训练和LSTM网络模型训练，得到训练好的基于LSTM的运动模式分类模型。
进一步的，所述测量数据包括静态的站立、坐立、平躺和动态的走路、上楼、下楼、跑步、骑车的三轴加速度数据和三轴角速度数据。
进一步的，所述对原始测量数据进行误差校准与预处理，包括：
建立微惯性测量单元系统误差数学模型；
建立三轴加速度计系统误差数学模型和三轴陀螺仪的系统误差数学模型；
通过多位置方法，利用三轴加速度计系统误差数学模型，校准加速度计的数据；
使用三轴陀螺仪的系统误差数学模型和校准后的加速度计的数据辅助校准陀螺仪的数据；
采用仿真实验验证数据。
其中，所述微惯性测量单元系统误差数学模型考虑了坐标系未对准、轴间耦合、标度因子、零偏等误差成分；所述三轴加速度计系统误差数学模型和三轴陀螺仪的系统误差数学模型是在数据标定的基础上建立的。
进一步的，所述根据预处理后的测量数据，针对运动特点提取关联特征，包括：
针对每种运动模式提取集合经验模态分解(EEMD)特征；
针对易混淆的运动模式建立基于SVM的运动模式识别算法；
在深度学习模型LSTM基础上建立基于LSTM的运动模式分类器。
其中，基于SVM的运动模式算法，以对数据集的区分能力为依据设计时域特征方案，采用分层识别，构建了两个三分类的SVM分类器，一个针对静态的站立、坐立、平躺三种运动模式的分类，另一个针对动态的走路、上楼、下楼三种运动模式的分类。基于LSTM的运动模式分类器以传感器数据作为输入，采用两层双向隐藏层结构实现时序特征自动提取。
本发明提供一种面向人体微惯性测量单元的运动模式识别系统，所述系统包括微惯性测量单元、模型建立单元和动作识别单元；
所述微惯性测量单元包括传感器、微处理器、无线通信模块和电源模块；所述传感器用于感知放置部位的惯性信号，每个传感器为一个数据采集节点；所述微处理器用于驱动传感器工作，所述无线通信模块用于微惯性测量单元与模型建立单元、动作识别单元之间的信息传递，所述电源模块用于供电。
所述模型建立单元，用于根据微惯性测量单元采集的原始测量数据建立基于LSTM的运动模式分类模型；
所述运动识别单元，用于根据微惯性测量单元采集的数据，在基于LSTM的运动模式分类模型基础上进行运动模式识别。
进一步的，所述微惯性测量单元包括两个传感器，一个设置在待测人员的腰部后侧，另一个设置在待测人员的右大腿外侧。
进一步的，多个数据采集节点组成一个可穿戴感知系统，完成惯性信号感知。
本发明包括微惯性测量单元、微惯性测量单元系统误差校准与数据预处理和人体运动模式识别算法三个要点。所述微惯性测量单元用于节点设计与部署进行惯性数据的采集；所述微惯性测量单元的系统误差校准与数据预处理用于确保实验算法的准确性和稳定性；所述人体运动模式识别算法用于在以实测数据集上的区分能力为依据，针对运动特点提取关联特征。
微惯性测量单元具有体积小、重量轻、可穿戴、功耗低、可靠性高等优点，能够持续对目标运动模式的进行监测。因而在医疗健康、体育竞技和军事训练等领域具有广阔的应用前景。
其中，微惯性测量单元系统误差校准与数据预处理中，设计了微惯性测量单元系统误差校准数学模型，并再次基础上建立了三轴加速度计和三轴陀螺仪的系统误差数学模型。因此，能够实现一种不借助外部校准仪器的系统误差两步校准算法，即首先通过多位置方法校准加速度计，再使用校准后的加速度计来辅助校准陀螺仪，最后采用仿真实验来验证算法的准确性和稳定性。
上述基于LSTM的运动模式分类模型，同时基于SVM和LSTM建立的，是以实测数据集上的区分能力为依据，针对运动特点提取关联特征，避免了传统特征提取方式僵化、有时区别不明显的缺点。其中，采用分层识别，构建两个三分类的SVM分类器，分别应用于两组容易混淆的运动行为，有效降低了算法复杂度；同时，以对数据集的区分能力为依据设计了时域特征方案；针对每个运动行为的运动特点提取了关联特征，特别是针对走路、上楼、下楼易混淆，及平躺、站立、坐立易混淆的问题，提取了集合经验模态分解特征；这样提取的特征数据是最能够体现测量人员不同运动模式下的区别或特点的数据，能够大大提高运动模式识别的准确定。从人体运动模型分析可知，人体运动是一个持续的过程，并且一个运动周期内的每时刻的动作具有很强的前后关联特性，因而运动部位产生的惯性信号也是具有前后长依赖关系的时间序列。从理论研究可知，LSTM因其独特的隐藏层单元结构而具备强大的时间序列处理能力，相比于普通RNN，其能够更好地处理具有长期依赖关系的时间序列。另外，本发明在深度学习模型LSTM基础上设计了基于LSTM的运动模式分类器，分类器以12维传感器数据(每个传感器包含三轴加速度计和三轴陀螺仪共6类数据，两个传感器共12类数据)作为输入，采用两层双向隐藏层结构实现时序特征自动提取。因而，本发明能够在有限的传感器个数条件下，精确获取前端数据信号，在降低系统硬件成本的前提下，保证信号精度。
