本发明创造涉及人体行为识别领域，具体涉及一种有效的人体行为识别系统。
背景技术：
对于人体行为的有效识别在当今生活、安全以及医疗生活等领域都具有重要的意义，生活中，尤其是老人和幼儿的人体行为类别识别，可以实现日常的监护并且在发生摔倒等危险行为时进行第一时间抢救，医学上，通过对病人的人体行为类别的识别和分析，可以为病情诊断和治疗提供依据。
近年来，对人体行为识别多采用图像处理技术和加速度分析方法，对于应用图像处理技术进行人体行为识别时往往存在数据量大，计算复杂以及不能对人体进行实时监护等缺点，因此，本发明采用加速度传感器采集人体运动时产生的加速度数据，从加速度数据中提取人体运动的特征向量，根据特征向量进行人体行为识别。
技术实现要素：
针对上述问题，本发明旨在提供一种有效的人体行为识别系统。
本发明创造的目的通过以下技术方案实现：
一种有效的人体行为识别系统，包括数据采集模块、数据处理模块、特征提取模块和人体行为识别模块，所述数据采集模块包括传感器采集单元和数据传输单元，所述传感器采集单元采用三轴加速度传感器采集人体运动时产生的加速度数据，所述数据传输单元采用zigbee无线通信技术，用于将采集得到的加速度数据传输到数据处理模块，所述数据处理模块对采集得到的数据进行处理，所述特征提取模块从处理后的加速度数据中提取加速度信号特征，组件特征集合，所述人体行为识别模块采用rbf神经网络构建分类器，根据上述获得的特征集合进行人体行为识别。
优选地，所述数据处理模块采用一种改进的小波阈值去噪法对采集得到的加速度数据进行处理，具体包括：
a.选取小波阈值去噪法中的阈值τ，则τ的计算表达式为：
式中，μ为高斯白噪声的标准方差，n为信号的长度，j为分解尺度；
b.提出一种改进的阈值函数，具体为：
式中，v(j,k)为原始的小波系数，v′(j,k)为去躁后得到的小波系数，τ为阈值。
优选地，所述特征提取模块用于从处理后的加速度数据中提取加速度信号特征，组建特征集合，具体为：
式中，xi1、xi2……xin分别代表加速度数据的均值、方差、均方根、fft系数、频谱能量、频域熵、功率谱密度和数据变化率的加速度信号特征。
优选地，所述数据变化率根据y轴加速度数据进行计算，具体包括：
a.定义i时刻采集得到的y轴的数据为li，则计算y轴的数据的斜率为：
式中，li为i时刻采集得到的加速度y轴数据，li+k为i+k时刻采集得到的数据，vj为li+k和li之间的斜率；
b.根据上述所得的数据之间的斜率计算数据变化率rj，具体为：
rj＝|vj+1-vj|
式中，vj为数据斜率，r为数据变化率。
优选地，所述人体行为识别模块用于根据上述所得的特征集合进行人体行为识别，主要包括：
a.制定待识别人体行为类别的参量值，具体为：
式中，q1、q2、……、q8分别为平地走、上坡、下坡、快跑、慢跑、上楼、下楼和摔倒这8种人体行为类别的参量值；
b.采用rbf神经网络构建分类器，用于根据所述特征向量识别人体行为类别，其采用一种改进的遗传算法训练rbf神经网络，定义i时刻的特征集合
式中，α＝0.73、β＝0.27，h为隐藏神经元个数，l为输入层神经元个数，h为输入样本个数,i为rbf神经网络的实际输出，qi为待识别人体行为类别的参量值；
c.计算rbf神经网络实际输出和对应人体行为类别标量值的最小均方根误差，具体为：
式中，tim为rbf神经网络的实际输出，qm为待识别人体行为类别的参量值，h为样本输入个数；
d.最小均方根误差r′m所对应的人体行为类别即为输入变量所属的类别，从而达到识别人体行为类别的目的。
本发明的有益效果为：通过各模块之间的相互配合，能够对人体运动时产生的加速度信号进行有效的采集、处理和特征提取，采用rbf神经网络构建分类器，用于对所述特征向量进行分类，实现了对人体行为类别的有效识别。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
