英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
使用基于无线传感器的人体运动识别
可穿戴系统
约翰保罗瓦尔基达里奥庞皮利
Theodore A. Walls
收到日期：2011年3月7日/接受日期：2011年8月19日/网上发布：2011年9月11日
Springer-Verlag London Limited 2011
摘要：人机交互系统的未来在于这些系统如何智能地考虑用户的语境。关于认识人们日常活动的研究一直在稳步推进，但很少关注联合活动以及具体活动中的活动。对于康复，运动医学，老年护理和健康/健身监测等许多应用而言，认识到活动和运动的重要性可以推动医疗保健成果。一种可以进行调整以识别特定活动中的活动范围和精细运动的算法被提出了。从传感器和算法的参数值来检测精细的电机运动的算法的性能与获得最优特征的实例研究被提出来。
关键字：身体区域网络、活动识别、动作识别、 分类、 支持矢量机器、 加速计、陀螺仪
1介绍
人机交互系统的未来在于这些系统如何智能地考虑到用户环境，例如它产生的数据表现了用户当前情况的特征。运动识别是许多无处不在的计算应用程序的一个关键特征，从康复到医疗保健。 一般来说，运动识别系统不显眼地观察人的行为和环境的特征，并且在必要时采取行动作出回应，理想情况下用户方向很少明确。 动作识别旨在通过对用户行为和环境条件的一系列观察来识别一个或多个用户的行为。
基于传感器的运动识别将新兴的传感器网络领域与新型数据挖掘和机器学习技术相结合，以模拟各种人体运动。 人体运动识别系统由连接到不同身体部位的无线连接的传感器模块（配备加速度计和陀螺仪）组成，可实现康复，运动科学/医学，老年护理以及健康/健身监测等各种应用[2]。 例如，可以使用这种系统来衡量主动理疗的有效性，完善体育运动员的技术，远程监测和触发老年人的应急反应，并通过提供准确的消耗卡路里估计来帮助人们减轻体重。
为了理解人的运动，理解活动与组成它的运动（或微观活动）之间的差异是非常必要的。身体运动是一种通常持续几毫秒或几秒的身体姿势/姿势，而活动持续几分钟或几小时，并且包括可随时间重复的不同身体运动。例如，“走路”活动将包括几个短腿动作。已经有研究[4,12,15,20]认识到人们的日常活动，例如一个人是否在散步，慢跑，站立等等。然而，大多数先前的研究集中在活动识别上，而没有直接考虑涉及的运动在那个活动中。认识到个体活动中具体的精细运动将有助于清晰地了解他/她的活动强度。例如，在“走路”中，通过知道该人采取的步数（腿部动作）将有助于计算该人步行的速度。然而，使运动识别比活动识别更具挑战性的是，我们正在处理更短的时间尺度。
据我们所知，在文献中没有提出整体方法来解决使用无线可穿戴系统来识别即时活动以及特定活动中的移动的挑战。我们提出了一种简单而有效的基于窗口的算法，可以使用基于支持向量机（SVM）的监督式学习方法对特定活动中的活动或动作进行动态识别。我们的方法涉及一个单独的调整阶段，以找到最佳参数值，以最大化分类准确性。另外，我们使用多个惯性数据 - 线性加速度值（通过加速度计收集）和运动角速度（使用陀螺仪收集）来识别运动和活动。由于使用所有原始数据（加速度和角速率）的效率非常低，因此加速度计和陀螺仪轴的平均值，标准偏差，最大值，峰 - 峰值，均方根以及相关性等有意义的特征是提取。
本文的其余部分组织如下：第二部分，我们回顾一些关于我们提出的工作的现有工作。 第三部分，我们讨论了使用可穿戴式传感器的运动识别分类方法，然后介绍了提出的基于窗口的算法来识别活动和运动。 我们在第四部分进一步讨论算法在识别节中的活动和动作方面的表现。 另外，我们提出了一个运动识别算法参数调整的案例研究。 最后在第五部分，我们得出结论并讨论可能的未来工作。
2相关工作
以前关于使用加速度值进行活动识别的工作已经考虑了诸如平均值[4,12,15,20]，标准偏差[12,15,20]，最大值[4,20]，峰值到峰值[9]，根加速度计的加速度值和加速度值之间的相关性均为平均值[12] [4,20]。但是，除了从加速度计值中收集的特征之外，我们还可以从角速度值（陀螺仪范围值）中提取和使用特征，因为知道身体各个点的方向有助于区分类似的活动或动作。所有这些作品[4,12,15,20]都侧重于活动识别，而没有考虑到所涉及的动作。然而，对于某些应用，如患者行为研究和健康监测，了解这些活动还不够。在这样的应用中，了解所涉及的运动将提供关于所执行活动的性质和强度的进一步信息。因此，在我们的工作中，我们关注活动和动作识别，并且我们提出一种可以调整到不同时间尺度的方法，以便能够识别活动和动作以及他们的开始和结束时刻。
