基于压力与加速度传感器的下肢动作识别方法与流程

本发明涉及肢体动作模式识别的技术领域，具体涉及一种基于压力与加速度传感器的下肢动作识别方法。

背景技术：

利用单个或者多个传感器进行人体动作模式识别分类是近年来受到世界各地研究者的广泛重视，通过对传感器信号进行有效的处理，就可以判断产生该信号的是哪一种动作，从而判断做出这种动作的人的意图以及状态。目前，加速度传感器以其体积小，功耗低，方便携带的特点收到了众多研究者的青睐，大多数人体动作模式识别的研究都采用加速度传感器作为研究的重点，基于加速度传感器的人体运动模式识别除了应用于智能人机交互外，还可应用于智能监控、健康监控、基于手持设备的上下文感知及人体运动能量消耗评估等领域，有着非常广阔的应用前景。加速度传感器还可以配合角度传感器、磁力计、压力传感器等传感器使用，实现更为精确的人体动作模式识别以及更丰富的功能。同时，也出现了许多关于人体动作模式识别的算法以及成果，但是在动作模式识别领域，还有许多需要解决以及完善的问题需要我们去探索。比如目前利用加速度传感器进行动作模式识别的过程中，需要对加速度信号进行加窗处理，使得动作识别存在延时问题，这对与需要实时进行动作模式识别的应用场景来说是不可容忍的缺陷。

技术实现要素：

本发明的目的是为了解决现有技术中的上述缺陷，提出一种利用压力传感器与加速度传感器相结合进行下肢动作模式识别的方法，旨在实现对下肢运动模式准确，实时以及细粒度的识别。

本发明的目的可以通过采取如下技术方案达到：

一种基于压力与加速度传感器的下肢动作识别方法，所述方法包括下列步骤：

s1、实时采集人体下肢运动的压力传感器信号，对压力传感器信号进行上升沿以及下降沿识别，根据压力传感器数据的上升沿以及下降沿标定下肢动作的开始以及结束，当检测到压力的上升沿后开始采集加速度传感器三轴加速度信号并存储，当检测到压力的下降沿之后停止采集加速度传感器三轴加速度信号，将上升沿与下降沿之间采集的加速度传感器三轴信号取为加速度信号片段；

s2、提取所述加速度信号片段的特征数据，所述特征数据包括频域特征以及统计特征；

s3、对所述加速度信号片段的特征数据进行数据降维；

s4、使用事先训练好的分类器对降维后的特征数据进行分类，得出动作模式的分类结果。

进一步地，所述对压力传感器信号进行上升沿以及下降沿识别的具体过程包括下列步骤：

r1、计算压力传感器信号p(n)的一阶差分p'(n)，即

p’(n)＝p(n)-p(n-1)；

r2、寻找一阶差分p'(n)序列中数值大于15的极大值点与极小值点，其中极大值点为可能的上升沿，极小值点为可能的下降沿；

r3、计算以极大值或极小值点为中心，左、右指定长度的离散序列的方差σ，当方差σ大于设定阈值时，判断其为上升沿或者下降沿。

进一步地，所述步骤r3具体为：

计算以极大值或极小值点为中心，左、右指定长度为5的离散序列的方差σ，当方差σ大于设定阈值时，判断其为上升沿或者下降沿，其中，所述阈值的取值为200。

进一步地，所述频域特征采用离散余弦变换作为变换系数。

进一步地，所述统计特征包括：上下四分位数、加速度信号片段内的最大值和最小值、加速度信号片段的四分段均值。

进一步地，所述分类器采用一对一的支持向量机。

进一步地，所述动作模式的分类包括走路、跑步、跳跃、踏步、踮脚和后退。

进一步地，对所述加速度信号片段的特征数据通过线性判别式分析算法进行数据降维。

本发明相对于现有技术具有如下的优点及效果：

本发明提出的一种基于压力与加速度传感器的下肢动作识别方法通过压力传感器与加速度传感器相结合的方式，可以实时地对每一个完成的动作进行模式分类，有效减小了动作模式识别的延时；具有更细粒度的分类效果，本方法可以对精确地划分每一个完成的下肢动作而不是一段时间内的动作；具有更准确的分类效果，加速度信号片段相比加窗的加速度信号更为简单，因此在特征提取时更为简单且特征更为有效，因此识别率也会更高。