本发明具有以下有益效果：
(1)本发明所述面向人体微惯性测量单元的运动模式识别算法，具有环境适应能力强的特点，在多领域具有广阔的应用前景，如医疗健康、体育竞技。
(2)上述面向人体微惯性测量单元的运动模式识别系统也具有体积小、重量轻、可穿戴、功耗低、可靠性高、经济性好、跟踪识别目标对象持续时间久、对目标对象的隐私保护性好等特征。
(3)针对走路、上楼、下楼易混淆，及平躺、站立、坐立易混淆的问题，提取了集合经验模态分解特征，基于SVM和LSTM自动提取特征，得到最有利于运动模式识别的特征，提高运动模式识别的准确性。
附图说明
图1为本发明实施例1的微惯性测量单元的硬件框图；
图2为本发明实施例1的MIMU校准实验采集的校准数据曲线；
图3为本发明实施例1采集的传感器数据曲线；
图4为本发明实施例1中SVM分层算法运行流程。
具体实施方式
下面结合附图对本发明作进一步说明。
实施例1
本实施例涉及一种面向人体微惯性测量单元的运动模式识别系统，所述系统包括微惯性测量单元、模型建立单元和动作识别单元；
所述微惯性测量单元包括传感器、微处理器、无线通信模块和电源模块；如图1所示，稳压器为电源模块，单片机为微处理器，蓝牙为无线通信模块，6轴运动处理传感器为传感器，上位机设有模型建立单元和动作识别单元；更具体的，传感器为六轴mpu-6050为MIMU(尺寸为4mm×4mm×0.9mm)，以stm32f103c8t6为微控制器(lqfp48封装面积为7mm×7mm)，以hc06为通信模块(贴片模块为27mm×13mm)，以tps76933为电源模块；所述传感器用于感知放置部位的惯性信号，每个传感器为一个数据采集节点，多个数据采集节点组成一个可穿戴感知系统，完成惯性信号感知；本实施例一种包括两个传感器，一个设置在待测人员的腰部后侧，另一个设置在待测人员的右大腿外侧；所述微处理器用于驱动传感器工作，所述无线通信模块用于微惯性测量单元与模型建立单元、动作识别单元之间的信息传递，所述电源模块用于供电。
所述模型建立单元，用于根据微惯性测量单元采集的原始测量数据建立基于LSTM的运动模式分类模型；
所述运动识别单元，用于根据微惯性测量单元采集的数据，在基于LSTM的运动模式分类模型基础上进行运动模式识别。
本实施例还涉及一种面向人体微惯性测量单元的运动模式识别算法，所述模型建立单元和运动识别单元就是基于该运动模式识别算法设计的，所述运动模式识别算法包括如下步骤：
S1：建立基于LSTM的运动模式分类模型
S1.1：通过微惯性测量单元采集待测人员的原始测量数据
在给待测人员穿戴好微惯性测量单元，并通电和联通网络通信后，就可以进行原始测量数据的采集了，采集的原始数据及经过处理后的数据即为本地数据集。
在本文数据采集实验中，测试人员的基本信息为：女性，24岁，身高173cm；测试环境分为室内和室外，其中室内采集站立、坐立、平躺、走路、上楼、下楼六种运动模式的数据，室外采集跑步、骑单车两种运动模式的数据采集。传感器节点采样率为25Hz，每次采集时间长度为5秒的数据，每种模式采集60次，因此，数据采集实验一共建立了480组运动数据序列。图3为走路模式下的传感器1号节点和2号节点的输出数据曲线，(a)为1号节点三轴加速度数据曲线，(b)为1号节点三轴陀螺仪数据曲线，(c)为2号节点的三轴加速度数据曲线，(d)为2号节点三轴陀螺仪数据曲线。其中1号节点是指设置在待测人员的腰部后侧的传感器，2号节点是指设置在待测人员的右大腿外侧的传感器，每个节点分别采集三轴加速度数据和三轴角速度数据。
S1.2：对原始测量数据进行误差校准与预处理
S1.2.1：建立微惯性测量单元系统误差数学模型
为了提高测量精度，在建立运动模式识别数据集之前,本发明专门设计了MIMU系统误差校准算法，进行MIMU校准实验，建立微惯性测量单元系统误差数学模型。所述微惯性测量单元系统误差数学模型考虑了坐标系未对准、轴间耦合、标度因子、零偏等误差成分。
S1.2.2：建立三轴加速度计系统误差数学模型和三轴陀螺仪的系统误差数学模型；
在微惯性测量单元系统误差算法基础上建立三轴加速度计系统误差数学模型和三轴陀螺仪的系统误差数学模型，其中，三轴加速度计系统误差数学模型的算法公式为：
αB＝FαPα(αS+βα)
三轴陀螺仪的系统误差数学模型的算法公式为：
ξB＝FgPgξS
其中，α,β,ξ——向量，g——重力加速度，B——载体参考系，F——转换矩阵，P——标度因子矩阵，S——传感器系，αB——BF三个轴上的加速度值，αS——AF三个轴上的加速度值，Fα——αS到αB的转换矩阵，Pα——三轴MEMS加速度计的标度因子，βα——加速度计的零偏向量。
上述MIMU校准实验流程如下：
(1)节点与PC端建立链路，进入校准所需数据采集阶段；
(2)使节点保持静止至少150秒；
(3)改变节点姿态，使其处于新的静止状态；