文献[16]中的作者通过构建和扩展关系马尔可夫网络来定义活动识别的一般框架。然而，虽然这项工作很有价值，但作者介绍了一些限制，例如每个地点的一项活动，这在现实生活中是不可能的。在文献[14]中，作者介绍了一个传感器和注释系统，用于在房屋环境中进行每个成形活动的识别，并使用概率模型来学习活动的参数，以便在未来的传感器读数中检测它们。在[2]中，作者使用自闭症儿童在实验室和教室环境中采集的数据，讨论刻板挥手和身体摇摆的活动识别结果;他们还对使用机器学习识别活动时遇到的各种挑战进行了案例研究。在文献[9]中，作者表明运动具有语言框架，如口语，并通过在每个运动的传感器网络中构建基元，然后使用决策树，为惯性信息的符号表示引入语言框架。在文献[11]中，作者将活动识别作为基于模式的分类问题，提出了一种新兴的基于模式的方法来识别顺序，交错和并发活动。还有一些使用加速度计进行手势识别的工作。在[18]中，作者介绍了uWave，一种使用单个三轴加速度计识别手势识别中的挑战的识别算法。在文献[28]中，作者使用无线身体传感器网络来表示一种识别简单手势和复杂活动的分层模型。
计算机视觉社区利用视频序列的时间帧对人体运动识别进行了研究[8,19]。 然而，这些技术的缺点在于，处理视频数据的成本非常高，并且还需要外部基础设施，例如（红外）摄像机，其可能被诸如背景光或热的环境条件偏差。 而且，这些技术不能直接应用于那些需要对象或第三方隐私的场景（并且这个问题不能简单地通过模糊图像来解决）。 相反，惯性传感器（如加速度计和陀螺仪）不受环境条件的影响，并为运动分析提供了很好的准确性。 另外，使用惯性传感器的运动识别系统可用于隐私是重要问题的应用中，因为这些系统可以被训练仅识别特定的预定义活动或动作。
最近，活动识别系统已经发现了许多应用领域，例如医疗保健和辅助生活，工业，娱乐和游戏。 在[3,6,13,17,25]中，作者通过监测生命体征提出了人体摔倒检测系统以及健康威胁。 在[23]中已经提出了一种系统，其使用从可穿戴和环境传感器收集的信息来跟踪汽车制造工厂中的工作人员的活动，例如向工作人员提供关于即将进行的组装步骤的实时反馈或当程序 没有正确遵守。 在文献[5]中，作者讨论了一个系统，该系统采用可穿戴惯性传感器与机器学习技术相结合来记录，分类和可视化舞者的运动。 然而，这些系统都没有采用全面的方法来识别即时的活动和动作，特别是对于人类的行为研究。
3提议的工作
为了识别诸如步行，跑步，驾驶，跳舞，打手势或组成这些活动的特定运动类型等即时人类身体活动，所提出的可穿戴系统（1）通过分布式感测收集原始数据，并且（2） 监督学习方法通过本地化计算来识别活动和动作。 有趣的是，与基于相机的解决方案（因为它被训练仅识别预定义的一组活动或动作）相比，该系统本质上不显眼（不干扰用户的日常生活方式）并且确保隐私。 它还可以记录用户的行为，而且很少或没有受试者的反应（用户的行为不太可能会因为系统没有受干扰或受干扰而改变）; 这些特征使得研究研究具有更高的内部一致性，并且支持单独定制的治疗方案，特别是当用于健康监测时[26,27]。
所提出的方法可以用于活动识别或运动识别。 根据我们的方法，我们首先追踪活动识别阶段，然后是使用相同的基于窗口的算法的运动识别阶段（尽管它是单独训练的并且使用不同的参数）。 该算法基于机器学习，这需要对系统进行训练以识别需要识别的活动或动作类型。 首先，我们讨论使用的分类方法; 然后，解释我们的人体运动识别方法所涉及的各个阶段。 最后，我们描述并提供用于识别活动或动作的基于窗口的算法的细节。
3.1分类方法
识别或分类数据是机器学习中的一项常见任务; 如果有一些数据点属于两个类中的任何一个，则目标是确定新数据点将处于哪个类。在SVM [7]中，数据点被视为一个p维矢量; 目标是使用（p-1）维超平面分离这些点，如图1所示。超平面可以定义为:
其中x是待识别的向量，w是超平面的法向量，其可以导出为:
受条件限制，
其中l是支持向量（边缘上的样本）的数量，ai是第i个拉格朗日乘数，并且b确定超平面从原点沿法向向量w的偏移量。
（1）中的超平面的功能不适合于解决更复杂的，线性不可分的问题，并且当处理两个以上的类时。内核函数将数据映射到超平面可以轻松完成分离的高维空间。我们使用基于SVM的机器学习工具箱（称为#39;Spider#39;[22]）和RBF作为内核（根据我们的实验，这个内核是最强大的）来训练算法。为了对多个类进行分类，即在我们的例子中有多种活动或动作，分类器有两种常用的方法来区分 - （1）“一对一”（其中一个标签与其他标签之一）或（2） ）#39;#39;一对一#39;#39;（每两班之间）。我们使用#39;#39;一对一#39;#39;的方法，因为它给了我们最好的结果，并且在训练样本数量非常大的情况下[10]也是高亮的，训练可能会出现问题，然后#39;一对一“战略似乎更适合实际应用。