附图说明

图1是本发明公开的基于压力与加速度传感器的下肢动作识别方法的压力传感器以及加速度传感器放置示意图；

图2是加速度传感器坐标系示意图；

图3是正常走路状态下压力传感器信号图；

图4是压力传感器信号一阶差分序列图；

图5是正常走路状态下经过上升沿下降沿判定后的压力传感器信号图；

图6是正常走路状态下加速度传感器信号片段图；

图7是本发明实例实验结果混淆矩阵图；

图8是本发明基于压力与加速度传感器的下肢动作识别方法的步骤流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例具体公开一种基于压力与加速度传感器的下肢动作识别方法，具体步骤如下：

首先是采集加速度传感器数据以及压力传感器的数据，图1是压力传感器与加速度传感器的放置示意图(右脚)，其主要放置于鞋子里面，鞋垫下方足跟位置，左右脚均可，选取其中只进行放置即可，本实例选择将加速度传感器数据和压力传感器放置在右脚。图2为按照图1放置加速度传感器后期坐标系示意图，在鞋子水平放置时，正前方为y轴正轴，竖直方向向下为z轴方向，水平面正右方为x轴正轴。

放置好压力传感器与加速度传感器之后，将首先实时采集压力传感器信号的数值表示为p(n)，图3为采集到的压力传感器信号图，压力传感器信号的数值范围在0-255之间，其中0代表压力最大值，255代表压力值为0，一个60kg的成年人正常站立数值大约在25左右。

根据压力传感器数值，接着需要寻找压力传感器信号的上升沿与下降沿，上升沿代表其压力信号数值上升，即压力减小，代表一个下肢动作的开始，下降沿代表其压力信号数值下降，即压力值增大，代表一个下肢动作的结束。在本方法中识别上升沿与下降沿的方法如下：

步骤r1、计算压力传感器信号p(n)的一阶差分p'(n)，即

p’(n)＝p(n)-p(n-1)；

步骤r2、寻找一阶差分p'(n)序列中数值大于15的极大值点与极小值点，其中极大值点为可能的上升沿，极小值点为可能的下降沿；

步骤r3、计算以极大值或极小值点为中心，左、右指定长度的离散序列的方差σ，当方差σ大于设定阈值时，判断其为上升沿或者下降沿，通常，以极大值或极小值点为中心，计算左、右指定长度为5的离散序列的方差σ。并且，通过多次实验验证，阈值的取值为200较为合适。

图4为压力传感器信号一阶差分序列图，可以看出其极值较为明显，因此可以用其作为判断压力传感器信号上升沿与下降沿的标准，此外，在进行上升沿判断与下降沿判断的时候，认为上升沿与下降沿应该是成对出现的，如果在较短时间范围内出现连续的符合判定条件的上升沿或者下降沿，将只认为最开始出现的那一个为下肢动作开始的上升沿。图5为对图3压力值信号进行上升沿判定之后的结果，其中星形的点代表判定此处为上升沿，米字形点代表判定此处为下降沿。

以上升沿判定点(即图5中的星形点)认为是下肢动作的开始，从此点开始采集加速度传感器三轴信号，以下降沿判定点(即图5中的米字形状点)认为是下肢动作的结束，结束加速度传感器三轴信号的采集，期间采集的加速度传感器三轴信号记为加速度传感器片段，三轴分别用表示x(n),y(n),z(n)表示，图6为采集到的正常走路状态下加速度传感器信号片段图。

接下来将对加速度传感器信号片段进行特征提取，下面介绍对加速度传感器信号片段提取的特征。本方法采用的特征分为两种：一种为频域特征，频域特征采用离散余弦变换(dct)变换系数；另外一种为统计特征，统计特征包括：上下四分位数、加速度信号片段内的最大值和最小值、加速度信号片段的四分段均值，但统计特征包括但不限于上述距离。

离散余弦变换(dct)是一种可分离的变换，一种针对实信号定义的变换，其变换核为余弦函数，特点为在完成到频域的变换之后得到的也是实信号，与其相近的变换为离散傅里叶变换(dft)，但是dft变换之后含有虚部的信号，相比较dft，dct计算复杂度更低，表示更为简单，除此之外，dct还有一个重要的特征就是能量集中特性，生活中经常遇到的各类信号多数经过dct变换后集中在低频部分，相比dft能用更少的数据量将原来的信息表示出来，一维dct变换的公式如下：设{f(x)|x＝0,1,...,n-1}为离散的信号序列，则有

