基于事件驅動策略的步態(tài)行為識別研究.pdf

1、隨著傳感器、無線通信等技術的發(fā)展，體域網在醫(yī)療、體育、娛樂等領域得到了更為廣泛的應用。人體行為識別是體域網科研領域的一個主要研究熱點，能夠幫助計算機感知人類的肢體行為并理解其含義，進而在醫(yī)療患者監(jiān)護、運動員輔助訓練等應用場景中提供具有實際價值的服務。
　　步態(tài)行為是一種生活中常見的動作，準確識別步態(tài)對于各領域的復雜行為識別研究來說具有普遍意義。現有的步態(tài)行為識別方法往往采用滑動窗口技術獲取與步態(tài)動作相關的加速度傳感器數據，并在此基

2、礎上完成特征提取和分類器訓練。這些方法難以準確定位動作的發(fā)生時段，需處理重復數據，因而使得系統(tǒng)計算開銷增大，且研究所覆蓋的步態(tài)類型較少，缺少對運動方向變化的考慮。為此，本文提出一種基于事件驅動策略的步態(tài)行為識別方法，用以識別行走、奔跑、蹲起、跳躍、轉身、上下樓等12種腿部動作。該方法以陀螺儀為主要傳感器，通過采集腿部和腰部角速度信號來感知人體下肢的動作，并依據小腿角速度的變化規(guī)律動態(tài)劃分步態(tài)周期。之后，在步態(tài)周期內的傳感器數據中提取出2

3、0種具有實際意義的啟發(fā)式特征，送至步態(tài)分類模型得到步態(tài)所屬類別。在構建分類模型的過程中，考慮到起步與后續(xù)階段的步態(tài)在行為表現上存在一定差異，本文提出為兩階段步態(tài)分別構造專屬分類器的策略，并通過比較四種常用機器學習算法得到適用于步態(tài)行為識別的最佳分類器。
　　實驗結果表明，本文提出的步態(tài)行為識別方法能夠有效識別12種步態(tài)，對于不同測試者的識別準確率平均可達到98.0％，相比于其它步態(tài)行為識別方法，具有識別類型多、準確率高、實時性好、