基于惯性传感器的人体行为识别方法与流程

技术特征：

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np为特征集fp中的特征个数，fp为步骤(1)中分层识别模型各子分类器特征子集的并集，fp＝f1∪f2∪...∪f5；

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js为预先定义的静态动作类别数目，集合jd为预先定义的动态周期动作类别数目，集合jt为预先定义的过渡动作类别数目，a＝as∪ad∪at，为所有行为类别的集合；

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，令样本子集对于中的每个特征向量若其属于静态动作，则标记为静态类别as，若其为动态周期动作或过渡动作，则标记为动态类别am，构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于静态与动态动作分类器c1的部分特征组成特征子集f1；

从sf中筛选出属于动态周期动作或过渡动作的特征向量，组成样本子集对于中的每个特征向量若其属于动态周期动作，则标记为动态周期类别ad，若其为过渡动作，则标记为过渡动作类别at，构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于周期与过渡动作分类器c2的部分特征组成特征子集f2；

从sf中筛选出属于静态动作的特征向量，组成样本子集对于s3中的每个特征向量标记其数据采集时的类别构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于静态动作分类器c3的部分特征组成特征子集f3；

从sf中筛选出属于动态周期动作的特征向量，组成样本子集对于中的每个特征向量标记其数据采集时的类别构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于动态周期动作分类器c4的部分特征组成特征子集f4；

从sf中筛选出属于过渡动作的特征向量，组成样本子集对于中的每个特征向量标记其数据采集时的类别构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于过渡动作分类器c5的部分特征组成特征子集f5。

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，令样本子集对于中的每个样本，根据特征子集f1中的特征，选择对应特征值组成特征向量n1为特征子集f1中的特征数目，若其属于静态动作，则标记为静态类别as，若其为动态周期动作或过渡动作，则标记为动态类别am，构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练静态与动态动作分类器c1；

从st中筛选出属于动态周期动作或过渡动作的样本，组成样本子集对于中的每个样本，根据特征子集f2中的特征，选择对应特征值组成特征向量n2为特征子集f2中的特征数目，若其属于动态周期动作，则标记为动态周期类别ad，若其为过渡动作，则标记为动态类别at，构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练动态周期与过渡动作分类器c2；

从st中筛选出属于静态动作的样本，组成样本子集对于中的每个样本，根据特征子集f3中的特征，选择对应特征值组成特征向量为特征子集f3中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练静态动作分类器c3；

从st中筛选出属于动态周期动作的样本，组成样本子集对于中的每个样本，根据特征子集f4中的特征，选择对应特征值组成特征向量n4为特征子集f4中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练动态周期动作分类器c4；

从st中筛选出属于过渡动作的样本，组成样本子集对于中的每个样本，根据特征子集f5中的特征，选择对应特征值组成特征向量为特征子集f5中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练过渡动作分类器c5。

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输入静态与动态动作分类器c1，若c1输出结果为静态，则根据特征子集f3中的特征，选择对应特征值组成特征向量输入静态动作分类器c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集f2中的特征，选择对应特征值组成特征向量输入周期与过渡动作分类器c2，若c2的输出结果为动态周期动作，则根据特征子集f4中的特征，选择对应特征值组成特征向量输入动态周期动作分类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集f5中的特征，选择对应特征值组成特征向量输入过渡动作分类器c5得到最终的识别结果，ni为特征子集fi中特征数目，i＝1，2，...，5。

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输入静态与动态动作分类器c1，若c1输出结果为静态，则根据特征子集f3中的特征，选择对应特征值组成特征向量输入静态动作分类器c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集f2中的特征，选择对应特征值组成特征向量输入周期与过渡动作分类器c2，若c2的输出结果为动态周期动作，则根据特征子集f4中的特征，选择对应特征值组成特征向量输入动态周期动作分类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集f5中的特征，选择对应特征值组成特征向量输入过渡动作分类器c5得到最终的识别结果，ni为特征子集fi中特征数目，i＝1，2，...，5。

技术总结
一种基于惯性传感器的人体行为识别方法，涉及行为识别技术领域，首先采集惯性传感器数据；然后对原始数据进行滤波去噪、生成数据；其次进行动作片段分割并对数据片段进行特征提取；最后基于支持向量机和随机森林模型构建分层识别模型，根据先验知识将子分类器组合成分层模型，并提出特征分层的方法，对模型中的不同分类器选择不同的特征进行分类，逐层识别获得最终的行为识别结果。本发明有效提高了分类模型的鲁棒性，显著提高了识别准确率，具有明显优势。

技术研发人员：潘赟;肖沛文;朱怀宇;李俊捷
受保护的技术使用者：浙江大学
技术研发日：2020.05.06
技术公布日：2020.08.25