無(wú)線體域網(wǎng)中人體動(dòng)作監(jiān)測(cè)與識(shí)別若干方法研究.pdf

1、無(wú)線體域網(wǎng)是由可感知人體多種生理參數(shù)的輕便、可穿戴或可植入的傳感器節(jié)點(diǎn)構(gòu)建的無(wú)線網(wǎng)絡(luò)。無(wú)線體域網(wǎng)為人體健康監(jiān)測(cè)提供了新的手段，在疾病監(jiān)控、健康恢復(fù)、特殊人群監(jiān)護(hù)等領(lǐng)域有著巨大的應(yīng)用意義和需求。通過(guò)佩戴在身體上的微慣性傳感器，體域網(wǎng)可以采集人體的運(yùn)動(dòng)信號(hào)，在人體動(dòng)作監(jiān)測(cè)方面得到廣泛應(yīng)用，可實(shí)現(xiàn)人體動(dòng)作識(shí)別、異常動(dòng)作檢測(cè)、步態(tài)識(shí)別與分析、運(yùn)動(dòng)能耗分析等目的。
　　在利用無(wú)線體域網(wǎng)進(jìn)行人體運(yùn)動(dòng)監(jiān)測(cè)過(guò)程中，如何在滿足身體活動(dòng)監(jiān)測(cè)指標(biāo)要求的

2、同時(shí)提高傳感器節(jié)點(diǎn)的能量有效性，以便能在實(shí)際應(yīng)用中長(zhǎng)時(shí)間不間斷地進(jìn)行人體動(dòng)作監(jiān)測(cè)，是一個(gè)具有挑戰(zhàn)性的問(wèn)題。本文以由多個(gè)可穿戴的微慣性傳感器構(gòu)成的無(wú)線體感網(wǎng)為研究對(duì)象，圍繞能量有效性，以稀疏表示和壓縮感知理論為主線，從信號(hào)識(shí)別、信號(hào)壓縮、數(shù)據(jù)融合、功率控制這四個(gè)方面展開(kāi)研究。主要工作和創(chuàng)新點(diǎn)如下:
　　(1)提出了一種基于自學(xué)習(xí)稀疏表示的動(dòng)態(tài)手勢(shì)識(shí)別方法L-SRC。針對(duì)手勢(shì)識(shí)別中手勢(shì)長(zhǎng)短不一的問(wèn)題，將手勢(shì)樣本向量進(jìn)行歸一化線性插值，

3、從而將手勢(shì)識(shí)別問(wèn)題轉(zhuǎn)化為求解待識(shí)別樣本在訓(xùn)練樣本中的稀疏表示問(wèn)題;針對(duì)如何提高手勢(shì)識(shí)別精度和速度的問(wèn)題，采用基于類別的字典學(xué)習(xí)方法尋求一個(gè)較小的并經(jīng)過(guò)優(yōu)化的超完備字典來(lái)計(jì)算待識(shí)別樣本的稀疏表示，從而在手勢(shì)識(shí)別階段大幅度縮減識(shí)別算法的計(jì)算復(fù)雜度，滿足快速識(shí)別要求。在包含18種手勢(shì)的數(shù)據(jù)集上驗(yàn)證了提出的L-SRC手勢(shì)識(shí)別方法在保證識(shí)別精度的同時(shí)提升了識(shí)別速度。
　　(2)提出了兩種壓縮分類的動(dòng)作識(shí)別方法RP-CCall和RP-CCea

