基于三轴加速度传感器的人体运动状态识别

　　摘要提出一种基于可穿戴设备的人体运动状态识别系统，内置的三轴加速度传感器用于人体运动数据的收集。系统采用设备朝向无关的算法，利用某时间段内收集的加速度数据明确可穿戴设备的朝向，以此计算用户运动过程中水平及垂直方向的加速度。之后，在加速度各方向上的时域与频域中获得多个特征，通过主成分分析确定对识别作用结果明显的特征值，用于运动状态识别。后期，借助隐Markov模型对初步识别结果进行处理，保证数据特征值在不同环境下均能保持较高的识别率。

　　关键词三轴加速度传感器;可穿戴设备系统;人体运动状态识别

　　1可穿戴设备系统结构与硬件设计

　　可穿戴设备佩戴在用户身上，用于采集用户的动作信息[4]。在可穿戴设备的内部，进行基于三轴加速度传感器的人体运动状态识别系统设计。系统由数据采集与预处理模块以及数据分析模块5]构成，其中，前者用于采集、存储与预处理加速度数据;后者则对数据进行特征提取与分析。该模块的控制核心为STM32F单片机，使用6轴加速度-陀螺仪传感器MPU6050，执行对加速度信号的AD转换任务，之后，接受传感器内部的低通滤波处理，经I2C接口传至STM32F，以逗号分隔的格式将其在Micro-SD卡的TXT文件中存储，为后期的处理、计算与分析提供便利。

　　2数据采集与预处理思路

　　2.1数据采集

　　设置加速度传感器的采集频率为20Hz，以此保证能够采集每秒小于等于10次的运动。该加速度传感器内置于智能、便携式可穿戴设备中。在该设备的嵌入式系统上，编写用于收集加速度数据的程序，此程序主要对每50ms的三轴加速度传感器的加速度值进行存储。每间隔10s的时间，会有1个样本文件生成，存储10s内的数据。由于起初需借助计算机对这些数据进行分析，在找到最佳的识别方法之后，再进行程序的编写让该嵌入式系统实现检测。此次研究对人体的静止、走、跑与上楼梯、下楼梯5种动作进行收集与识别，样本数据量约600，采用用户手动标记法收集运动状态。

　　2.2数据预处理思路

　　人体在走路、跑步或上下楼梯等运动时会有侧向、前向与竖向3个方向加速度分量的产生，它们之间相互正交，对应加速度传感器3个轴上的加速度[6]。为一次跑步运动过程中x、y、z轴上测得的波形。在实际应用中，加速度传感器获得的三轴加速度信号含很多类型复杂的噪声以及手腕抖动产生的干扰，数据复杂，对分析不利，特别是当手机朝向有所变化之时，虽然是同一种运动状态，亦会有不同图像出现。

　　对此，为了获取更好地、有利于特征提取的数据形式，应对其进行预处理。此处采用手机朝向无关的算法，获得平行于重力方向的铅锤面以及垂直于重力方向的水平面加速度(在10s内，手机朝向有可能发生变化，但大体上可将其视作稳定不变的)，如此一来，所提取的数据更加利于分析。考虑到频率成分的叠加不具有幅值叠加的特性，在进行频率成分的提取之时，出于节约计算资源与运算时间的目的，对x、y、z轴的分量进行求和取模处理。然而，这些数据不含水平与垂直成分，不利于精确度的提高，故不可直接对其作相应的分析，还需用到之前得到的hi与iv。

　　3特征提取与数据分析

　　3.1特征提取

　　为保留最大值与最小值特性，同时，尽可能地减小运动过程中偶尔抖动造成的误差影响，此处将平均最大值与平均最小值的概念引入，采用脚步识别算法获取用户运动的每一步，之后对其每一步产生的加速度最大值与最小值进行计算。在使用这些数据之前需首先提取相应的特征量。通过可视化分析可知，跑步与静止两种运动状态较容易分辨出来，上下楼梯与走这3种相似的运动状态有较大的区分难度。此时，运用频域的部分特性，先对各种运动进行FFT变换，获取时域与频域信息。

　　根据时域与频域信息可知，最容易识别的运动状态依旧是跑步与静止。究其原因，在于跑步能够产生最大的加速度方差与平均最大值，而静止的加速度方差及平均最大值则最小，两种运动可通过简单的逻辑判断识别出来。在5种运动状态中，走、上楼梯与下楼梯3种状态相似性较高。经仔细观察，下楼梯产生的数据方差在3者中最大，其次为走，最小为上楼梯。原因在于在上楼梯之时，人体会克服加速度做功，因而晃动情况会比较弱，但下楼梯相对而言轻松得多，这种状态下人体会出现较为明显的抖动。分析加速度的平均最小值，上楼梯要大于下楼梯，而加速度平均最大值上，上楼梯又比下楼梯小，走的状态一直是居中的。

　　4识别分类测试

　　根据前文已确定的用于运动状态识别的主要特征值，便可分类与判别样本数据，之后，确定适合的的阈值判别这些运动状态，选用模型对这些数据进行高效的处理。此处，对判决树J48模型加以应用，该模型可达到96.219%的识别准确度，J48存在一定的不足，例如由于受到用户个体之间运动差异的影响，致使部分主特征值过大，一项下楼梯运动被识别为跑，这显然是错误的。因此，引入Markov模型减少此类错误的发生率。个体的运动过程可被视作一种Markov过程，通常，每一个动作的下一个动作均能够预测。例如个体在进行上楼梯运动之时，其下一个动作状态仍有很大的可能是继续上楼梯或走，成为跑或下楼梯的可能性较小。因此，可按照个体的日常行为规律进行状态转移矩阵的建立，之后运用HMM模型平滑输出，排除不合理的状态，以此有效提高个体运动准确度。

　　5结语

　　文章提出一种可穿戴设备系统，该系统基于三轴加速度传感器，可对个体运用产生的样本数据进行收集，之后提取时域与频域特征值，利用主成分分析法确定最重要的特征值，采用J48模型根据个体现有的实时数据对其当前的行为状态进行推断，同时，统计分析其历史行为。在进行数据处理之时，文章先执行对数据的脚步定位与特征值抽取操作，采用手机朝向无关算法确定水平与垂直方向上的加速度。在进行最大值与最小值的计算之时，采用以个体脚步为单位的平均最大值与平均最小值，并对处理领域进行相应拓展，使其涵盖频域范围，获得最大的频域点，它们包括运动产生的重要频率信息。接下来，采用主成分分析法明确对结果有最大贡献的主要特征属性，分析怎样利用这些特征点及样本进行识别模型的训练。Markov模型有利于识别精度的增加。

　　传感器论文投稿刊物：《仪表技术与传感器》(月刊)是1964年创刊，是面向仪器仪表行业的专业性科技期刊，是中国仪器仪表行业最具影响力的期刊之一。主要报导仪器仪表、敏感元件及传感器、电子元器件、检测设备、自动化控制系统以及相关的工艺技术、应用技术等。

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/22000.html