1.一种基于惯性传感器的人体行为识别方法,其特征在于,所述方法包括以下步骤:
步骤(1):构建人体行为分层识别模型,模型中包含静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3,动态周期动作分类器c4、过渡动作分类器c5共5个子分类器,利用特征选择方法从特征集f中选择适用于各子分类器的特征组成对应的特征子集,特征子集fi为子分类器ci对应的分类特征子集,其中i=1,2,...,5,利用训练数据集对分层识别模型中的子分类器进行训练;
步骤(2):采集加速度计和陀螺仪传感器数据;
步骤(3):利用低通滤波方法对加速度计和陀螺仪传感器采集的数据进行滤波去噪预处理;
步骤(4):生成加速度幅值、线性加速度、重力加速度、垂直与水平方向加速度数据;
步骤(5):对数据进行分割得到数据片段;
步骤(6):根据特征集fp对数据片段进行特征提取,得到该数据片段对应的特征向量
步骤(7):将特征向量vp输入人体行为识别分层识别模型,对模型中的不同子分类器选择对应的特征子集进行分类,逐层分类得到最终的识别类别。
2.如权利要求1所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(1)中,构建和训练人体行为分层识别模型的步骤如下:
步骤(1-1):采集不同人体行为下的加速度计和陀螺仪传感器数据,采集的行为包括静态as、动态周期ad、过渡动作at三大类,集合
步骤(1-2):利用低通滤波方法对采集的传感器数据进行滤波去噪预处理;
步骤(1-3):生成加速度幅值、线性加速度、重力加速度、垂直与水平方向加速度数据;
步骤(1-4):对不同行为数据进行分割得到数据片段;
步骤(1-5):根据特征集f,对每个数据片段进行特征提取,获得该数据片段对应的特征向量vk=[v1,v2,...,vn]∈rn,n为特征集f中的特征数目,并标记该特征向量所属的行为类别aj,aj∈a,k=1,2,...,k,k为数据片段数目,所有数据片段提取的特征向量共同构成样本集s,s=[v1;v2;...;vk];
步骤(1-6):构建人体行为分层识别模型,模型中包含静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3,动态周期动作分类器c4、过渡动作分类器c5共5个子分类器,基于先验知识将子分类器组成分层识别模型;
步骤(1-7):将采集的样本集s划分为特征选择数据集sf、模型训练集st和模型验证集sv,基于特征选择集sf和sf中每个样本所属的行为类别,利用特征选择方法,从特征集f中选择适用于分层识别模型中各子分类器的部分特征组成对应的特征子集,特征子集fi为子分类器ci对应的分类特征子集,其中i=1,2,...,5;
步骤(1-8):利用模型训练集st、st中每个样本所属的行为类别和各子分类器的特征子集,训练分层模型中的各子分类器,并利用模型验证集sv进行模型验证。
3.如权利要求2所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(1-1)中,采集的传感器数据包括加速度计和陀螺仪传感器不同方向上的数据,采集的行为集合a中包含静态动作(站、坐),动态周期动作(步行、跑、上楼、下楼)和过渡动作(站-坐、坐-站、站-蹲、蹲-站)共10种动作;
所述步骤(1-3)中,利用加速度计x、y、z轴数据合成加速度幅值数据,利用低通滤波器分离线性加速度和重力加速度,利用线性加速度和重力加速度解算出垂直与水平方向加速度;
所述步骤(1-4)中,对于采集的静态动作和动态周期动作采用窗长度为l、重叠覆盖率为p%滑动窗口方法进行分割;对于过渡动作计算加速度幅值的模糊近似熵,设定阈值为t进行过渡动作的起始点与终止点的检测,并进行分割;
所述步骤(1-6)中,基于支持向量机算法构建静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3,基于随机森林算法构建动态周期动作分类器c4、过渡动作分类器c5,基于先验知识将子分类器组成分层识别模型,对于输入样本,先利用静态与动态动作分类器c1识别输入样本为静态动作还是动态动作;若为静态动作,则利用静态动作分类器c3识别输入样本的具体静态动作类别;若为动态动作,则利用周期与过渡动作分类器c2识别输入样本为动态周期动作还是过渡动作;若为动态周期动作,则利用动态周期动作分类器c4识别输入样本的具体周期动作类别;若为过渡动作,则利用过渡动作分类器c5识别输入样本的具体过渡动作类别。
4.如权利要求3所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(1-7)中,令样本子集
从sf中筛选出属于动态周期动作或过渡动作的特征向量,组成样本子集
从sf中筛选出属于静态动作的特征向量,组成样本子集
从sf中筛选出属于动态周期动作的特征向量,组成样本子集
从sf中筛选出属于过渡动作的特征向量,组成样本子集
5.如权利要求4所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(1-7)中,所采用的特征选择算法为基于随机森林的集成法和包装法,在选择每个子分类器的特征子集时,利用集成法得到特征集f中各特征的权值系数,利用包装法对权值系数最高的前m个特征进行排序,将这前m个特征全部输入当前子分类器得到当前子分类器在特征选择集上的最高准确率,设定各分类器阈值为最高准确率的β%,利用前向顺序搜索方法确定当前子分类器特征及个数,若特征数不足5个,则选择前5个特征。
6.如权利要求3所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(1-8)中,令样本子集
从st中筛选出属于动态周期动作或过渡动作的样本,组成样本子集
从st中筛选出属于静态动作的样本,组成样本子集
从st中筛选出属于动态周期动作的样本,组成样本子集
从st中筛选出属于过渡动作的样本,组成样本子集
7.如权利要求6所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(1-8)中,对于模型验证集sv中每个样本,根据特征子集f1中的特征,选择对应特征值组成特征向量
8.如权利要求1~7之一所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(4)中,利用加速度计x、y、z轴数据合成加速度幅值数据,利用低通滤波器分离线性加速度和重力加速度,利用线性加速度和重力加速度解算出垂直与水平方向加速度。
9.如权利要求1~7之一所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(5)中,利用窗长度为l、重叠覆盖率为p%滑动窗口方法得到当前数据片段。
10.如权利要求1~7之一所述的基于惯性传感器的人体行为识别方法,其特征在于,所述步骤(7)中,对于输入的特征向量vp,根据特征子集f1中的特征,选择对应特征值组成特征向量