4、ch。針對(duì)運(yùn)動(dòng)信號(hào)的時(shí)間冗余性和稀疏性，結(jié)合壓縮感知和稀疏表示理論，將傳感信號(hào)壓縮與動(dòng)作識(shí)別相結(jié)合，以滿足一定動(dòng)作識(shí)別率的同時(shí)降低傳感器節(jié)點(diǎn)的能耗。兩種RP-CC方法是在傳感器節(jié)點(diǎn)上利用隨機(jī)投影對(duì)運(yùn)動(dòng)信號(hào)進(jìn)行數(shù)字化的壓縮采樣，通過(guò)減少無(wú)線體域網(wǎng)的數(shù)據(jù)傳輸量來(lái)節(jié)省能耗;在基站上直接對(duì)壓縮的數(shù)據(jù)建立稀疏表示的人體運(yùn)動(dòng)模式識(shí)別模型，利用稀疏系數(shù)的分布來(lái)實(shí)現(xiàn)動(dòng)作識(shí)別。理論分析了壓縮分類動(dòng)作識(shí)別方法能正確識(shí)別的基本條件。找到了能在存儲(chǔ)和計(jì)算資源有

5、限的傳感器節(jié)點(diǎn)上實(shí)現(xiàn)的隨機(jī)投影矩陣。在包含13種動(dòng)作的數(shù)據(jù)集上進(jìn)行了驗(yàn)證，結(jié)果顯示RP-CCall方法和RP-CCeach方法在對(duì)壓縮的數(shù)據(jù)識(shí)別時(shí)也能達(dá)到無(wú)壓縮時(shí)相近似的識(shí)別準(zhǔn)確率，并高于最近鄰、支持向量機(jī)等分類方法。
　　(3)提出了基于分布式壓縮感知和聯(lián)合稀疏表示的動(dòng)作識(shí)別方法DCS-JSRC。針對(duì)無(wú)線體域網(wǎng)中多傳感器采集的運(yùn)動(dòng)數(shù)據(jù)之間的時(shí)空相關(guān)性，采用分布式壓縮感知在傳感器節(jié)點(diǎn)進(jìn)行分布式壓縮，充分利用這種相關(guān)性來(lái)進(jìn)一步壓縮數(shù)

6、據(jù)以降低傳輸能耗。在基站通過(guò)探索多傳感器節(jié)點(diǎn)感知運(yùn)動(dòng)信號(hào)的時(shí)空相關(guān)性，構(gòu)建適用于動(dòng)作識(shí)別的聯(lián)合稀疏表示模型，將多傳感器的動(dòng)作識(shí)別問(wèn)題轉(zhuǎn)化為多變量稀疏線性回歸問(wèn)題來(lái)求解。采用層次貝葉斯模型來(lái)求解稀疏表示系數(shù)，利用不同傳感器節(jié)點(diǎn)的相互關(guān)聯(lián)來(lái)進(jìn)一步提高動(dòng)作識(shí)別的準(zhǔn)確率。在動(dòng)作數(shù)據(jù)集上進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果顯示DCS-JSRC方法在相同壓縮比的情況下獲得了比RP-CCall方法和RP-CCeach方法更高的識(shí)別準(zhǔn)確率。
　　(4)設(shè)計(jì)了輕量級(jí)

7、的基于動(dòng)作行為的自適應(yīng)功率反饋控制機(jī)制PID-A。針對(duì)無(wú)線體域網(wǎng)中鏈路通信質(zhì)量受人的運(yùn)動(dòng)、姿態(tài)變化影響具有動(dòng)態(tài)時(shí)變特性，通過(guò)實(shí)測(cè)人體不同動(dòng)作以及發(fā)射功率變化對(duì)無(wú)線鏈路的影響，分析和總結(jié)了在人體不同運(yùn)動(dòng)狀態(tài)下節(jié)點(diǎn)的發(fā)射功率與鏈路通信質(zhì)量的變化特性和規(guī)律，在此基礎(chǔ)上建立基于反饋的功率控制系統(tǒng)模型，結(jié)合人體動(dòng)作識(shí)別的結(jié)果，來(lái)動(dòng)態(tài)調(diào)整無(wú)線體域網(wǎng)中節(jié)點(diǎn)的發(fā)射功率。實(shí)驗(yàn)結(jié)果顯示PID-A功率控制機(jī)制可保證在數(shù)據(jù)包成功接收的條件下降低了傳感器節(jié)點(diǎn)發(fā)送