(4)使保持节点保持静止约10秒；
(5)重复步骤(3)～(4)共20次；
(6)以所采集的数据为输入，使用MATLAB运行本文设计的MIMU误差校准算法。
图2为数据采集过程中节点从一个静态位置转换为下一个静态位置时的数据曲线，其中(a)为三轴加速度计的数据曲线，(b)为三轴陀螺仪的数据曲线，变化明显的曲线段即为动态转换过程(图中横轴约150～200区间)。
最终，算法求解结果如表1和表2所示。
表1加速度计系统误差参数
表2陀螺仪系统误差参数
S.1.2.3：通过多位置方法，利用三轴加速度计系统误差数学模型，校准加速度计的数据利用三轴加速度计系统误差数学模型，对原始测试数据的加速度计的数据进行校准。
S.1.2.4：使用三轴陀螺仪的系统误差数学模型和校准后的加速度计的数据辅助校准陀螺仪的数据
利用三轴陀螺仪系统误差数学模型和校准后的加速度计数据，对原始测试数据的陀螺仪的数据进行校准。
S1.2.5：采用仿真实验验证数据:
为了有效减少误差，进行仿真实验，是非常实用的方式。
S1.3：根据预处理后的测量数据，针对运动特点提取关联特征
S.1.3.1：针对每种运动模式提取集合经验模态分解特征；
集合经验模态分解(EEMD)适合处理非平稳、非线性的数据，目前已被广泛应用于生物、海洋、雷达等各类信号处理以及金融市场领域数据分析。将EEMD用于运动识别的数据分析中，可以提出出最有代表性的关联特征。
S1.3.2：针对易混淆的运动模式建立基于SVM的运动模式识别算法
采用特征提取和提振对比的方式能够很容易的识别特征区别明显的运动模式，但是，针对一些容易混淆的运动就难以准确识别出来，例如动态的走路、上楼、下楼三种运动模式，及静态的平躺、坐立、站立三种运动模式，就需要采用更加精细的区别算法，例如SVM。
分别针对走路、上楼、下楼三种运动模式和静态的平躺、坐立、站立三种运动模式进行SVM分析，设计两个三分类的SVM运动模式识别算法。
S.1.3.3:在深度学习模型LSTM基础上建立基于LSTM的运动模式分类器
深度学习模型LSTM，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。人体运动状态是不断变化的，秩序时间长，采用LSTM进行数据分析具有很大的优势，得到的结果具有很高的准确度。
本实施例采用两个传感器节点，一种可以采集12类不同的数据，这12类不同的数据组成12维数据，12维数据作为输入，采用两层双向隐藏层结构实现时序特征自动提取。
S1.4：通过预处理后的测量数据进行了SVM算法模型训练和LSTM网络模型训练，得到训练好的基于LSTM的运动模式分类模型
通过步骤S1.1中采集的原始测量数据，经过步骤S1.2的误差校准和预处理后，对S1.3中设计的SVM算法模型进行训练和LSTM网络模型进行训练，最终即可得到基于LSTM的运动模式分类模型。在本实施例中，SVM算法模型和LSTM网络模型的识别混淆矩阵，分别如表3和表4所示。
表3本地数据集下分层算法识别混淆矩阵
表4本地数据集下LSTM分类器识别混淆矩阵
S2：通过微惯性测量单元采集待测人员的测量数据
待测人员佩戴后微惯性测量单元后，随意运动或做制定运动，微惯性测量单元自动实时采集测量数据。
S3：将待测人员的测量数据输入至建立的运动模式分类模型中，得到待测人员的运动模式识别结果
在S2中采集的数据输入步骤S1.4训练好的基于LSTM的运动模式分类模型中，可以实时识别待测人员的运动模式。其中，SVM分层算法的流程如图4所示，先通过特征对比区分静态运动模式和动态运动模式，然后静态运动模式(平躺、坐立、站立)经过SVM分类器1识别出分别为哪一种静态运动模式，动态运动模式，经过特征对比，区分出跑步和骑单车两种运动模式后，SVM分类器1用于识别易混淆的走路、上楼和下楼三种运动模式。最终，实现八种不同运动模式的识别。
Claims (9)
1.一种面向人体微惯性测量单元的运动模式识别算法，其特征在于，所述算法包括如下步骤：
建立基于LSTM的运动模式分类模型；
通过微惯性测量单元采集待测人员的测量数据；
将待测人员的测量数据输入至建立的运动模式分类模型中，得到待测人员的运动模式识别结果；
其中，所述建立基于长短期记忆网络的运动模式分类模型，包括：
通过微惯性测量单元采集待测人员的原始测量数据；
对原始测量数据进行误差校准与预处理；
根据预处理后的测量数据，针对运动特点提取关联特征；
通过预处理后的测量数据进行了支持向量机算法模型训练和LSTM网络模型训练，得到训练好的基于LSTM的运动模式分类模型。
2.根据权利要求1所述的所述面向人体微惯性测量单元的运动模式识别算法，其特征在于，测量数据包括静态的站立、坐立、平躺和动态的走路、上楼、下楼、跑步、骑车的三轴加速度数据和三轴角速度数据。
