《基于惯性传感器的运动识别系统毕业论文》由会员分享，可在线阅读，更多相关《基于惯性传感器的运动识别系统毕业论文（39页珍藏版）》请在金锄头文库上搜索。
1、 . . . 摘要基于惯性传感器的运动识别系统是模式识别的一个新兴领域，克服了传统基于视频的动作识别的诸多缺点和限制，具有更高的可操作性和实用性。所以本文首先着重介绍了如何利用惯性传感器进行动作的分类，与其原理。在对运动进行识别的算法中，比较常用的算法有神经网络、支持向量机、隐马尔科夫模型等，这些算法不是很直观，而且相对来说比较复杂，因此本文采用的是k-means均值聚类算法，本文的工作流程如下：首先通过握在被测实验对象手中的惯性传感器采集动作信息，然后通过无线传输模块将数据传输到 PC 机，进而对数据进行动作自动截取和动作特征提取，最后利用选定的识别算法对动作进行识别。在本文中，用于实现动作
2、识别的几种动作为向上、向下、向左、向右和画圈，随后对该动作进行动作捕捉，并采用快速傅里叶变换（Fast Fourier Transform, FFT）进行特征提取，最后采用K-means均值聚类进行识别，识别率为69%。本文的重点在于数据的特征提取，与惯性传感器的运动识别，分别用到了快速傅里叶变换，与K-mean均值聚类两种算法。关键词：惯性传感器，K-means均值聚类, FFTABSTRACTInertial sensor based motion recognition system is an emerging field. It overcomes the disadvantage
3、of traditional video based gesture recognition, and has higher maneuverability and practicability. So this article introduces how to classify motions with inertial sensor, and its working principle.The most common algorithm for motion recognition is Neural Networks (NN), support vector machine (SVM)
4、, hidden Markov models (HMM), etc. These algorithms are not so intuitive and relatively complex in algorithm. So this paper adopts k-means clustering for inertial sensor based motion recognition. The workflow is as flows: first of all, the inertial sensor fixed in subjects hand is used to collect mo
5、tion information; and then, the data is transmitted to PC by wireless transmission module, followed by data preprocessing, feature extraction and selection. Finally, the motion is recognized by k-means clustering，This paper exploits the inertial sensors for the recognition of the following motions:
6、up, down, left, right and the circle. The algorithm used for feature selection is Fast Fourier Transform (FFT), and the algorithm for recognition is K-means clustering.So this article is focused on feature extraction, and motion recognition. The corresponding algorithms are fast Fourier transform, a
7、nd K-means clustering algorithm.KEY WORDS：Inertial sensors, K-means clustering, FFT目录第一章前言41.1研究的背景和意义41.2基于惯性传感器的运动识别国外现状51.3传感器的分类61.4本文的组织结构10第二章数据采集和特征提取算法122.1 惯性传感器的结构122.2 数据采集122.3 数据的特征提取132.4 离散傅里叶变换(DFT)162.4.1 快速傅里叶变换(FFT)172.4.2快速傅里叶变换FFT 的应用182.4.3 算法基本原理19第三章基于惯性传感器的运动识别213.1 运动识别主要算法
8、213.2K-means算法介绍223.3Kmeans 文本聚类算法优化233.4 初始聚类中心的选择243.5K一均值聚类算法的算法流程243.6 SOM算法介绍253.7 实验容273.8 实验结果30第四章结论34参考文献34第一章 前言1.1研究的背景和意义 由于加速度现象在生活中无处不在，例如，刷牙、洗脸、走路、跑步等人体的日常活动都会产生加速度。因此，在众多的传感器中，利用加速度传感器测量的加速度信号来识别人的运动状态（或活动）受到世界各地研究人员的广泛重视。 所谓“加速度信号”是指人们在日常生活中由于身体运动产生的人体动作信号。通过对这种运动信号进行有效的处理，就可以判断产生该信
