基于3D加速度信号的运动状态特征提取及识别方法与流程

本发明涉及一种基于3d加速度信号的运动状态特征提取及识别方法。
背景技术：
：中国社会老龄化趋势日益严重，对老年人的健康监护进行研究具有迫切而现实的意义，利用加速度对老年人的运动状态监测有助于评价健康状况。3d加速度信号是一种反映人体运动状态的重要信号。目前的智能手机基本上都配置了3d加速度传感器，各手机制造商及均开发了相应的app，但绝大部分app是进行计步类简单处理，对人们日常运动状态的细化分析研究相对件较少。本发明利用手机内置3d加速度传感器通过matlabmobile软件对快走、慢走、原地踏步、手摆锻炼等3d加速度信号进行采集，然后对数据进行预处理及特征提取，最后根据提取出来的特征为对比依据，对运动进行分类识别。技术实现要素：本发明要解决的技术问题是提供一种基于3d加速度信号的运动状态特征提取及识别方法。为了解决上述技术问题，本发明采用的技术方案是，基于3d加速度信号的运动状态特征提取及识别方法，包括以下步骤：(1)利用内置3d传感器的手机对目标对象的人体运动状态采集3d加速度信号，且内置3d传感器的手机设置于目标对象身体的确定部位；(2)对3d加速度信号进行预处理，所述预处理包括去除直流分量以及fir高阶低通滤波；(3)对经过预处理的3d加速度信号进行时域特征和时频域特征提取，获得各方向对应的时域、时频域特征向量，拼接得到样本总体特征；(4)采用最大相似度、最小距离法和/或dtw算法进行运动状态匹配识别。作为优选，步骤(1)中，运动状态包括快走、慢走、原地踏步、手摆锻炼、踢腿、快跑或慢跑。作为优选，时域特征包括x、y、z三个轴方向的运动周期或频率最大值、运动周期或频率最小值、运动周期或频率平均值、平均速度、速度最大值、速度最小值、瞬时位移最大值、瞬时位移最小值、累积绝对位移，其中采用平均幅度差函数(amdf)算法计算运动周期；时频域特征是基于stft的短时谱特征，其中：窗函数设置为矩形窗,窗宽w大小和采样率fs的关系为:频率分辨率＝fs/w<＝1/5hz，且w为2的n次幂,窗移为窗宽的一半，fft的点数n等于窗宽；以x、y、z三个轴方向对应的时域特征和时频域特征各自按x、y、z三个轴方向进行拼接得到x、y、z三个轴方向的组合特征向量，再将x、y、z三个轴方向的各组合特征向量进行按序拼接而得到所述样本总体特征。作为优选，步骤(4)还包括：对各运动状态按照1个标准时间进行若干组测试，并且按照步骤(3)进行特征提取，采用向量平均中心作为标准训练样本中心，对于每种运动状态及不同的手机设置部位的所有组合情况数若为num，则就有num个样本中心；对于任一属于上述组合情况的样本，如与所有标准训练样本中心原始数据时间长度相等，将获得与标准训练样本中心等维的特征，与标准训练样本特征中心库所有中心采用最大相似度法匹配，相似度最大的那个中心对应的类别即为该样本的类别；对于任一属于上述组合情况的样本，如与所有标准训练样本中心原始数据时间长度不相等，将获得与标准训练样本中心不等维的特征，采用dtw算法求出与所有标准训练样本中心库距离最小的中心对应的类别，即为运动状态类别。本发明的有益效果是：利用手机内置的3d加速度传感器对目标对象人体运动准确识别，对未来带来一种新的交互方式。人体运动识别作为基础可以给各类上层的应用平台提供支撑，如智能家居、老人监护、运动康复治疗、交通行为监控等方面都具有非常广泛的应用前景。附图说明下面结合附图和具体实施方式对本发明作进一步详细的说明。图1是本发明实施例的过程框图。图2是本发明实施例的fir滤波器设计参数图。