《智能手机传感器的人体活动识别》由会员分享，可在线阅读，更多相关《智能手机传感器的人体活动识别（4页珍藏版）》请在金锄头文库上搜索。
1、智能手机传感器的人体活动识别 明翠 天津市三星通信技术研究有限公司 摘 要： 进入 21 世纪之后, 智能传感器技术作为一项先进的传感技术已广泛应用于各行各业当中, 特别是在人体活动识别中的应用。人体活动识别技术是基于监督学习的统计方法并运用传感器系统来构建识别模型的新型技术, 能对人体大部分动作类型进行识别判断的技术, 但是考虑到人体活动具有复杂性和多样性, 所以其技术只还不够成熟, 对于一些复杂的动作还不能完全识别, 为提高其识别准确性利用智能手机的三维加速度和陀螺仪传感器信息并结合多种计算方法来收集和计算人体活动的各种特征参数, 包括人体头部、面部、四肢以及身体姿势等信息, 再运用手机传
2、感器来判断其活动的类型。通过实验表明, 人体活动识别系统对人体动作识别率高达 93%, 取得很好的识别效果, 在人机交互、康复工程、教育、远程会议、体育运动等方面具有广泛的应用前景。关键词： 活动识别; 加速度; 陀螺仪; 统计学习模型; 收稿日期：2017-10-11Received： 2017-10-111 人体活动识别原理人体活动包括人体四肢状态以及身体位置状态, 对其识别需要将这两部分信息分别进行采集, 需要求传感器能够快速准确的反应这两方面的信息。智能手机传感器采用三维加速度和陀螺仪传动两者结合的技术能判断人体活动的运动方向以及动作幅度, 并精确地传递到识别系统中进而判断人体活动动作
3、类型。在实验中测试者需将智能手机佩戴在身上, 智能手机可以记录在此期间测试者的任何动作, 包括四肢状态、运动方向、运动幅度大小等, 将信息存放在系统里并经过识别判断将各种动作归类, 采集到大量不同动作类型之后即可对任何人体活动的动作进行识别。另外, 除采集信息准确性可以提高识别失败率之外, 外界环境对其判断也有很大影响, 因此, 在实验中需要对不同环境下的人体活动采集信息, 分类之后保存到系统中, 保证识别人体活动时在任何环境下都保持很高的识别率和准确率。2 人体活动识别系统人体活动识别系统包括信息采集、特征参数判断以及活动模型选择这三个步骤, 每个步骤都对其识别结果有着很大的影响, 所以需要
4、保证每个步骤的准确性, 尤其是特征参数判断, 它是人体活动识别操作的核心步骤。系统通过传感器收集到大量活动信息之后会自动提取各种不同动作的特征参数, 经过算法计算将其归类并保存在系统中, 当进行人体活动识别时对采集信息进行识别判断并与系统已存在的动作类型分析比较, 找出一致的特征参数, 通过K-近邻算法、支持向量机、朴素贝叶斯网络以及基于朴素贝叶斯网络的 Ada Boost 算法四大算法计算, 输出正确的活动模型输出即可。2.1 信息采集人体活动信息采集对传感器要求非常高, 需要传感器可以对人体位置和活动模式有一定的判断能力, 且需要使用者方便携带随时随地采集其活动信息, 所以选用智能手机传感
5、器, 可以对人体一系列肢体动作进行完整的采集。2.2 特征参数提取与预处理特征选取是判断人体动作的基础, 只有在系统已存在的动作经识别之后才能输出。人体特征包括时域特征、频域特征等其他特征参数, 其中, 时域特征包括计算信息的特性, 如统计最大值、均值、方差、平均交叉率、短时能量等;频域特征包括 FFT 系数、频域熵等利用傅里叶变换或小波提取的特征, 这些特征都是后期进行动作识别的前提。人体活动是具有随机性的, 各种动作也是随机出现的, 因此需要传感器传感器有很高的灵敏度随时对人体信息进行采集, 而加速度传感器不仅对重力加速度有很高的敏感度而且对环境噪音、高频干扰也有着很敏感的反应。通常情况下