其中，

将x(n),y(n),z(n)进行dct变换之后取其前8个点的系数作为其频域特征。因此对于每一个动作的频域特征总共有24维的数据。

对于统计特征选取了三个序列x(n),y(n),z(n)各自的上下四分位数、加速度信号片段内的最大值和最小值、加速度信号片段的四分段均值等特征。四分位数是指在统计学中将序列内的数值由小到大进行排列之后分成均匀的四分，位于三个分割点位置的数就是四分位数，上四分位数为排在1/4位置的数值，下四分位数为排在3/4位置的数值，三个序列共有6维数据。加速度信号片段的四分段均值表示的是将序列进行四等分之后分别求出其每一段的平均值，共有12维数据。最大值，最小值即是序列中最大以及最小的数值，共有6维数据，因此统计特征共有24维数据，频域特征与统计特征共有48维数据。

在完成加速度信号片段特征提取之后，需要用分类器对其特征进行判断来对采集到的动作模式进行分类。在本方法中，选择了使用一对一的支持向量机(ovosvm)作为分类器，支持向量机(svm)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。svm适合于解决二分类问题，但是对于下肢动作模式的分类问题不是简单的二分类问题，因此，本方法采用一对一svm(ovosvms)作为分类器，该分类器对每两个类训练一个svm分类器，因此对于一个k类问题，将有k(k-1)/2个分类函数。当对一个未知样本进行分类时，每个分类器都对其类别进行判断.并为相应的类别投票，最后得票最多的类别即作为该未知样本的类别。

因为svm分类器是监督学习算法，即前期需要适量的训练集数据进行模型的学习训练，在本方法实例中，将会对六个类别的下肢动作进行分类，分别是：走路、跑步、跳跃、踏步、踮脚和后退走这六类别的动作。本方法实例中采集了14位志愿者的上述六类下肢运动数据，每位志愿者每个动作的持续时间为100秒。最终本方法实例采集了2359个走路动作、1141个跑步动作、1655个踏步动作、2103个跑步动作、804个踮脚动作以及1425个后退走动作，总计9497个动作。上述动作均结合压力值的上升沿以及下降沿存储为加速度传感器信号片段，并提取出频域特征以及统计特征。

因为每个动作的特征维数高达48维，对于本方法实例的六分类问题而言肯定存在信息冗余的情况，而且过高的维数对于svm的训练也会造成负面影响，因此，我们将采取线性判别式分析(lda)，也叫做fisher线性判别(fld)算法作为数据降维的方式，其基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。就是说，它能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中有最佳的可分离性。通过lda算法，将可以获得最佳的降维矩阵(投影矩阵)w，可以将数特征维度降低为2-5维，本实例选取降低至5维以保留更多信息，大大简化了svm的训练过程。

本方法实例将对降维后的特征用svm进行训练，并采用留一法作为验证模型的方式。留一法是指假设有n个样本，将每一个样本作为测试样本，其它n-1个样本作为训练样本，这样得到n个分类器，n个测试结果，用这n个结果的平均值来衡量模型的性能，本方法实例每次将选取13个志愿者的特征数据进行训练，剩余一人特征作为测试集合，经过实验得到图所示结果。图7为对上述六类动作进行分类产生的混淆矩阵，实验结果表明，采用本方法可以实现总体识别率为98.73％的识别效果，即对上述9492个动作，正确识别了9377个，错误识别仅仅为120，识别效果优于现有的识别方法，达到了高准确率识别的目的。

实验结果表明本发明基于压力与加速度传感器的下肢动作识别方法与现有的下肢动作模式识别方式相比有如下有益效果：该方法通过压力传感器与加速度传感器相结合的方式，可以实时地对每一个完成的动作进行模式分类，有效减小了动作模式识别的延时；具有更细粒度的分类效果，本方法可以对精确地划分每一个完成的下肢动作而不是一段时间内的动作；具有更准确的分类效果，加速度信号片段相比加窗的加速度信号更为简单，因此在特征提取时更为简单且特征更为有效，因此识别率也会更高。

图8为本发明公开的基于压力与加速度传感器的下肢动作识别方法的步骤流程图。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。