图3是本发明实施例的摆锻炼30节拍10赫兹采样(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图4是本发明实施例的手摆锻炼30节拍10赫兹采样(口袋)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图5是本发明实施例的46秒35节拍原地踏步10赫兹(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图6是本发明实施例的47秒35节拍原地踏步10赫兹(口袋)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图7是本发明实施例的慢走10赫兹60秒(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图8是本发明实施例的慢走10赫兹60秒(脚腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图9是本发明实施例的快走10赫兹60秒(手腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图10是本发明实施例的快走10赫兹60秒(脚腕)加速度波形的滤波前后对比图(a滤波前，b滤波后)。图11是本发明实施例的加速度信号的amdf效果图。图12是本发明实施例的手摆锻炼(手腕)的x轴加速度、速度、绝对位移、位移波形。图13是本发明实施例的手摆锻炼(手腕)的y轴加速度、速度、绝对位移、位移波形。图14是本发明实施例的手摆锻炼(手腕)的z轴加速度、速度、绝对位移、位移波形。图15是本发明实施例的手摆锻炼(口袋)的x轴加速度、速度、绝对位移、位移波形。图16是本发明实施例的手摆锻炼(口袋)的y轴加速度、速度、绝对位移、位移波形。图17是本发明实施例的手摆锻炼(口袋)的z轴加速度、速度、绝对位移、位移波形。图18是本发明实施例的原地踏步(手腕)的x轴加速度、速度、绝对位移、位移波形。图19是本发明实施例的原地踏步(手腕)的y轴加速度、速度、绝对位移、位移波形。图20是本发明实施例的原地踏步(手腕)的z轴加速度、速度、绝对位移、位移波形。图21是本发明实施例的原地踏步(口袋)的x轴加速度、速度、绝对位移、位移波形。图22是本发明实施例的原地踏步(口袋)的y轴加速度、速度、绝对位移、位移波形。图23是本发明实施例的原地踏步(口袋)的z轴加速度、速度、绝对位移、位移波形。图24是本发明实施例的快走状态(手腕)的x轴加速度、速度、绝对位移、位移波形。图25是本发明实施例的快走状态(手腕)的y轴加速度、速度、绝对位移、位移波形。图26是本发明实施例的快走状态(手腕)的z轴加速度、速度、绝对位移、位移波形。图27是本发明实施例的快走状态(脚腕)的x轴加速度、速度、绝对位移、位移波形。图28是本发明实施例的快走状态(脚腕)的y轴加速度、速度、绝对位移、位移波形。图29是本发明实施例的快走状态(脚腕)的z轴加速度、速度、绝对位移、位移波形。图30是本发明实施例的慢走状态(手腕)的x轴加速度、速度、绝对位移、位移波形。图31是本发明实施例的慢走状态(手腕)的y轴加速度、速度、绝对位移、位移波形。图32是本发明实施例的慢走状态(手腕)的z轴加速度、速度、绝对位移、位移波形。图33是本发明实施例的慢走状态(脚腕)的x轴加速度、速度、绝对位移、位移波形。图34是本发明实施例的慢走状态(脚腕)的y轴加速度、速度、绝对位移、位移波形。图35是本发明实施例的慢走状态(脚腕)的z轴加速度、速度、绝对位移、位移波形。图36是本发明实施例的30节拍手摆锻炼(10hz手腕)x轴频谱图。图37是本发明实施例的30节拍手摆锻炼(10hz手腕)y轴频谱图。图38是本发明实施例的30节拍手摆锻炼(10hz手腕)z轴频谱图。图39是本发明实施例的46秒35节拍原地踏步(10hz手腕)x轴频谱图。图40是本发明实施例的46秒35节拍原地踏步(10hz手腕)y轴频谱图。图41是本发明实施例的46秒35节拍原地踏步(10hz手腕)z轴频谱图。