6、, 一些简单的人体动作系统会很容易识别, 但为保证识别的准确性, 需要提前对采集的信息进行预处理, 再通过系统对特征参数的二次判断之后才能输出相应的动作类型, 从而达到双重保证的效果以提高系统识别的时效性和准确率。2.3 人体活动识别算法与活动模型的建立人体活动识别算法是基于监督学习和半监督学习的算法, 用来计算人体活动的特征参数。本文选取 K-近邻算法、支持向量机、朴素贝叶斯网络以及基于朴素贝叶斯网络的 Ada Boost 算法来构建人体活动模型, 四种算法的结合使用可以使计算结果更加准确并切合实际。其中 K-近邻算法可以找出实训中与实际运用中最相似的列子与之进行计算;支持向量机可以将将向量
7、映射到一个高维的空间里, 在这个空间里建立有一个最大间隔超平面;朴素贝叶斯网络最大的特点是对特定的输入有与之对应的结果;最后基于朴素贝叶斯网络的 Ada Boost 算法是针对同一个训练集训练不同的分类器 (弱分类器) , 然后把这些弱分类器集合起来, 构成一个更强的最终分类器, 四大算法的结合使用对人体活动识别系统的准确性的提升有很大的帮助。最后, 系统对算法计算出的结果进行整合, 从而形成一个活动识别模型, 在后期识别过程起着很重要的作用。3 人体活动识别的应用智能手机传感器的人体活动识别在人机交互、康复工程、教育、远程会议、体育运动、游戏娱乐等方面已经有了很广泛的应用。本文针对某电脑游戏
8、中涉及到的人体活动识别系统进行分析。游戏规则是这样的:游戏是一个人机互动的过程, 玩家需要做的就是模仿电脑游戏中人物的动作, 做出与之一样或者最相似的动作, 系统会自动判断其动作是否一致、是否标准从而进行打分的过程。比如说当游戏中人物张开双手, 游戏玩家需要立即跟着张开双手, 此时摄像头会捕捉到玩家张开双手的动作并将其动作信号传输到游戏系统中, 系统会对此动作进行评判, 其评判标准为:判断双手是否张开, 张开角度的大小是否与游戏人物双手角度一致并对动作的相似度进行判断。由于游戏在设计时已经在数据库中存放了各种人体动作的特征参数并建立了模型, 当接受到传感器传来的信号只需要通过算法计算再与系统模
9、型相比较即可判断其动作是否与系统存在动作一致。此外, 智能手机传感器的人体活动识别还在人机交互、康复工程、教育、远程会议、体育运动等方面有重要应用, 在这里不再一一介绍。4 结束语综上所述, 智能手机传感器对人体活的识别在我国各行各业中的应用是越来越广泛, 利用可以对人体四肢状态以及身体位置采集的传感器收集人体活动信息, 再通过 K-近邻算法、支持向量机、朴素贝叶斯网络以及基于朴素贝叶斯网络的Ada Boost 算法四大算法对收集参数进行计算, 将不同类型的人体活动的特征参数进行建模并保存, 其识别准确率高达 93%。另外, 考虑到人们在相同地点或者相同时间段的活动往往具有相似性, 在构建人体活动识别模型时还可以考虑地点、时间和周围环境 (如天气状况等) 等情景信息来进一步优化人体活动识别模型的识别性能。参考文献1刘斌, 刘宏建, 金笑天, 国德峰.基于智能手机传感器的人体活动识别J.计算机工程与应用, 2017, 58 (04) :7899. 2陈龙彪, 李石坚, 潘纲.智能手机:普适感知与应用J.计算机学报, 2016, 38 (02) :453495. 3吴志强, 曹蕾, 王凯, 吕庆文.基于智能手机的人体跌倒检测系统设计J.计算机工程与设计, 2016, 35 (04) :665890.
