三轴加速度传感器的步态识别系统==

三轴加速度传感器的步态识别系统

近年来随着微机电系统的发展，加速度传感器已经广泛应用于各个领域并拥有良好的发展前景。例如在智能家居、手势识别、步态识别、跌倒检测等领域，都可以通过加速度传感器实时获得行为数据从而判断出用户的行为情况。

目前许多智能手机都内置多种传感器，通过预装软件就能够获得较精确的原始数据。本文提出一种基于三轴加速度传感器，用智能手机采集用户数据，对数据进行处理及特征提取获得特征矩阵并分类识别的方法，有效地识别了站立、走、跑、跳四种动作。

人体动作识别处理过程主要包含数据采集、预处理、特征提取和分类器识别数据采集数据采集和发送模块安装在用户端，另一个数据接收模块接在电脑终端上。

由于我们制作的采集模块很轻、很小，所以方便佩戴。当用户运动时，三轴加速度传感器会将据采集并通过无线方式发送给电脑接收模块，再通过电脑上的软件部分对采集到的数据进行分析处理，将结果输出，显示用户的实时状态。

本文使用的加速度传感器数据来自于共计６０个样本。传感器统一佩戴于腰间。本文选取了其中一位采集者的数据用于主要分析研究，其余两位采集者的数据则用于验证由第一位采集者数据研究所得的结论，这样的做法既减小了数据处理的繁杂又能保证最终结果的准确性。预处理应用程序设置的采集时间间隔为０．１ｓ，对每一个动作的采集时间为２５ｓ。考虑到用户在采集数据一开始与将要结束时的动作

不平稳可能对数据带来较大影响，前２ｓ２ｓ采集的数据将被舍弃不予分析。因原始加速度信号一般都含有噪声，为了提高数据分析结果的准确性，通常在原始加速度信号进行特征提取前对其进行去躁、归一化、加窗等预处理。通过加窗处理，不仅规整了加速度信号的长度，而且方便研究人员按照需要选择适宜的信号长度，这样有利于后续的特征提取。

许多研究人员使所示。研究人员采集的加速度传感器信号由于采集者的动作力度不同造成加速度信号的幅度差异较大，这会对之后的分类识别造成负面影响，归一化技术可以调整加速度信号的幅度，按照一定的归一化算法可以使加速度信号的幅度限定在某一数值范围内，文献[２]在识别跑、站立、跳和走路这四种动作时对四种动作的加速度信号进行了归一化；文献[３]在进行手势识别时对手势动作的加速度信号进行了归一化处理。特征提取特征提取和选择模块的作用在于从加速度信号中提取出那些表征人体行为的特征向量，处于预处理模块和分类器模块之间，是人体行为识别过程中的一个重要环节，直接影响分类识别的效果。特征的提取方法具有多样性，对于不同的识别目的，研究人员会提取不同的特征，例如为了识别分类站立和跑步，研究人员通常会选取方差和标准差这类能够反映加速度信号变化大小的特征，而为了识别分类走路和跑步，研究人员通常会选取能量和均值这类能够反映加速度信号大小的特征。使用不同的特征表征行为会对分类识别效果产生不同的影响，因此寻找更加有效的特征一直是研宄人员关注的一个课题。通过查阅大量的文献，大致可以把加速度信

号的特征概括为时域特征、频域特征和时频特征这三类本文选取了加速度的阈值作为识别不同动作的主要特征。每个加速度包含了轴的加速度信号，分别代表了前后、左右、上下这三位的加速度信号。我们都知道，人体日常行为的不同动作的剧烈程度是不相同的，动作的幅度自然不一样。因此本文主要选取加速度的阈值作为识别不同动作的主要特征。种动作数据的其中一个窗格，每个窗格时间跨度为３ｓ。由图个轴的加速度大小都不一样，而每个轴的加速度大小与方向又与加速度传感器佩戴在采集者身上的方向位置有关，因此不容易定性分析。而以合加速度的阈值作为用于主要分析的特征，则不用考虑个轴加速度的分量大小与方向，又可以使各个动作的幅值差异基于三轴加速度传感器的人体动作识别研究（广东第二师范学院物理系，广东广州５１０３０３）ＨｕｍａｎＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎＲｅｓｅａｒｃｈＢａｓｅｄＴｈｒｅｅ－ＤｉｍｅｎｓｉｏｎａｌＡｃｃｅｌｅｒｏｍｅｔｅｒ