图42是本发明实施例的快走60秒(10hz脚腕)x轴频谱图。图43是本发明实施例的快走60秒(10hz脚腕)y轴频谱图。图44是本发明实施例的快走60秒(10hz脚腕)z轴频谱图。图45是本发明实施例的慢走60秒(10hz脚腕)x轴频谱图。图46是本发明实施例的慢走60秒(10hz脚腕)y轴频谱图。图47是本发明实施例的慢走60秒(10hz脚腕)z轴频谱图。具体实施方式目前的智能手机基本上都配置了3d加速度传感器，各手机制造商及均开发了相应的app，但绝大部分app是进行计步类简单处理，对人们日常运动状态的细化分析研究相对件较少。在本实施例中，利用手机传感器通过matlabmobile软件对快走、慢走、原地踏步、手摆锻炼等3d加速度信号进行采集，然后对数据进行预处理及特征提取，最后根据提取出来的特征为对比依据，对运动进行分类识别。1方法如图1所示,本实施例首先利用android智能手机内置的3d加速度传感器对测试对象进行不同运动状态下的3d加速度数据采集,然后进行数字滤波滤除信号干扰,再进行时域特征及时频域特征提取,其主要包括运动周期、速度、位移、段时谱特征，从而进行基本的运动状态分析与识别。2不同运动状态的加速度信号采集及预处理2.1基于手机端matlabmobile的数据采集(1)手机的佩戴部位置于不同部位的3d加速度传感器对同一个运动的反应灵敏度是不一样的，因此采集得到的3d加速度数据也不尽相同，此次实验把手机分别设置在手腕、脚腕处、以及放置在裤子口袋。(2)数据采集对象这里是采集1位身高160cm体重58kg的70岁老太太的加速度信息。采集快走、慢走、原地踏步、手摆锻炼四种运动状态下的加速度信息，分别把手机绑定在身体的手腕或脚腕处，以及放置在裤子口袋，每人按表2计时采集，每种运动状态各测50组。表1加速度信息采集数据名称慢走快走手摆锻炼原地踏步锻炼组数50505050时间1min1min1min1min(3)数据采集要求按照表1内容真实行为进行数据采集，同时要求同一种运动模式下的同一手机佩戴部位数据的采集地点、数据采集频率、手机佩戴部位一致，每次测试完后，采集人员将数据导出放在指定的文件夹中。采集时要注意，运动速度要均匀，每测试完一组，重新开启手机。(4)数据采集步骤1：在传感器界面中，打开从中收集数据的传感器；2：选择“日志记录”及频率设置10hz；3：点击“开始”按钮；4：完成数据收集后输入传感器日志的名称。2.2fir低通滤波通过运动统计特性分析，本次测试的老年人的运动频率不高于2hz，利用手机3d加速度传感器实际采集的信号频率也集中在低频部分，但是运动本身就不可能十分平稳，信号存在少量高频干扰。加速度信号的功率大多在低频部分，因此需要设计一个低通滤波器来滤除高频部分的干扰，让加速度波形更加光滑，以便于更容易寻找到极值点。采用matlab自带的滤波器设计工具fdatool(filterdesign&analysistool)设计一款fir低通滤波器，参数设置参见图2，滤波效果前后对比如图3-图10所示。3运动状态特征提取时域特征包括x、y、z三个轴方向的运动周期或频率最大值、运动周期或频率最小值、运动周期或频率平均值、平均速度、速度最大值、速度最小值、瞬时位移最大值、瞬时位移最小值、累积绝对位移，其中采用平均幅度差函数(amdf)算法计算运动周期；时频域特征是基于stft的短时谱特征，其中，窗函数设置为矩形窗,窗宽w大小和采样率fs的关系为:频率分辨率＝fs/w<＝1/5hz，且w为2的n次幂,窗移为窗宽的一半，fft的点数n等于窗宽。样本总体特征是经过两次拼接得到的。第一次先将x、y、z三个轴方向对应的时域和时频域特征各自按x、y、z三个轴方向进行拼接，并得到x、y、z三个轴方向的组合特征向量，再将得到的x、y、z三个轴方向的各组合特征向量进行第二次按序拼接，最后得到样本总体特征。