人體運(yùn)動(dòng)信息獲取及物理活動(dòng)識(shí)別研究.pdf

1、人的物理活動(dòng)具有可感知性、非侵犯性以及受環(huán)境影響小等特點(diǎn)，在上下文環(huán)境中能體現(xiàn)人的意圖，是生物特征研究的一個(gè)新興領(lǐng)域，在普適計(jì)算、虛擬現(xiàn)實(shí)、運(yùn)動(dòng)訓(xùn)練和醫(yī)療保健等眾多領(lǐng)域有廣闊的應(yīng)用前景。人體運(yùn)動(dòng)信息可通過加速度等慣性傳感器采集，經(jīng)過特征提取和活動(dòng)建模后，運(yùn)用統(tǒng)計(jì)和機(jī)器學(xué)習(xí)算法進(jìn)行物理活動(dòng)識(shí)別。其中，將大量的低層傳感器數(shù)據(jù)轉(zhuǎn)換為高層的物理活動(dòng)信息是物理活動(dòng)識(shí)別的關(guān)鍵問題。本文重點(diǎn)研究了人體運(yùn)動(dòng)信息的獲取方法、基于步態(tài)加速度的步態(tài)識(shí)別、物理

2、活動(dòng)特征的自動(dòng)選擇、短時(shí)物理活動(dòng)識(shí)別和基于多傳感器的物理活動(dòng)識(shí)別等內(nèi)容。
　　 運(yùn)動(dòng)環(huán)境的多樣性及物理活動(dòng)的復(fù)雜性影響人體運(yùn)動(dòng)信息的準(zhǔn)確獲取。為有效提取人體運(yùn)動(dòng)信息，設(shè)計(jì)了基于加速度傳感器的可穿戴人體運(yùn)動(dòng)信息采集系統(tǒng)。通過對(duì)人體運(yùn)動(dòng)信號(hào)的檢測(cè)與分析，研究了運(yùn)動(dòng)數(shù)據(jù)的位置校正與加速度信號(hào)去噪等數(shù)據(jù)預(yù)處理方法，保證了人體運(yùn)動(dòng)信息獲取的準(zhǔn)確度。
　　 通過分析步態(tài)加速度的無偏自相關(guān)特性，研究了步態(tài)參數(shù)計(jì)算和步態(tài)對(duì)稱性評(píng)估方法，

3、以及行走速度與步頻、步長(zhǎng)和步幅之間的關(guān)系。提出了一種混合時(shí)頻域特征的最近鄰步態(tài)識(shí)別算法，該方法對(duì)單步態(tài)切分得到步態(tài)代碼，采用混合時(shí)頻域特征匹配實(shí)現(xiàn)身份的識(shí)別。實(shí)驗(yàn)結(jié)果顯示，最近鄰步態(tài)識(shí)別方法能消除人體行走的步態(tài)周期不確定性問題，提高了身份識(shí)別的準(zhǔn)確率。
　　 從運(yùn)動(dòng)數(shù)據(jù)中提取有效特征是物理活動(dòng)識(shí)別的關(guān)鍵。針對(duì)短時(shí)物理活動(dòng)中加速度信號(hào)的相似性和不穩(wěn)定性等問題，提出了基于聚類特征選擇的DHMM 姿勢(shì)識(shí)別方法。該方法運(yùn)用k-means

4、 聚類算法自動(dòng)提取物理活動(dòng)特征，并將多維特征輸入離散隱馬爾可夫模型，通過模型訓(xùn)練和似然度計(jì)算，識(shí)別出不同的姿勢(shì)動(dòng)作。實(shí)驗(yàn)結(jié)果表明，聚類特征選擇降低了隱馬爾可夫模型的復(fù)雜度，提高了短時(shí)物理活動(dòng)的識(shí)別性能。
　　 在多個(gè)傳感器節(jié)點(diǎn)的物理活動(dòng)識(shí)別中，需要融合多特征參數(shù)以減少節(jié)點(diǎn)傳送的信息量。本文采用機(jī)器學(xué)習(xí)算法得到各節(jié)點(diǎn)的分類混淆概率，然后采用貝葉斯規(guī)則融合多節(jié)點(diǎn)上的分類信息，將物理活動(dòng)分類為具有最大后驗(yàn)概率的類別，提高了物理活動(dòng)的識(shí)