本发明涉及一种基于加速度信号的日常活动识别方法。
背景技术：
：对用户的日常活动进行跟踪识别，可以较好的反映用户的行为习惯和日常能量消耗，对健康监测、老年关怀以及用户情景感知等均有重要的指导意义。目前基于可穿戴传感设备的用户行为识别通常采用加速度和陀螺仪信号，特征数目较多，计算能耗较大。因此，本发明要解决的问题是：基于三轴加速度信号，提出一组对用户活动类别敏感的特征组合，在低维特征空间下实现较好的用户活动识别精度，从而降低系统能耗。技术实现要素：为了解决上述问题，本发明提供了一种基于加速度信号的日常活动识别方法，通过五维信号特征组合，识别用户行走、上楼梯、下楼梯、跑步、跳、坐、站和躺八种日常活动。所述方法包括信号采集、信号特征组合计算、多分类器训练和日常活动识别四个组成部分。加速度信号采集于人体正面右侧髋部的x、y、z三轴方向，其中x轴为垂直方向，y轴为左右方向，z轴为前后方向。加速度信号被划分为5秒时长的数据片段，信号特征计算基于5秒时长的数据片段。信号特征组合包括活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度五维特征。在计算各维特征之前，需要分离x、y、z三轴加速度信号的活动加速度分量和重力加速度分量。其中，活动加速度分量用于计算活动强度和轴低频能量；重力加速度分量用于计算轴偏转角度。分离加速度信号中的活动加速度分量和重力加速度分量步骤如下：步骤101：对加速度信号进行3点中值滤波，消除高频噪声；步骤102：使用截止频率为0.25Hz的椭圆IIR低通滤波器对加速度信号进行滤波，滤波得到的信号为重力加速度分量；步骤103：活动加速度分量为加速度信号与重力加速度分量之差。信号特征活动强度的计算步骤如下：步骤201：计算得到y轴和z轴的活动加速度分量，分别记为yA和zA；步骤202：活动强度信号特征x轴低频能量的计算步骤如下：步骤301：计算得到x轴的活动加速度分量，记为xA；步骤302：去除xA的均值，即x′A＝xA-mean(xA)；步骤303：对x′A求离散傅立叶变换，得到频谱强度系数；步骤304：对5Hz以下的频谱强度系数求和，得到x轴低频能量。信号特征x轴偏转角度、y轴偏转角度和z轴偏转角度的计算步骤如下：步骤401：计算得到x轴、y轴和z轴的重力加速度分量，分别记为xG、yG和zG；步骤402：分别对xG、yG和zG求反余弦，得到角度序列θx、θy和θz。步骤403：分别取θx、θy和θz的中值，得到x轴、y轴和z轴的偏转角度。即tiltx＝median(acos(xG))，tilty＝median(acos(yG))和tiltz＝median(acos(zG))。多分类器训练步骤如下：步骤501：采集人体在行走、下楼梯、上楼梯、跑步、跳、坐、站和躺八种日常活动时的三轴加速度信号；步骤502：用长度5秒，重叠4秒的时间窗将加速度信号划分为5秒时长的数据片段，建立数据集；步骤503：计算数据集的五维特征组合，包括活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度，建立训练特征集；步骤504：将训练特征集中的每一维特征归一化至0～1区间。步骤505：使用归一化的训练特征集训练多分类器。日常活动的识别步骤如下：步骤601：采集人体加三轴速度信号；步骤602：用长度5秒，重叠4秒的时间窗截取数据片段；步骤603：计算数据片段的五维特征组合，包括活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度。步骤604：使用训练特征集归一化参数对特征组合进行归一化。步骤605：使用训练好的多分类器识别数据片段对应活动类别。本发明的有益效果在于：仅使用加速度信号识别日常活动，信号易于获取；提出的五维特征组合(活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度)对八种日常活动类别(行走、上楼梯、下楼梯、跑步、跳、坐、站和躺)有很好的区分度，且计算简便。活动强度是区分用户静态和动态活动的重要指标，x轴低频能量能进一步区分动态活动的种类，x、y和z轴偏转角度有益于判断静态时的人体姿态。实验结果显示，本发明提出的一种基于加速度信号的日常活动识别方法识别效果好，非常适合移动环境下的用户日常活动识别。附图说明图1为发明结构示意图；图2为特征组合在八种活动状态下的均值；图3为采集的加速度信号示意图；图4为数据的真实标签示意图；图5为识别的标签序列示意图。具体实施方式下面结合附图和具体实施例对本发明做进一步的说明：如图1所示，本发明在识别用户日常活动前需要建立训练数据集，使用本发明提出的五维特征组合训练多分类器，虚线流程部分。多分类器训练完成后，即依据数据片段的特征组合向量进行活动类型识别，实线流程部分。为了建立训练数据集，采集14名被试在行走、下楼梯、上楼梯、跑步、跳、坐、站和躺八种日常活动时的三轴加速度信号。加速度采集设备为MotionNode，采样频率为100Hz，采集范围为±6g。用长度5秒，重叠4秒的时间窗将加速度信号划分为5秒时长的数据片段，建立数据集。数据集中包含行走样本3534条，上楼梯样本1694条，下楼梯样本1838条，跑步样本1485条，跳样本790条，坐样本2335条，站样本2080条，躺样本3470条。计算数据集的五维特征组合，包括活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度。将每一维特征归一化至0～1区间，建立训练特征集。图2展示了五维特征在八种活动状态下的均值，可以看到活动强度能够有效区分静态和动态行为：行走、下楼梯和上楼梯的活动强度相当，跑步的活动强度最高，跳次之，坐、站和躺的活动强度很低。x轴低频能量对动态活动状态有进一步的区分作用，而x轴偏转角度、y轴偏转角度和z轴偏转角度在各种静态活动时(坐、站和躺)取值有很大不同。使用归一化的训练特征集训练多分类器，本例中训练了KNN多分类器识别行走、下楼梯、上楼梯、跑步、跳、坐、站和躺八种活动类别，分类器邻域参数k＝10。采用10-折交叉验证训练得到的多分类器，识别准确率为行走99.35％，下楼梯95.75％，上楼梯91.46％，跑步99.53％，跳95.19％，坐97％，站98.99％，躺100％，综合识别准确率为97.75％。得到多分类器后，以一次识别过程为例说明日常活动的识别流程，如图3至图5所示。用户的活动流程为走10秒，站10秒，走5秒，下楼梯15秒，跑步10秒，共计50秒，采集的加速度信号如图3所示，数据的真实标签如图4所示，其中横轴为时间，纵轴为活动类别标签。对采集的加速度信号以5秒时长，4秒重叠的时间窗划分为数据片段，计算其活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度五维特征，并使用训练特征集归一化参数对特征向量进行归一化。将归一化后的特征向量输入多分类器，得到识别的活动标签。以此类推，从加速度信号第5秒开始，每一秒都得到识别的活动标签。识别的标签序列如图5所示。从图3可以看到，本发明提出的五维特征组合具有较好的活动类别识别效果，当用户持续进行某类活动时，多分类器的识别输出正确且稳定。在用户活动类型转换时，由于时间窗截取的数据的仍包含前一状态数据，多分类器的识别输出有1-4秒的不稳定。整体来说，本发明提出的基于加速度信号的日常活动识别方法具有较好的识别效果，且使用的特征维数少，特征计算简单，非常适合移动环境下日常活动的识别。以上对本发明的描述是说明性的，而非限制性的，本专业技术人员理解，在权利要求限定的精神与范围之内可对其进行许多修改、变化或等效，但是他们都将落入本发明的保护范围内。当前第1页1 2 3