一种人体活动的特征提取方法与流程

一种人体活动的特征提取方法【技术领域】本发明涉及信号处理与模式识别领域，特别是涉及一种人体活动的特征提取方法。

背景技术：
嵌入了运动传感器的可穿戴设备有着广泛的用途。一方面，运动传感器可以用于健康监护，随着中国人口老龄化的不断加剧，空巢老人增加，老年人的健康成了子女最关心的问题，采用可穿戴设备就可以对老年人日常生活监控，一旦发现摔倒等危险情况就可以发出警报，从而避免危险的发生。现在的都市白领往往疲于工作，闲暇时间多在上网和打游戏，年轻人往往对自己的身体健康状况没有一个清晰的认识，采用可穿戴设备监测人的日常活动，计算运动量以及消耗的热量，然后与健康的生活方式进行比较，可以激励年轻人时刻注意自己的健康状况，加强体育锻炼。另一方面，运动传感器还可以应用于人机交互，例如交互式电子游戏的外设，以及电影、动画制作过程中的动作捕捉。另外，运动传感器还可以用在标准动作的训练等方面。人体活动的特征识别在健康监护和可穿戴设备中起着重要的作用。对人体活动进行识别的方法主要有两大类，一类是基于外部传感器的识别方法，另一类是基于运动传感器的识别方法。第一类方法用摄像头来监测人的日常活动，用计算机视觉等技术识别人体活动。目前已经有很多方法可以用来识别人的手势和运动。基于图像和视频的识别受摄像头探测范围的限制无法实现对人的二十四小时实时监测，而且图像的采集又会受到物体的遮挡的影响，同时个人隐私又得不到保障，因此这类方法不适用于健康监护。目前该方法主要应用在虚拟现实、人机交互和安保智能监控等方面。第二类方法则用运动传感器来采集人的活动数据进行识别。微机电系统(MEMS)的发展使得运动传感器变得体积小、重量轻、功耗低，将多种运动传感器集成到可穿戴设备上已经成为一件很简单的事情。因此利用集成了加速度计、陀螺仪、磁强计等传感器的可穿戴设备进行人体活动的识别成为可能。只要把运动传感器固定在人的身上采集人体活动的数据，就可以从数据中提取活动特征，用于后续健康监护或者计算机应用。目前，利用加速度计进行人体活动识别的研究有很多，通常的做法是把运动传感器固定在人体的某个位置，然后对采集到的数据进行处理。采集到的数据为离散时间序列，提取时，用一个固定长度的时间窗把该离散时间序列划分成长度相同的若干段，然后对每一段分别提取运动特征，最后根据提取的运动特征，用一种机器学习的方法来训练识别人体活动模式。然而，该特征提取方法存在识别精度不高的问题。

技术实现要素：
本发明所要解决的技术问题是：弥补上述现有技术的不足，提出一种人体活动的特征提取方法，可提高人体活动识别的精度。本发明的技术问题通过以下的技术方案予以解决：一种人体活动的特征提取方法，包括以下步骤：1)对采集的人体活动数据进行分类，划分为非周期活动的数据和准周期活动的数据；2)对所述非周期活动的数据，采用固定时间窗的特征提取方法提取活动特征；3)对所述准周期活动的数据，采用自适应时间窗的特征提取方法提取活动特征：估计所述准周期活动中的各段活动的周期，设定特征提取方法的时间窗为当前段活动的周期，提取当前段活动的特征；4)根据提取的活动特征进行分类，识别出相应的人体活动模式。本发明与现有技术对比的有益效果是：本发明的人体活动的特征提取方法，把运动数据分为准周期的和非周期的，对于准周期活动，采用自适应时间窗的方法提取用于模式识别的特征；对于非周期活动，采用常规的固定时间窗的方法提取特征，然后利用提取到的特征对活动进行分类，识别出相应的活动模式。由于对准周期活动采用自适应时间窗的方法提取，时间窗的大小根据其各段活动的周期长短来设定，而不再如现有那样统一按一个固定时间长度，提取过程充分考虑到活动自身的周期性特点，最终提取的特征能更准确的反映活动模式，从而最终活动识别的精度较高。【附图说明】图1是本发明具体实施方式的人体活动的特征提取方法的流程图；图2是本发明具体实施方式的人体活动中准周期活动的数据示意图；图3是本发明具体实施方式的人体活动中非准周期活动的数据示意图；图4是采用本具体实施方式的自适应时间窗提取方法提取准周期活动时的窗口示意图；图5是采用传统的固定时间窗提取方法提取准周期活动时的窗口示意图；图6是本具体实施方式的方法和传统方法在分类站、坐、走、跑、上下楼梯六种活动模式上的识别精度、查全率、错误率和ROC曲线下的面积对比图。【具体实施方式】下面结合具体实施方式并对照附图对本发明做进一步详细说明。人体活动识别是指利用加速度计等传感器采集人体日常活动的数据，然后利用这些数据识别人的站、坐、走、跑等活动模式。