3.根据权利要求1所述的所述面向人体微惯性测量单元的运动模式识别算法，其特征在于，所述对原始测量数据进行误差校准与预处理，包括：
建立微惯性测量单元系统误差数学模型；
建立三轴加速度计系统误差数学模型和三轴陀螺仪的系统误差数学模型；
通过多位置方法，利用三轴加速度计系统误差数学模型，校准加速度计的数据；
使用三轴陀螺仪的系统误差数学模型和校准后的加速度计的数据辅助校准陀螺仪的数据；
采用仿真实验验证数据。
4.根据权利要求3所述的所述面向人体微惯性测量单元的运动模式识别算法，其特征在于，所述微惯性测量单元系统误差数学模型考虑了坐标系未对准、轴间耦合、标度因子、零偏等误差成分。
5.根据权利要求1所述的所述面向人体微惯性测量单元的运动模式识别算法，其特征在于，所述根据预处理后的测量数据，针对运动特点提取关联特征，包括：
针对每种运动模式提取集合经验模态分解特征；
针对易混淆的运动模式建立基于SVM的运动模式识别算法；
在深度学习模型LSTM基础上建立基于LSTM的运动模式分类器。
6.根据权利要求5所述的所述面向人体微惯性测量单元的运动模式识别算法，其特征在于，其中，基于SVM的运动模式算法，构建了两个三分类的SVM分类器，一个针对静态的站立、坐立、平躺三种运动模式的分类，另一个针对动态的走路、上楼、下楼三种运动模式的分类。
7.一种如权利要求1-6中任意一项所述的面向人体微惯性测量单元的运动模式识别算法的系统，其特征在于，所述系统包括微惯性测量单元、模型建立单元和动作识别单元；
所述微惯性测量单元包括传感器、微处理器、无线通信模块和电源模块；所述传感器用于感知放置部位的惯性信号，每个传感器为一个数据采集节点；所述微处理器用于驱动传感器工作，所述无线通信模块用于微惯性测量单元与模型建立单元、动作识别单元之间的信息传递，所述电源模块用于供电；
所述模型建立单元，用于根据微惯性测量单元采集的原始测量数据建立基于LSTM的运动模式分类模型；
所述运动识别单元，用于根据微惯性测量单元采集的数据，在基于LSTM的运动模式分类模型基础上进行运动模式识别。
8.根据权利要求7所述的面向人体微惯性测量单元的运动模式识别算法的系统，其特征在于，所述微惯性测量单元包括两个传感器，一个设置在待测人员的腰部后侧，另一个设置在待测人员的右大腿外侧。
9.根据权利要求7所述的面向人体微惯性测量单元的运动模式识别算法的系统，其特征在于，多个数据采集节点组成一个可穿戴感知系统，完成惯性信号感知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556723.9A CN116548960A (zh) | 2023-05-17 | 2023-05-17 | 一种面向人体微惯性测量单元的运动模式识别算法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556723.9A CN116548960A (zh) | 2023-05-17 | 2023-05-17 | 一种面向人体微惯性测量单元的运动模式识别算法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116548960A true CN116548960A (zh) | 2023-08-08 |
Family
ID=87491283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310556723.9A Pending CN116548960A (zh) | 2023-05-17 | 2023-05-17 | 一种面向人体微惯性测量单元的运动模式识别算法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116548960A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117084671A (zh) * | 2023-10-19 | 2023-11-21 | 首都医科大学宣武医院 | 一种基于陀螺仪信号的运动评估系统 |
-
2023
- 2023-05-17 CN CN202310556723.9A patent/CN116548960A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117084671A (zh) * | 2023-10-19 | 2023-11-21 | 首都医科大学宣武医院 | 一种基于陀螺仪信号的运动评估系统 |