3.1基于amdf的运动周期计算短时平均幅度差函数(amdf)可简化为：式(1)中l为矩形窗窗长,x(n)和x(n+k)为加速度波形的某点，fn(k)幅度差函数。当fn(k)取到极小值时，表明k取到周期的整数倍。所以可以将加速度计信号进行amdf函数处理，然后判断出极值点，通过极值点以及采样率计算出运动周期。原始波形经amdf处理后输出等周期的平滑曲线，利用相邻的两个极值点即可求出手摆锻炼周期，可还有通过改变窗长进而改变极值点点数，利用多个极值点求平均值减小误差。式中，t-周期，l-相邻极值点长度，fs-信号采样率。以手摆锻炼为例，给出amdf处理后的结果如图11。从图11中可以看出，原始加速度波形经过amdf处理后，输出的是等周期的平滑的曲线图，然后在处理后的图形中，找极小值点，知道两个极小值点的间隔，就能结合采样率求出运动周期。表2运动状态周期通过对原始数据fir滤波后，加速度信号变得光滑并且呈现一定的周期性规律，由此推断手摆锻炼、原地踏步、快走、慢走等具有一定的周期性。从表2可知不同运动状态所对应周期不同具有明显的差距，而且佩戴手机的部位不同加速度波形也有明显的差距。由此可以通过运动状态的周期来识别目标对象正在进行什么活动，还可以判断目标对象所佩戴手机的具体部位。3.2不同运动状态的速度和位移计算可以基于加速度可以计算出x、y、z三个轴方向的速度和位移，有助于评价运动的协调性以及与运动量的大小。加速度计求速度：加速度传感器x、y、z三个轴方向的瞬时加速度式中，δt为时间间隔，v(n)表示第n点速度，an表示n点加速度。加速度求累计位移及绝对累计位移：sn＝vn·δt式中，δt为时间间隔，sn为第n点与n-1点之间的位移，vn表示第n点速度,sσn表示累计绝对速度,sσ表示位移。表3不同运动状态x、y、z轴方向的速度绝对值均值(m/s)图12-图35为各个运动状态下将手机分别戴在手腕、脚腕或放在口袋里获取加速度信号，根据公式3-4计算得到的速度、绝对累计位移数据波形。从图12-图14和图18-图20可以看出，手摆锻炼y轴方向的相对位移始终是正数，z轴方向相对位移始终是负数；原地踏步正好相反。y轴方向和z轴方向的位移信号都是从零开始上升到最大值然后缓慢下降可以初步判断是在做往复运动，然后y轴方向、z轴方向的绝对位移、速度差值明显，由于手摆锻炼的幅度比原地踏步锻炼的幅度大，由此可以从速度波形和幅值来区分手摆锻炼和原地踏步动作。从表3的速度绝对值均值可以看出手摆锻炼(手腕)x轴方向数值最大，而原地踏步(手腕)y轴方向数值最大。对比图27-图29和图33-35可以得出：慢走x轴方向位移比快走x轴方向位移大，快走y轴方向速度峰值比慢走y轴方向速度峰值大，且远比手摆锻炼、原地踏步y轴方向速度峰值大。快走y轴方向绝对累计位移比慢走y轴方向绝对累计位移大，并且远比手摆锻炼、原地踏步的y轴方向绝对累计位移大，快走位移峰值比慢走位移峰值大。z轴方向与y轴方向情况类似。已知在同等情况下，快走速度比慢走大。通过速度、累计位移的波形对比可以很容易区别出测试对象的快走慢走状态。通过表3的速度绝对值均值可以发现快走慢走y轴方向的速度绝对值均值最大，而手摆锻炼是x轴方向的速度绝对值均值最大，原地踏步的y轴方向的速度绝对值均值最大。但是原地踏步的y轴方向速度绝对值均值最大，z轴方向速度绝对值均值次之，x轴方向速度绝对值均值最小；而快走慢走是y轴方向的速度绝对值均值最大，x轴方向次之，z向最小,由此可以区分出快走慢走、原地踏步、手摆等动作。3.3短时谱特征提取对运动信号做短时傅里叶变换，stft(short-timefouriertransform，短时傅里叶变换)是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。经stft处理后的信号具有时域和频域的局部化特性，可以借助其分析信号的时频特性，所以加速度信号经过stft后我们可以从频域上观察其特征。