人的日常活动的各活动模式有着不同的特性，例如走路、跑步等活动具有准周期性，而站、坐等活动没有周期性。所谓准周期，是从时域来看波形之间有重复性，与周期信号相似，但与周期信号的不同之处在于，准周期信号的重复“周期”的长度不是固定的。从频域来看，准周期信号的频谱有带通形式。本发明的方法即是利用了两类活动周期特性的不同，采用不同的方法来识别两类运动。而常规现有的方法对这两者不做区分。如图1所示，本具体实施方式的人体活动的特征提取方法包括以下步骤：P1)对采集的人体活动数据进行分类，划分为非周期活动的数据和准周期活动的数据。该步骤中，人体活动数据可通过固定在手腕上的三轴加速度计采集得到。把加速度传感器固定在人体手腕上，佩戴该传感器的人从事一种活动(例如走路)，则传感器即采集到人进行该活动时沿x、y、z三个方向的加速度值，将x、y、z三个方向的加速度值作为采集的人体活动数据，用于后续的分析处理。采集过程中，为保证采样数的充足，进行一项活动的时间应该足够长。然后把采集到的数据备份下来，然后采集另一种活动的数据，直到每一种活动都有与其对应的数据。本具体实施方式中，对站、坐、走、跑、上楼梯和下楼梯的六种活动进行采集分析，模式识别。当然，也可用其他采集设备采集活动数据，例如角速度、磁感应强度等人体活动数据。提取这些数据后，识别其他的活动模式。上述举例的加速度数据和识别的六种活动模式仅为一种示例性的说明。对于采集的数据，本具体实施方式的方法首先要把人体活动分为准周期活动和非周期活动。具体地，可用预分类器实现这一功能。首先，将x、y、z三个方向的加速度值转换为合加速度，设定一个固定时间窗大小，采用固定时间窗的特征提取方法提取所述人体活动的合加速度的平均值特征和谱能量特征；根据所述平均值特征和谱能量特征，采用分类器将所述人体活动数据划分为非周期活动的数据和准周期活动的数据。此处分类器包括基于C4.5决策树算法、人工神经网络ANN、k近邻算法、朴素贝叶斯算法等生成的分类器。优选地，采用C4.5决策树算法生成的分类器进行预分类。C4.5决策树算法生成的分类规则直观容易理解。通过上述分类，即将上述六种活动的数据分成两类，准周期活动的数据和非周期活动的数据。一般地，准周期活动为具有一定周期的活动，例如走路、跑步、上楼梯和下楼梯四种活动即为准周期活动，而非周期活动是指不具有周期性的活动，例如站和坐。如图2和图3所示，分别为准周期活动的数据示意图和非周期活动的数据示意图。图2中，600个采样点上的合加速度值数据呈现一定的周期性，即为准周期活动；图3中，600个采样点上的合加速度值数据没有周期性，即为非周期活动。划分出准周期活动和非周期活动之后，对两类活动分别进行处理。P2)对所述非周期活动的数据，采用固定时间窗的特征提取方法提取活动特征。对于非周期活动，直接采用固定时间窗的方法提取特征即可。分别对x、y、z三个方向的加速度值的数据进行活动特征提取，提取的活动特征包括x、y、z三个方向各方向上的加速度的均值、方差、谱能量、谱熵等，xy方向加速度的互相关系数、xz方向加速度的互相关系数、yz方向加速度的互相关系数，以用于后续模式识别。P3)对所述准周期活动的数据，采用自适应时间窗的特征提取方法提取活动特征：估计所述准周期活动中的各段活动的周期，设定特征提取方法的时间窗为当前段活动的周期，提取当前段活动的特征。具体地，准周期活动的长度是与其周期相关的，因此提取特征时根据周期时间长短确定窗口大小从而提取特征。对于一定范围的采样点内的准周期活动的各段的周期长度的确定，有多种方法可以确定，包括但不限于以下的采用自相关的方法计算得到。自相关方法计算周期时：预设一个周期时间长度T，则该时间长度T内的采样点有N个，N＝T×f，f为传感器的采样频率。采样频率根据使用的传感器的型号不同而不同，例如。意法半导体公司的iNemo传感器组件(STEVAL-MKI062)，采集人体活动数据的采样频率是50Hz。具体地，P31)计算所述准周期活动数据中第1个采样点到第N个采样点范围内各采样点的人体活动数据的均值，并从该范围内的人体活动数据中去掉均值。对于第1个采样点到第N个采样点范围内，采集的人体活动数据表示为a0[n]，例如为加速度值。若采集的人体活动数据为沿三个方向的加速度，则将其转换为合加速度作为此处的a0[n]。