9、号的是哪一种动作，从而判断做出这种动作的人的意图。基于加速度传感器的人体运动模式识别除了应用于智能人机交互外，还可应用于智能监控、健康监控、基于手持设备的上下文感知与人体运动能量消耗评估等领域，有着非常广阔的应用前景。 伴随着微型机电系统(MEMS)技术的不断发展与成熟，价格低廉、体积小、灵敏度高的 MEMS 加速度传感器开始广泛地应用于手机、笔记本、游戏机等嵌入式电子消费产品。2007 年苹果公司的 iPhone 手机、任天堂的 Wii 游戏机火爆销售一度轰动业界，这其中，加速度传感器功不可没，它所带来的全新使用体验以与独特的人机交互方式不仅造就了产品本身的巨大成功，更是给日趋同质化的电子整
10、机市场注入了新鲜血液。同时，这种加速度传感器可以精确的获取手持嵌入式设备用户的运动加速度信号，为基于加速度传感器的人体运动模式识别提供了数据方便获取的保障。 随着人们对惯性传感器研究的不断深入，基于惯性传感器的人体动作分析已然成为新的研究领域，受到国外研究者的广泛关注，并进行了卓有成效的研究。基于惯性传感器的人体运动分析与识别在以下方面有着重要意义： （1）游戏动画与电影制作 通过采集人体的各种动作的相关数据，再通过相关软件技术将这些数据加载到电脑动画中，从而实现动画制作和相关游戏开发。同时，基于惯性传感器的动作分析与识别在电影制作中也有广泛的应用，尤其很多电影中的一些高难度动作，根据人体动作
11、数据通过电脑技术制作出这些动作，效果也很好。 （2）体育竞技 人体动作分析与识别在体育相关领域应用也相当广泛，特别是在我们这样的体育强国中。通过对各种运动中动作的研究，把采集到的相关动作数据加以科学的分析和利用，不仅能够对运动员的训练水平和技术动作产生促进作用，有效减小运动伤害，而且对运动员损伤的治疗也有一定的帮助。如在国家举重队，利用高速摄像机采集举重运动员的动作信息，通过SIMI等动作分析软件或惯性传感器动作捕捉配套软件研究他们的动作，从而对运动员动作做出科学有效的改进。 （3）临床应用 临床应用主要体现在医疗保健和康复训练两个方面2。随着生活质量的提高，人们越来越关注医疗保健。通过长时间
12、采集记录人的运动数据，分析人体运动规律和能量消耗等指标，从而为人们提供健康方案。同时，人体运动分析在康复训练方面也有广泛应用。通常，手术后的肢体康复训练对医疗效果影响很大，医生通过分析人体运动，对正在进行康复训练的病人的动作情况、训练时间和强度等进行分析，随时了解他们的恢复情况，与时对康复方案进行改进。另外，通过佩戴在老年人身上的惯性传感器可以识别他们的动作，对跌倒等突发性事件作出反应，与时发出信号求助。 1.2基于惯性传感器的运动识别国外现状惯性传感器采集到的信号除了人们想要的动作信息外，还包含有噪声。所以首先要对采集的信息进行预处理，之后才能进行下一步工作。在基于惯性传感器的动作识别中，预
13、处理一般有重采样、加窗、滤波、归一化等。Khan A.M 等人12在其研究中，就利用3阶滑动平均滤波器来对加速度信号进行噪声滤除。而文献13中对原始信号的处理采用了重采样技术，达到了规整数据的目的。 近年来，在基于传感器数据的动作识别中，特征提取方法主要有三种方法：时域分析法、频域分析法和时频分析法。常用的时域特征有：均值、方差或标准差、均方根、与时域积分等频域特征主要有：FFT系数、能量、能谱密度、频域熵等。此外还有时频分析法，例如，Wang等人在其研究中就使用了小波分解来提取他们需要的特征。随着人体动作识别研究的不断深入，也出现了一些新的特征，例如，研究者就提取了四分位间距作为其识别的特征
14、，使用HMM分类时，提出了一种谱系数特征。 分类就是通过分类算法将某一未知类别样本匹配到某一已知类别中，从而确定该未知样本的类别。常见的分类算法有：最近邻法、贝叶斯（Bayes）分类法、BP 神经网络分类法、决策树算法、支持向量机（SVM）算法、隐马尔科夫（HMM）算法等。 在基于惯性传感器的动作识别领域，这些传统分类方法仍然得到了很多研究者的青睐，并在实际应用中证明了其可靠的识别率。2006 年，Daniel Olgu 等人就在基于传感器的动作识别中引入了 HMM 算法，他们分别在 3 名受试者的右手、左臀、胸3个部位固定了3个加速度计，对坐、跑、蹲、走、站立、爬行、躺下动作进行了识别，识别
15、率达到92.13%。2007 年，Piero Zappi27等人通过穿戴在双臂上的19个三轴加速度计，利用贝叶斯分类器对修车工人的基本修车动作进行了识别，识别率高达98%。2008 年，Jhun-Ying Yang28等人选取了7个测试者，研究了日常生活中的站、坐、走、跑、吸尘、洗衣服、刷牙7种动作，分别采用人工神经网络分类器和最近邻算法进行了识别，达到了95.24%和87.17%的识别率。同年，Zhenyu He29等人准备了一部置了三轴加速度计的手机，测试了67个受试者手持手机时的17种动作，使用了支持向量机分类器，识别率达到了87.36%。2010年，Yu-Jin Hong30等人将3个三轴加速度计分别固定在15名受试者的大腿、腰部、前臂三个部位，采用决策树分类器对站、坐、走、跑、挥手等 18 种日常动作进行了识别，识别率达到 92.58%。Ling Bao31和 Dean M. Karantonis32等人也分别用决策树分类器对人体跌倒进行了识别，识别率也到达了 80%以上。 1.3传感器的分类 传感器是将物理、化学、生物等自然科学和机械、土木、化工等工程技术中的非电信号转换成电信号的换能器。相应的英文单词为Sensor或Transducer。注意,若在英文文献中Sensor和Transducer,甚至还有Actuator同时