摘要：提出一种基于三轴加速度传感器的人体动作识别方法，通过对采集到的数据进行预处理，提取多种统计特征包括标准差、阈值、偏度、峰度等进行分类识别。能够有效地识别站立、行走、跑、跳这四种人体基本日常行为动作。

关键词：人体动作识别，阈值，加速度传感器，特征提取Abstract：Ｉｎｐａｐｅｒ,ａｍｅｔｈｏｄａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄ３Ｄａｃｃｅｌｅｒａｔｉｏｎｓｅｎｓｏｒｉｎｔｒｏｄｕｃｅｄ．Ａｆｔｅｒｓｅｎｓｏｒｄａｔ

ａｃｏｌｌｅｃｔｅｄ,ｐｒｅｐｒｏｃｅｓｓｉｎｇ,ｍａｎｙｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｓｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ,ｔｈｒｅｓｈｏｌｄ,ｓｋｅｗｎｅｓｓｋｕｒｔｏ-ｓｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅｓｙｓｔｅｍｒｅｃｏｇｎｉｚｅｆｏｕｒｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｉｅｓ：ｓｔａｙｉｎｇ,ｗａｌｋｉｎｇ,ｒｕｎｎｉｎｇｊｕｍｐｉｎｇ．Keywords：ｈｕｍａｎａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｚｅ,ｔｈｒｅｓｈｏｌｄ,ａｃｃｅｌｅｒｏｍｅｔｅｒｄａｔａ,ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ*２０１５年度国家级大学生创新创业训练计划项目“基于三轴加速度传感器的人体动作识别研究资助（１４２７８１５０３７）加速度信号的加窗３１基于三轴加速度传感器的人体动作识别研究（上接第３０参考文献〔１〕张铎．自动识别技术应用案例分析〔Ｍ〕．武汉：武汉大学出版社，２０１０：５６－６７〔２〕范书瑞，李琦，赵燕飞．Ｃｏｒｔｅｘ－Ｍ３嵌入式处理器原理与应用〔Ｍ〕．北京：电子工业出版社，２０１１：３４－３６〔３〕汪浩．物联网的触点：ＲＦＩＤ技术及专利的案例应用〔Ｍ〕．北京：科学出版社，２０１０：３３－３９〔４〕Ｗｉｋｉｐｅｄｉａ．ＧｓｍＳｔａｎｄａｒｄ：ＧＳＭ,Ｓｈｏｒｔｍｅｓｓａｇｅｐｅｅｒ－ｐｅｅｒｐｒｏｔｏｃｏｌ,ＥｎｈａｎｃｅｄＤａｔａＲａｔｅｓＧＳＭＥｖｏｌｕｔｉｏｎ,ＩｎｔｅｌｌｉｇｅｎｔＮｅｔｗｏｒｋ[Ｍ]．ＧｅｎｅｒａｌＢｏｏｋｓＬＬＣ,２０１１：１２１－１２３〔收稿日期：２０１５．９．１〕一目了然。

合加速度：ａ＝（ａ识别分类每个合加速度值以１ｇ作归一化处理后，合加速度都是９．８的相对值，没有了量纲。各动作的的阈值设定如图可以清楚地看出，站立动作的阈值都低于１．２，走的动作阈值则介乎１．２１．９之间，跑的动作阈值介乎１．９２．６之间，跳的阈值则是高于２．６。基于这种动作的阈值差异与设定值，可以设定如图的基本算法。每３ｓ导入一次数据，每次数据的时间跨度设定为一个窗格（即３ｓ）。支持向量机ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）是Ｃｏｒｔｅｓ１９９５年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其它机器学习问题中。它是建立在统计学习理论的ＶＣ维理论和结构分险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能。支持向量机对于线性不可分的情况，通过使用非线性映射算法，将低维输入空间特性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。特别在解决小样本、非线性及高维模式识别中表现出许多特有的优势结束语本文提出了一种基于三轴加速度传感器的人体动作识别研究方法，通过对数据进行归一化、加窗等预处理，提取合加速度的阈值特征，利用支持向量机进行分类识别，有效地识别了站种动作，平均识别率能达到９５％，证明了此方法的有效性。本文未来的研究工作还可以对数据的预处理进行优化，引用更多更全面的方法对数据去躁；此外，本文对数据的特征提取仍过于单一，未来