首先去均值，得到去均值的人体活动数据a(n)：其中a0[n]为第n个采样点采集的人体活动数据；N＝T×f，f为采样频率，T为上述预设的周期时间长度，T大于2t，t为准周期活动中的各种活动的周期值中的最大值；然后P32)计算第1个采样点到第N个采样点范围内各采样点处的a[n]的自相关系数。例如按照如下公式计算得到：根据自相关系数确定一段活动的周期。具体地，自相关系数从零到第一个极大值点之间的距离就是第一段活动的周期的长度T1。采用上述自相关的算法计算数据的周期的时候应注意计算的采样点范围应该跨越两个周期，即T应大于2t，t为准周期活动中的各种活动的周期值中的最大值。例如，人走路的周期为1s，跑步的周期为0.5s，上下楼梯的周期为1.25秒，则t＝1.25s具体地，T为2t～3t范围内的一个值，这样T的范围足够长才能使得自相关函数有极大值，同时也不至于过长导致计算量太大，从而最终确定出第一个周期。按照上述方式，即计算得到第一段周期活动的周期长度。对于余下的准周期活动，则仍然采用上述方式处理，依次计算得到第二段周期活动的周期长度T2，第三段周期活动的周期长度T3，依此类推，直至所有数据都计算处理到。需指出的是，计算出各段周期活动的周期长度后，可在计算得到一个周期后，即用相应大小的时间窗口的特征提取方法提取各个方向上加速度数据的活动特征。也可在计算得到所有周期后，一次性采用各相应大小的窗口来提取相应的活动特征。综上，自适应时间窗是指长度不固定的时间窗，自适应时间窗的长度是准周期信号一个或者多个周期的长度，其长度随各段活动的周期的不同而变化。提取的活动特征同样包括x、y、z三个方向各方向上的加速度的均值、方差、谱能量、谱熵等，xy方向加速度的互相关系数、xz方向加速度的互相关系数、yz方向加速度的互相关系数等，以用于后续模式识别。P4)对提取的活动特征进行分类，识别出相应的人体活动模式。前述提取出各方向上加速度的均值、方差、互相关系数以及频域的谱能量、谱熵后，可采用分类器对活动特征分类，进而识别出相应的人体模式。同样地，分类器可采用基于C4.5决策树算法、人工神经网络ANN、k近邻算法、朴素贝叶斯算法等生成的分类器。优选地，由于C4.5决策树算法生成的分类规则直观容易理解，可采用C4.5决策树算法训练出用于识别人体活动的分类器进行特征分类，识别人体活动模式。综上，通过上述方法，对准周期活动和非周期活动进行区分，分别采用自适应时间窗的特征提取方法和固定时间窗的特征提取方法进行活动特征提取，从而准周期活动提取时结合考虑了活动的周期性，提取的特征参数更准确，能较好地用于活动模式识别，最终提高模式识别的精度。为验证本具体实施方式的识别精度和传统方式的识别精度，设置对比测试。采用意法半导体公司的iNemo传感器组件(STEVAL-MKI062)采集人体活动数据，采样频率为50Hz。对同一批数据分别采用本具体实施方式的特征提取方法和传统方式的特征提取方法进行模式识别。本具体实施方式中，提取准周期活动的活动特征时，预设的T＝2t，t＝1.5s，采样频率f＝50Hz，N＝T×f＝150。计算得到的各段周期长度后，采用相应长度的时间窗进行特征提取。各个周期的长度作为时间窗的长度，由于每个周期的长度都不同，因此时间窗也长短不一。如图4所示，对800个采样点数据范围内，分别为L1、L2、L3、L4、L5、L6、L7长度的时间窗，L1长度对应108个采样点长度，L2对应108个采样点长度，L3对应109个采样点长度，L4对应111个采样点长度，L5对应109个采样点长度，L6对应111个采样点长度，L7对应109个采样点长度。传统方式，提取准周期活动的活动特征时，采用固定时间长度的时间窗进行特征提取。如图5所示，对800个采样点数据范围内，均采用L0长度的时间窗，L0对应150个采样点长度。提取特征后均采用C4.5决策树算法生成的分类器进行活动模式识别，识别结果的效果对比(包括分类精度、查全率、错误率和ROC曲线下的面积四个参数的对比)如图6所示。从图6中可以看出，对于准周期活动走、跑和上下楼梯，本具体实施方式的自适应时间窗的分类效果明显优于传统的固定时间窗的方法。此外，本具体实施方式的整体的分类准确率为99.4％，而固定时间窗的传统方法的整体识别准确率为96.1％。可见本具体实施方式的自适应时间窗方法的分类性能优于固定时间窗方法，能够得到更高的识别精度。以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下做出若干替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。