附图标记：
数据采集模块1、数据处理模块2、特征提取模块3、人体行为识别模块4、传感器采集单元11、数据传输单元12。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种有效的人体行为识别系统，包括数据采集模块1、数据处理模块2、特征提取模块3和人体行为识别模块4，所述数据采集模块1包括传感器采集单元11和数据传输单元12，所述传感器采集单元11采用三轴加速度传感器采集人体运动时产生的加速度数据，所述数据传输单元12采用zigbee无线通信技术，用于将采集得到的加速度数据传输到数据处理模块2，所述数据处理模块2对采集得到的数据进行处理，所述特征提取模块3从处理后的加速度数据中提取加速度信号特征，组件特征集合，所述人体行为识别模块4采用rbf神经网络构建分类器，根据上述获得的特征集合进行人体行为识别。
优选地，所述数据处理模块2采用一种改进的小波阈值法对采集得到的加速度数据进行处理，具体包括：
a.选取小波阈值法中的阈值τ，则τ的计算表达式为：
式中，μ为高斯白噪声的标准方差，n为信号的长度，j为分解尺度；
b.提出一种改进的阈值函数，具体为：
式中，v(j,k)为原始的小波系数，v′(j,k)为滤波后得到的小波系数，τ为阈值。
本优选实施例克服了传统阈值函数在信号连续性和重构信号的精度方面的不足，在滤除噪声的同时，控制了信号的衰减程度，具有更好的滤波效果。
优选地，所述特征提取模块3用于从处理后的加速度数据中提取加速度信号特征，组建特征集合，具体为：
式中，xi1、xi2……xin分别代表加速度数据的均值、方差、均方根、fft系数、频谱能量、频域熵、功率谱密度和数据变化率的加速度信号特征。
本优选实施例确定了用于识别人体行为类别的特征向量，对后续人体行为类别的有效识别奠定了基础。
优选地，所述数据变化率根据y轴加速度数据进行计算，具体包括：
a.定义i时刻采集得到的y轴的数据为li，则计算y轴的数据的斜率为：
式中，li为i时刻采集得到的加速度y轴数据，li+k为i+k时刻采集得到的数据，vj为li+k和li之间的斜率；
b.根据上述所得的数据之间的斜率计算数据变化率rj，具体为：
rj＝|vj+1-vj|
式中，vj为数据斜率，r为数据变化率。
本优选实施例突出了采集得到的y轴加速度数据的分布特点，并从数据变化率中体现了运行的剧烈程度，在解决人体行为识别的混淆问题时效果显著。
优选地，所述人体行为识别模块4用于根据上述所得的特征集合进行人体行为识别，主要包括：
a.制定待识别人体行为类别的参量值，具体为：
式中，q1、q2、……、q8分别为平地走、上坡、下坡、快跑、慢跑、上楼、下楼和摔倒这8种人体行为类别的参量值；
b.采用rbf神经网络构建分类器，用于根据所述特征向量识别人体行为类别，其采用一种改进的遗传算法训练rbf神经网络，定义i时刻的特征集合
式中，α＝0.73、β＝0.27，h为隐藏神经元个数，l为输入层神经元个数，h为输入样本个数,i为rbf神经网络的实际输出，qi为待识别人体行为类别的参量值；
c.计算rbf神经网络实际输出和对应人体行为类别标量值的最小均方根误差，具体为：
式中，tim为rbf神经网络的实际输出，qm为待识别人体行为类别的参量值，h为样本输入个数；
d.最小均方根误差r′m所对应的人体行为类别即为输入变量所属的类别，从而达到识别人体行为类别的目的。
本优选实施例提出一种改进的适应度函数训练bpf神经网络，获得的网络结构较为精简，同时具有较小的输出误差，在行为识别系统中，能够较为精确识别人体行为类别。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。