一种基于子窗合并的信号检测方法与流程

本发明属于信号检测技术领域，涉及一种基于子窗合并的信号检测方法，尤其涉及一种对人体动作的中频或低频加速度信号检测的方法。

背景技术：

通过窗函数并以随机噪声的平均能量作为阈值来判断可以检测人体动作的加速度信号。然而会出现窗宽大小影响信号检测精度的问题。如果窗宽设置的过小，势必会出现信号检测不完整的情况出现，如果窗宽设置的过大，就会同一个窗内覆盖两个或多个动作信号，导致检测不出已经执行的动作。因此，急需要一种时间复杂度较低的精确的信号检测方法。

技术实现要素：

为了解决现有信号检测所存在的技术问题，本发明提供了一种方法复杂度低、易于理解和使用的信号检测方法。

本发明所采用的技术方案是：1.一种基于子窗合并的信号检测方法，其特征在于，包括以下步骤：

步骤1：设定一个宽度为n个采样点的子窗；

步骤2：设加速度三个轴的值为xi、yi、zi，计算每个子窗内三个轴的合加速度信号的能量值ei；

其中，i表示当前子窗的索引；

步骤3：若子窗内信号能量大于噪声阈值时，则视其为信号的一部分并记录下来，然后继续检测下一个子窗，若仍大于该阈值，就保留下来并和前面记录的子窗进行合并；当下一次检测到含有动作的时间间隔超过预设时间时，则认为该信号检测完毕；

步骤4：将前面记录的所有子窗进行合并，合并后的窗称之为母窗，该母窗里的信号就作为要检测出来的人体动作信号。

本发明使用尺寸较小的子窗来检测信号，并进行迭代合并，最终合并为包含完整手势信号的母窗，有效地解决了传统窗检测方法中信号检测不完整和检测出冗余信号的问题。

附图说明

图1是本发明实施例中基于传统窗函数方法与基于子窗合并方法的信号检测示意图。

图2是本发明实施例中基于传统窗函数方法与基于子窗合并方法信号检测性能比较示意。

图3是本发明实施例中基于子窗合并方法检测信号的时间复杂度示意。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明主要是解决现有信号检测所存在的技术问题；提供了一种方法复杂度低、易于理解和使用的信号检测方法，解决了传统窗检测方法中信号检测不完整和检测出冗余信号的问题，该方法是使用尺寸较小的子窗来检测信号，并进行迭代合并，最终合并为包含完整手势信号的母窗。然后使用一个仅n个采样点宽的矩形窗进行检测，该滑动窗重叠率选择50％，称其为子窗。并计算每个子窗内三个轴的合加速度信号的能量值。若子窗内信号能量大于噪声阈值时，可以视其为信号的一部分并记录下来，然后继续检测下一个子窗，若仍大于该阈值，就保留下来并和前面记录的子窗进行合并，当下一次检测到含有动作的时间间隔超过0.4秒(通常人的判断反映时间为0.15s到0.4s或以上)时，即可认为该信号检测完毕，并将前面记录的所有子窗进行合并，合并后的窗称之为母窗，该母窗里的信号就作为要检测出来的人体动作信号。

本发明的具体方法流程如下：

输入:加速度三个轴的值xi,yi,zi.

输出:加速度信号所在母窗的三个轴的数据x,y,z

每个子窗根据经验阈值判断是否作为动作信号的一部分。当在大于0.4秒的时间内没有检测到动作信号，就将前面多个连续重叠的子窗合并为一个母窗，最终，每个母窗种的动作信号涵盖多个重叠的子窗，该母窗很好的避免了信号检测不完整和检测到多个冗余的信号。

如图1所示，本发明可以很好的避免因信号检测不完整或者同一个窗内包含多个信号的情况出现，从而为后续的特征提取做基础。

本实施例基于传统窗函数检测算法与子窗合并信号检测算法分别对人体十个手势动作分类为例，通过选择svm作为分类器。并分别设置子窗合并算法中子窗尺寸的n为6、8、10、12、14、16、18、20、22、24、26、28，然后分别求解分类性能。每选择一种窗宽，在训练集中，利用十折交叉验证方法验证分类器性能，即将训练集分为十份，轮流将其中九份用于训练模型，一份作为测试集来验证模型识别精度。最后将测试的识别精度作为对算法评判的依据，如图2所示：

从图2(a)可知，使用信号检测算法，当子窗窗宽为18的时候，识别精度最高,平均识别精度为92.14％，方差为8.77％。因而选择n为18。当使用普通的窗检测算法时，识别精度随着窗宽尺寸的增加而增大，方差随着窗宽尺寸的增大而减小，这是因为当窗宽过小的时候，信号容易出现检测不完整的现象，导致识别精度降低，即使当窗宽尺寸增加到一个合适的值，其识别精度也只有86％左右，而子窗合并算法不仅能很好的解决上述问题，使识别精度稳定在90％左右，方差也处于较低水平值，具有很高的稳定性。从图2(b)可知，在窗宽为18时，该算法对不同手势的平均耗时最大不超过0.06ms，其耗时标准差不超过0.01ms，如图3所示，因而对计算机性能也几乎没有影响。

因此，本算法具有如下优点：时间复杂度低、算法易于理解，信号检测效果好。通过设计的这种子窗合并的检测算法来检测人体不同动作信号。在不影响计算机运行速度的情况下，与常用的信号检测算法相比，该算法有效避免了信号检测不完整的现象，大大提高了检测精度。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

技术特征：

技术总结
本发明公开了一种基于子窗合并的信号检测方法，本发明使用尺寸较小的子窗来检测信号，并进行迭代合并，最终合并为包含完整手势信号的母窗。每个子窗根据经验阈值判断是否作为动作信号的一部分。当在大于0.4秒的时间内没有检测到动作信号，就将前面多个连续重叠的子窗合并为一个母窗，最终，每个母窗种的动作信号涵盖多个重叠的子窗，该母窗很好的避免了信号检测不完整和检测到多个冗余的信号。本发明时间复杂度低，不影响计算机运行速度，与常用的窗函数信号检测算法相比，该算法有效避免了信号检测不完整和检测冗余信号的情况，大大提高了检测精度。

技术研发人员：张健;毕红亮;王志波;袁辉;汪洋;林金钏;程皓楠
受保护的技术使用者：武汉大学
技术研发日：2017.04.20
技术公布日：2017.09.08