| CN117084671B (zh) * | 2023-10-19 | 2024-04-02 | 首都医科大学宣武医院 | 一种基于陀螺仪信号的运动评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Abnormal gait recognition algorithm based on LSTM-CNN fusion network | |
| CN112754468B (zh) | 一种基于多源信号的人体下肢运动检测及识别方法 | |
| Khan et al. | Accelerometer signal-based human activity recognition using augmented autoregressive model coefficients and artificial neural nets | |
| CN104323780B (zh) | 基于支持向量机的行人步态分类系统及方法 | |
| 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 | |
| CN110245718A (zh) | 一种基于联合时域频域特征的人体行为识别方法 | |
| Mannini et al. | On-line classification of human activity and estimation of walk-run speed from acceleration data using support vector machines | |
| Jalloul et al. | Activity recognition using complex network analysis | |
| CN116548960A (zh) | 一种面向人体微惯性测量单元的运动模式识别算法和系统 | |
| Wang et al. | Swimming motion analysis and posture recognition based on wearable inertial sensors | |
| Shi et al. | Gait recognition via random forests based on wearable inertial measurement unit | |
| Fan et al. | Wearable motion attitude detection and data analysis based on Internet of Things | |
| CN111259956B (zh) | 一种基于惯性传感器的人员非常规行为快速识别方法 | |
| CN111401435B (zh) | 一种基于运动手环的人体运动模式识别方法 | |
| Wang et al. | A2dio: Attention-driven deep inertial odometry for pedestrian localization based on 6d imu | |
| Li et al. | Sensor combination selection for human gait phase segmentation based on lower limb motion capture with body sensor network | |
| CN111419237A (zh) | 脑卒中手部运动功能Carroll评分预测方法 | |
| CN112762934B (zh) | 下肢运动方向预测装置和方法 | |
| Chunsheng et al. | Human gait feature data analysis and person identification based on IMU | |
| Fu et al. | Ping pong motion recognition based on smart watch | |
| Bevilacqua et al. | Rehabilitation exercise segmentation for autonomous biofeedback systems with ConvFSM | |
| CN109061215A (zh) | 一种基于可穿戴设备的速度检测方法及可穿戴设备 | |
| Yen et al. | Feature Fusion-Based Deep Learning Network to Recognize Table Tennis Actions. | |
| CN111079927B (zh) | 一种基于极限学习机的髌骨疼痛检测系统 | |
| CN113095379A (zh) | 一种基于穿戴式六轴传感数据的人体运动状态识别方法 |
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 |