一种基于惯性传感器的无特征人体运动识别方法与流程

本发明属于人体运动形式识别领域，特别是涉及一种基于人体穿戴的惯性测量单元采集加速度计和陀螺仪信号，并根据所得时域信号提出一种无特征的人体运动形式识别方法。

背景技术

惯性传感器是人类活动监测和运动分类的常用数据源之一。通常采用数值方法对传感器产生的时序数据进行分析处理。诸如随机森林和支持向量机等机器学习技术，常常被用来进行运动分类，但是它们需要人工地从大量的原始数据中提取各种潜在的特征，而且信号预处理与特征提取步骤需要专业、复杂的数字信号处理技术。

惯性传感器在日常生活中几乎无处不在，如手机和腕带等，它可以提供大量的有关人体运动的数据。分析处理这些数据的方法多种多样，但通常来讲，可以将其描述为使用常见的机器学习算法和高度复杂的数字信号处理技术分析数据的过程。其中，数字信号处理用来提取合适的特征，提高运动识别的准确率。这些用作运动识别的特征不仅计算复杂，而且特征数目众多，需要花费大量的时间成本和人力成本来选择合适有效的特征。如果不考虑特征的筛选，采用尽可能多的特征项，将会增加计算负担，也会包含众多的冗余特征信息，降低识别算法的性能。为了解决以上问题，本发明提出一种基于惯性传感器的无特征人体运动识别方法，不需人工提取特征，节省了大量时间和人工成本。

技术实现要素：

本发明的目的是改进现有的人体运动识别方法需要人工提取与筛选特征造成算法计算量大、识别率低的缺点，利用腰部传感器采集的惯性数据，结合计算机视觉和深度学习算法，提出了一种基于惯性传感器的无特征人体运动识别方法。

本发明所采用的技术方案包括以下步骤：

步骤1，将memsimu固定在人体腰部正后方，传感器的x轴正方向向前，y轴正方向向左，z轴正方向向上，采集并记录人体在6种形式下的三轴加速度计和三轴陀螺仪数据，运动形式包括静止站立、慢走、跑步、跳跃、上楼梯和下楼梯。为了保证数据的一般性，选择多人进行数据采集，考虑在性别、身高、体重、年龄方面均有所区别。

步骤2，对采集的惯性数据进行预处理，利用巴特沃斯低通滤波器对数据进行低通滤波，消除高频噪声，其中，设置滤波器的截止频率为10hz，阶次n为8。

步骤3，利用过零检测法对数据进行单周期分割，以初始时刻的数值为相对零点，将以下降趋势通过相对零点的时刻记为单周期开始时刻，寻找并记录数据中的所有开始时刻点，利用这些开始时刻点将数据进行周期分割，并分别单独存储。

步骤4，将步骤3中分割得到的所有单周期数据，进行重新采样，得到长度为50个点的新数据，然后分别单独绘制在470*470像素的图像上，其中，对于传感器x,y轴轴向的加速度计数据，设置图像y轴的范围为±20m/s²，对于传感器z轴轴向的加速度计数据，设置图像y轴的范围为±50m/s²；对于传感器的陀螺仪数据，设置图像y轴的范围±600deg/s。

步骤5，将步骤4中生成的图片按类别存在，并分别赋予类别标签，然后选择80％的图片作为训练样本，采用迁移学习的方法，对谷歌提供的已经训练好的inception-v3模型进行再一次训练，设置学习率为0.01，训练步数为4000步，训练批次大小为100，最后根据训练正确率、验证正确率和交叉熵来判断训练的结果。

步骤6，修改步骤5中训练好的inceptionv3模型的最后一层，全连接层，生成人体运动分类器。

上述步骤完成之后，可以采集新的运动惯性数据，按照上述步骤对其进行处理，得到输入图像，送入人体运动分类器进行运动形式识别，验证得到的分类器的性能。

与现有技术相比，本发明的有益效果是：

(1)不再需要人工提取分类特征，省却了复杂的数字信号处理步骤；

(2)不再需要对特征进行筛选，省却了多种特征组合之间的分类效果比较步骤；

(3)算法复杂度要低于已有技术，易于实现。

附图说明

图1为本发明的整体流程图；

图2为本发明的惯性传感器安装示意图；

图3为本发明的信号低通滤波图；

图4为本发明的单周期分割图；

图5为本发明的训练模型的输入图。

具体实施方式

下面结合附图对本发明的基于惯性传感器的无特征人体运动识别方法做进一步详细说明。

本发明的整体流程如图1所示，主要分为(1)数据采集、(2)数据预处理、(3)数据单周期分割、(4)单周期数据绘图、(5)训练模型、(6)生成分类器。具体实施方式如下：

(一)数据采集。采集的惯性数据的有效性和广泛性直接关系着运动分类器的性能好坏。本发明采用惯性传感器采集人体的运动信息，将惯性测量单元(imu)固定在人体腰部的正后方，穿戴方式如图2所示。人体的质心位于人体腰部附近，因此将imu固定于腰部正后方，最能感应人体的运动信息。其中，三轴加速度计采集人体运动的线运动信息，三轴陀螺仪采集人体运动的角运动信息。imu的三轴轴向分别为x轴指向左，y轴指向前，z轴指向上。