3.2问题的制定
我们用于识别活动（或特定活动中的移动）的方法由三个阶段组成 - 训练，调整和运动识别，如图2所示。在训练阶段，SVM用一组线性加速度值进行训练（ 来自加速度计）和每个活动（或运动）类型（取决于我们是否想要识别活动或特定活动中的运动）的角速率值（来自陀螺仪）。 调谐阶段然后用于调整我们算法中涉及的参数，以提高识别的准确性。
当涉及识别特定活动中的移动时，我们主要调整参数，因为移动与活动相比具有非常短的时间尺度。 在运动识别阶段，一旦SVM用活动（或运动）类型进行训练，我们使用一种新颖的基于窗口的算法来识别活动或运动类型。 如图2所示，我们在相位运动识别下结合了活动和运动识别。 另外，在运动识别模块中，我们已经展示了从运动识别阶段到活动识别阶段的反馈，其可以利用运动识别阶段的输出来改善活动阶段的准确性。
在解释所提出的算法之前，让我们定义用于表示活动的参数或训练阶段中特定活动内的移动。 我们将D表示为训练集，它是一组活动或运动（取决于它是活动还是运动识别），其中包括许多对相同类型活动或运动的观察结果。因此，在不失一般性的情况下，D是一组P观察活动（或运动），而不考虑类型或类别，使得每个活动或运动p=1,2,...,P。另外，设f是一组R类型（或类）的活动或考虑进行训练的运动，f ={C 1 ;C 2 ;...;C r ;...;C R g}，其中Vp = 1,2，...，P和p-gt; Cr如果第p个活动或运动属于C r型（rth活动或移动类型）在哪里考虑进行培训r = 1,2，...，R。然后，每个活动或运动p可以与f中的任何活动或活动类型中的任何活动或运动类型相关联，使得R lt;lt; P。如前所述，我们不会将收集的原始值用于训练，而是从原始值中提取一组特征。我们将F表示为从加速度计和陀螺仪的每个轴的N个子区间（不是从整个时间间隔）提取的特征集合，活动或运动p使得每个特征f = 1,2，... | F |。使用所有参数，V（s）（p）表示相对于传感器节点s的第p个活动或运动，使用所有参数，V（s）（p）表示相对于传感器节点s的第p个活动或运动，并且被给出为V（s）（p）= [V（sx）（p），VSY）（p），V（SZ）（p）]，其中
表示从加速度计的x轴提取的一组特征以及连接到传感器节点s的陀螺仪的x轴。 然后，使用从来自所有传感器节点的读数提取的特征，第p个活动或运动即vp可以表示为，
最后，整个训练集D可以表示为，
一旦训练阶段完成，我们使用从SVM获得的支持向量和拉格朗日乘子[7]导出如（3）所示的超平面的法向量w，然后用它来识别当前活动或运动 在使用基于窗口的算法的识别阶段的特定活动中。 我们在这里定义了新的置信概念，它构成了我们识别算法的基础。 对于通用向量x，我们定义它的置信度为它与超平面（w，b）的距离，
这个距离d（w，b; x）表示分类器对于向量x的类型或类别的“自信”程度：越大的d，置信度越高。
3.3提议的解决方案
我们建议使用基于窗口的算法来识别活动或动作。 我们首先追踪活动识别阶段，接下来是使用相同的基于窗口的算法进行运动识别[24]，但是单独训练并优化活动和运动识别。 图3显示了一个活动的逻辑（代表该类的一条线）和一个活动的物理表示（原始信号，即线性加速度和角速度值）及其运动。 此后，我们将使用逻辑表示法来进一步讨论，因为使用原始表示的活动和移动将会很困难并且可能会产生误导。
该算法使用两个分类窗口，一个主分类窗口和一个可变尺寸的小窗口，如图4所示，我们将活动（或运动）和主分类窗口的间隔定义为[t（in）（p），t（fin）（ p）]和[t（in）（mw），t（fin）（mw）]。此外，我们还考虑了另外两个区间T（min）和T（max），分别定义为最小时间间隔和最大时间间隔。基于以前作品中识别活动所取得的成功[4,20]，我们将T（max）和T（min）的值固定为32 0:05，使用窗口大小为32个样本并且在连续窗
全文共14661字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[13507]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
