基于加速度傳感器的人體前臂動作識別

民權(quán)職業(yè)技術(shù)教育中心 張金棟

基于加速度傳感器的人體前臂動作識別

民權(quán)職業(yè)技術(shù)教育中心 張金棟

【摘要】針對人體前臂運動識別困難，識別率低的問題，且為了有效并快速提取人體上肢前臂的運動特征，設(shè)計了一種基于加速度傳感器的人體前臂動作識別系統(tǒng)。首先利用加速度傳感器來獲取的加速度原始數(shù)據(jù)矩陣，采用分段線性分類器對運動特征矩陣進行動作識別。實驗表明，本系統(tǒng)能夠有效識別人體右手前臂向上，向下，向左，向右四種動作，且動作識別率達98%。

【關(guān)鍵詞】加速度傳感器；濾波；運動識別；特征提取

0.引言

目前主流的手勢識別技術(shù)有：（1）采用機器視覺方式來識別肢體運動模式［1］。此方法在于靜態(tài)運動模式上廣泛應(yīng)用［2］，但成本較高，對硬件設(shè)備要求高且算法設(shè)計復(fù)雜難于推廣［3］；（2）基于表面肌電信號來識別肢體運動模式［4］。此方法多用于醫(yī)療康復(fù)［5］、運動控制［6］等領(lǐng)域，但表面肌電信號微弱，易受干擾，獲取難度大［7］；（3）基于慣性傳感器來識別肢體運動模式［8］。此方法在實時運動模式識別中廣泛應(yīng)用［9］，且受外界干擾因素較少，易于獲取，只需佩戴具有慣性傳感器的體感設(shè)備，或是手持手機，即可滿足需求，因而便于在日常生活中得到推廣［10］。因此，本系統(tǒng)采用基于加速度傳感器來實現(xiàn)人體上肢前臂動作識別。

1.人體前臂動作識別系統(tǒng)總體設(shè)計

前臂動作識別系統(tǒng)由加速度原始數(shù)據(jù)采集［11］、加速度原始數(shù)據(jù)預(yù)處理、手勢運動模式分類以及后續(xù)處理五部分組成［12］。

圖1 前臂動作識別系統(tǒng)總體設(shè)計框圖

2.前臂運動識別算法設(shè)計

圖2 前臂運動識別算法流程圖

前臂動作識別算法設(shè)計框圖如圖2所示。經(jīng)過預(yù)處理后的數(shù)據(jù)，在抬手過程中，Y軸數(shù)據(jù)在負半軸有明顯的變化趨勢；在落手過程中，Y軸數(shù)據(jù)在正半軸有明顯的變化趨勢；在向左運動時，X軸數(shù)據(jù)在正半軸有明顯變化趨勢， Y軸數(shù)據(jù)在負半軸有明顯的變化趨勢；在向右運動時，X軸數(shù)據(jù)在負半軸有明顯變化趨勢， Y軸數(shù)據(jù)在負半軸有明顯的變化趨勢。圖2就是利用這種數(shù)據(jù)差異來因而采用線性分段分類器與決策樹來對這四種動作模式進行分類識別。

3.實驗結(jié)果分析

實驗中，為了測試算法的效率與通用性，挑選十名志愿者按照預(yù)定動作，即右手佩戴體感帶有加速度傳感器的體感手環(huán)，手心朝下做抬手，落手，向身體內(nèi)側(cè)運動，展開前臂四種動作自然運動，以個人習(xí)慣與力度每種動作做一百次，并與動態(tài)時間規(guī)劃、隱馬爾科夫鏈、線性判別分析三種算法的對比結(jié)果如表1所示。

表1 四種不同算法的識別結(jié)果

從表1可以看出，基于決策樹分類器對前臂四種動作模式的平均識別率為98%，而基于動態(tài)時間規(guī)劃、隱馬爾科夫鏈、線性判別分析的平均識別率分別為：94%、92%和97%，基于決策樹分類器的識別率最高。

4.結(jié)束語

本文針對基于加速度傳感器的前臂運動識別設(shè)計了一種基于嵌人式系統(tǒng)的計算量小、個體適應(yīng)性強的方法。該方法針對加速度原始數(shù)據(jù)進行了濾波和去重力場作用提取出動作特征數(shù)據(jù)，進而使用模式識別方法中的決策樹實現(xiàn)了任意設(shè)備姿態(tài)下的前臂動作識別，且與動態(tài)時間規(guī)劃、隱馬爾科夫鏈、線性判別分析這三種分類器相比，識別準確率較高，識別率達98%。但由于加速度傳感器數(shù)據(jù)通道數(shù)的限制和時域特征參數(shù)的限制，對于上肢前臂的動作識別還不夠充分，例如手腕翻轉(zhuǎn)、連續(xù)動作等，還不能有效識別。因此，在后續(xù)的工作中，針對加速度傳感器在上肢前臂的安裝位置與前臂動作的運動關(guān)系，深入研究在不同前臂動作下，采用多個加速度傳感器數(shù)據(jù)融合技術(shù)來識別更多的前臂運動模式，并提高識別正確率。

參考文獻

［1］趙澤彪，常丹華.基于DSP的穿戴式動作傳感器的手勢識別［J］.計算機工程與設(shè)計，2013，34（4）∶1250-1253.

［2］嚴焰，劉蓉，黃璐.基于HMM的手勢識別研究［J］.華中師范大學(xué)學(xué)報（自然科學(xué)版），2012，46（5）∶555-559.

［3］荊雷，馬文君，常丹華.基于動態(tài)時間規(guī)整的手勢加速度信號識別［J］.傳感技術(shù)學(xué)報，2012，25（1）∶72-75.

［4］Xu R Z，Zhou S L，Li W J.MEMS Accelerometer Based Nonspecific User Hand Gesture Recognition［J］.EEE Sensors Journal，2012，12（5）∶1166-1173.

［5］張建忠，常丹華.基于區(qū)間分布概率矩陣模型的動態(tài)手勢識別方法［J］.測控技術(shù)與儀器儀表，2013，39（1）∶72-75.

［6］Yang Yu，Chen Xiang，Tu You-qiang，et a1.Human-machine interactionsystem based on surface EMG signals［J］.Journal of System Simulation，2010，22（3）∶651-655.

［7］萬莎，侯文生，楊丹丹等.基于LabVIEW的多通道sEMG信號檢測系統(tǒng)設(shè)計［J］.測控技術(shù)與儀器儀表，2012，38（3）∶78-81.

［8］肖茜，楊平，徐立波.一種基于MEMS慣性傳感器的手勢識別方法術(shù)［J］.傳感技術(shù)學(xué)報，2013，26（5）∶611-615.

［9］陳意，楊平，陳旭光.一種基于加速度特征提取的手勢識別方法［J］.傳感技術(shù)學(xué)報，2012，25（8）∶1073-1078.

［10］Yuan Tao，Wang Ben Accelerometer Based Chinese Traffic Police Gesture Recognition System［J］.Chinese Journal of Electronics，2010（19）∶270-274.

［11］孫金秋，游有鵬，傅忠云.基于共軛梯度法和互補濾波相結(jié)合的姿態(tài)解算算法［J］.傳感技術(shù)學(xué)報，2014，27（4）∶524-528.

［12］呂印新，肖前貴，胡壽松.基于四元數(shù)互補濾波的無人機姿態(tài)解算［J］.燕山大學(xué)學(xué)報，2014，38（2）∶175-180.

作者簡介：

張金棟（1972—），男，河南民權(quán)人，大學(xué)本科，講師，主要從事網(wǎng)絡(luò)搭建及計算機軟件開發(fā)方面的研究。