本发明涉及的运动形式包括：静止站立、走、跑、上楼梯、下楼梯和跳跃。这6种运动形式，除了静止站立外，其余5种运动均具有周期性，使得后续的数据单周期分割更加容易实现。

为了保证数据的广泛性，应让尽可能多的人员参与到数据采集中，其中，应着重考虑参与人员的性别、年龄、身高、体重和健康情况，所有的参与人员应在以上5个方面有所区别，比如年龄应覆盖15岁-55岁的区间；性别应有男有女；身高应在150-190之间分布；体重应在45kg到110kg之间；另外，应选择健康状况良好的人员。

在挑选合适的人员之后，使用规格参数相同的惯性传感器，让他们图2的穿戴方式固定，分别进行站立、走、跑、上楼梯、下楼梯、跳跃6种运动形式，并每种运动形式应保持一段时间，采集尽可能多的数据。

(二)数据预处理。由于惯性传感器存在噪声，考虑到人体运动比较慢，运动频率一般低于20hz，因此需要采用低通滤波器，滤除掉采集的数据中的高频噪声，使得数据更加平滑。

本发明采用的是数字信号处理技术中常用的巴特沃斯低通滤波器，其中，滤波器的阶次设为8，截止频率为20hz。数据进行低通滤波前后的对比图如图3所示。图3显示的是垂直方向，也就是z轴方向上的加速度数据，由于垂直方向存在重力的影响，因此z轴方向上的加速度在10m/s²附近变化。滤波前的数据，不够平滑，有很多尖刺；滤波后的数据，尖刺被滤除，数据周期性更加明显。

(三)数据单周期分割。数据预处理过后，周期性更加明显，根据后面步骤的需求，需要将数据进行单周期分割。常用的周期分割算法有峰值检测法、过零检测法和滑窗法等。本发明选用过零检测法来划分周期，找到单周期的起始点，然后再将数据进行周期分割。

过零检测法，就是将过零点时刻作为一个周期的起点。由于传感器采集的是离散数据，且数据不可能为绝对零值，因此，采用如下公式进行周期起点时刻的确定。

t＝kifxk>0&xk-1<0(1)

其中，xk为k时刻的数据，xk-1为k-1时刻的数据，当k时刻数据大于0，k-1时刻小于0时，说明数据跨过了零点，选取k时刻为新的周期的起始时刻。

对于z轴的加速度数据来说，由于存在重力的影响，因此需要将公式(1)中的0改为9.8，即当z轴数据跨过9.8m/s²后，便将该时刻选取为新周期的起点。

在3轴的加速度数据和3轴的陀螺仪数据中，z轴的加速度数据周期性最好，因此首先对z轴数据进行周期划分，并记录下各个周期的起点，然后对其他5个数据进行周期分割。z轴的加速度数据单周期分割图如图4所示。

(四)绘制单周期数据图像。传统的运动分类方法，对数据进行预处理与周期划分之后，会进行特征提取，而本发明，则避免了这个步骤。首先对单周期数据进行重采样，重采样后的数据长度统一为50个点，然后将得到的单周期数据绘制成图，作为下一步中模型训练的输入。

为了保证绘图的统一性，以及尽可能利用图形曲线体现出数据的特征，对绘制的图形，做以下规定：图像大小为470*470像素；对于传感器x,y轴轴向的加速度计数据，设置图像y轴的范围为±20m/s²，对于传感器z轴轴向的加速度计数据，设置图像y轴的范围为±50m/s²；对于传感器的陀螺仪数据，设置图像y轴的范围±600deg/s；最后将6轴的单周期数据分别绘制，然后合成一张大图，并且应去除图中的图题、坐标轴、图例等，使得图中只有数据曲线，如图5所示。

(五)训练模型。由于训练一个深度卷积神经网络需要大量的数据、较高配置的计算机和1周到2周，甚至更长的时间，所以本发明采用迁移学习的方法，利用谷歌公司已经训练好的inception-v3模型，将由上述步骤得到的包含人体运动信息6轴图像作为输入，来重新训练模型。其中，设置学习率为0.01，训练步数为4000步，训练批次大小为100，数据的80％为训练数据，10％为验证数据，10％为测试数据。

利用迁移学习的方法，可以利用较少的数据、较短的时间，一般的硬件设备，就可以获得性能很好的神经网络。本发明在重新训练inception-v3模型时，对其中的卷积层权重参数，均保留不变，只是将最后一层全连接层由原来的2046个节点改为6个节点，即只对全连接层做了改变。

(六)得到运动分类器。经过以上步骤，本发明的基于惯性传感器的无特征人体运动分类器已经得到。可以采集新的数据，按以上步骤处理，对分类器的性能进行重复验证。

本发明的创新之处在于利用cnn网络能够自动提取特征的优点，通过将惯性数据绘制成图，作为cnn神经网络的输入，避免了人工提取特征的步骤，由cnn网络自动提取特征并分类，最终获得基于惯性传感器的人体运动分类器。