对加速度信号进行短时傅里叶变换，窗函数选用矩形窗boxcar,窗宽为64，窗移设置为32点，fft变换的长度设为64，fs是采样率即10hz。分辨率(r)公式如下：因此stft的分辨率为0.16525hz，对于其中六组不同运动状态的加速度数据分析得到的如图36-图47的频谱图。根据频谱图显示，手腕处采集的x轴方向加速度方向手摆锻炼和原地踏步和脚腕处采集的快走慢走x轴方向加速度信号的谱分布特征显著，手腕处采集的x轴方向加速度方向手摆锻炼的谱分布主要分布在0.6hz和2.2hz。手腕处采集的x轴方向加速度方向原地踏步的谱分析主要分布在0.75hz。而对于快走状态和慢走状态的x轴方向加速度方向的频谱图来看，脚腕处采集的快走慢走x轴方向加速度频谱图的谱分布有显著差异。快走x轴加速度方向谱分析主要分布在1.0hz和1.9hz，慢走主要分布在0.8hz和1.75hz。手腕处采集y轴方向加速度信号的手摆锻炼、原地踏步和脚腕处采集的y轴方向加速度信号快走、慢走y轴方向加速度信号的谱分布有明显的特征，手腕处采集的手摆锻炼的y轴方向加速度信号谱分布主要分布在0.75hz和1.5hz。原地踏步y轴方向加速度信号谱分布主要分布在1.7hz。对于脚腕处采集的快走运动状态y轴方向加速度信号谱分析显示，在脚腕处时能量主要集中在2hz和3hz两个中心频率附近波动。对于脚腕处采集的慢走运动状态y轴方向加速度信号谱分析显示，放在脚腕处时能量主要集中在1.8hz和2.5hz两个中心频率附近波动。手腕处采集的手摆锻炼、原地踏步z轴方向加速度信号和脚腕处快走、慢走z轴方向加速度信号的谱分布有明显的特征,手腕处采集的手摆锻炼运动状态z轴方向加速度信号的谱分布有如下特征，手腕处采集的手摆锻炼运动状态z轴方向加速度信号的谱分布主要分布0.6hz和1.4hz,原地踏步z轴方向加速度信号谱分布主要分布在0.8hz和1.6hz。对于快走运动状态z轴方向加速度信号谱分析，放在脚腕处时能量主要集中在2.2hz和4.3hz两个中心频率附近波动。对于慢走运动状态z轴加速度信号谱分析放在脚腕处时能量主要集中在0.8hz和1.8hz两个中心频率附近波动。总之，4种运动状态以及不同加速度方向的加速度信号短时谱特征还是十分显著。这个为后期的大样本训练和自动识别提供了很好的基础。4匹配识别对各运动状态按照1个标准时间进行若干组测试，并且按照上述方法进行运动特征提取，采用向量平均中心作为标准训练样本中心，对于每种运动状态及不同的手机设置部位的所有组合情况数若为num，则就有num个样本中心，每种组合情况的每个方向有一个样本中心。对于任一属于上述组合情况的样本，如与所有标准训练样本中心原始数据时间长度相等，将获得与标准训练样本中心等维的特征，与标准训练样本特征中心库所有中心采用最大相似度法匹配，相似度最大的那个中心对应的类别即为该样本的类别。对于任一属于上述组合情况的样本，如与所有标准训练样本中心原始数据时间长度不相等，将获得与标准训练样本中心不等维的特征，并采用dtw算法求出与所有标准训练样本中心库距离最小的中心对应的类别，即为运动状态类别。5总结本实施例采用手机内置的加速度计采集3维加速度信号，以某位老年妇女为测试对象，对4种运动状态即手摆锻炼、原地踏步、快走状态、慢走状态进行特征提取。实验表明，实施例中基于amdf算法提取的运动周期、对加速度信号积分得到速度波形和位移波形从而来识别运动状态；此外，采用stft时得到的短时谱分布也对4种运动状态具有显著的差异性，说明上述特征可以很好地用于分类识别。本实施例的研究成果进一步优化，将关键算法移植到手机中，预期可广泛应用于老人健康监护、康复治疗的运动状态监测和评估。鉴于中国的老龄化和人均医疗资源匮乏现状，该课题值得长期、深入研究。以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。当前第1页12