基于腕部IMU數(shù)據(jù)采集的人體運(yùn)動(dòng)模式識(shí)別

胡春生， 趙匯東

(1.寧夏大學(xué) 機(jī)械工程學(xué)院，寧夏 銀川 750021; 2.山西大學(xué)附屬中學(xué)，山西 太原 030006)

人體行為包含豐富的特征信息，人體運(yùn)動(dòng)信息能反映出人體運(yùn)動(dòng)狀況以及身體機(jī)能.人體行為識(shí)別的研究可為智能家居、醫(yī)療監(jiān)護(hù)、虛擬現(xiàn)實(shí)等領(lǐng)域提供技術(shù)支持.目前人體行為識(shí)別是利用可視化工具或慣性測量單元(IMU)內(nèi)置的運(yùn)動(dòng)傳感器檢測人體的運(yùn)動(dòng)行為，并針對(duì)各種姿態(tài)信息進(jìn)行處理分析，實(shí)現(xiàn)對(duì)人體行為的判斷與識(shí)別.隨著智能可穿戴設(shè)備的智能化和普及化，大部分的設(shè)備均內(nèi)置了方向、陀螺儀、加速度等多種傳感器，各種應(yīng)用的發(fā)展為記錄并儲(chǔ)存運(yùn)動(dòng)數(shù)據(jù)提供便捷.智能可穿戴設(shè)備較傳統(tǒng)慣性測量單元設(shè)備具有便攜性和普適性的優(yōu)點(diǎn)，多種傳感器結(jié)合網(wǎng)絡(luò)、應(yīng)用程序等功能可高效、精確、實(shí)時(shí)記錄原始三維數(shù)據(jù)，從而快速準(zhǔn)確地判斷出當(dāng)前用戶的運(yùn)動(dòng)狀態(tài)情況.

目前，傳感器檢測人體運(yùn)動(dòng)模式識(shí)別的研究主要區(qū)別于數(shù)據(jù)采集設(shè)備、研究部位、特征值選擇、識(shí)別算法等.S.Chernbumroong等[1]提取同一人的5種動(dòng)作加速度信息，得到不同動(dòng)作識(shí)別率為65%～95%.M.Tolkienhn等[2]采用單個(gè)三軸加速度傳感器采集3個(gè)方向的加速度值，計(jì)算加速度3個(gè)方向的均方根值，并分析每個(gè)方向的加速度的變化情況，從而對(duì)跌倒行為進(jìn)行識(shí)別，識(shí)別率為86.97%.路永樂等[3]通過加速度傳感器模塊研究了人體胯部運(yùn)動(dòng)信息，選用支持向量機(jī)分類器對(duì)靜止、跑步、走路和跳躍4種行為進(jìn)行了識(shí)別.梁璐等[4]采用隱馬爾科夫模型(HMM)對(duì)移動(dòng)對(duì)象的長期行為進(jìn)行了研究，結(jié)果表明隱馬爾科夫模型不能有效地進(jìn)行3個(gè)或者3個(gè)以上行為的識(shí)別.傳統(tǒng)的可穿戴設(shè)備雖然具有較高精度，但舒適度較低，影響正常運(yùn)動(dòng)，存在成本高、處理數(shù)據(jù)量大等問題，僅適用于實(shí)驗(yàn)室環(huán)境中，推廣的價(jià)值低.

人在運(yùn)動(dòng)過程(包括坐、躺等)中加速度信息會(huì)頻繁變化，腕部作為變化頻率較高的人體部位，特征變化明顯，特征點(diǎn)較少，且佩戴設(shè)備方便，不影響正常生活.采用智能可穿戴設(shè)備記錄腕部多加速度信息進(jìn)行識(shí)別的研究較少，識(shí)別率也有待提高.本文提出了一種基于智能可穿戴設(shè)備獲取用戶運(yùn)動(dòng)時(shí)腕部數(shù)據(jù)來進(jìn)行運(yùn)動(dòng)模式識(shí)別與分析的方法.該方法通過對(duì)三維加速度和三維角速度信號(hào)進(jìn)行處理，采用支持向量機(jī)作為分類器，選取均值、方差、協(xié)方差等特征值進(jìn)行分類識(shí)別，最后對(duì)分類器參數(shù)進(jìn)行尋優(yōu)處理，使分類器達(dá)到最大分類準(zhǔn)確率.

1 運(yùn)動(dòng)識(shí)別過程

基于傳感器的人體運(yùn)動(dòng)模式識(shí)別，是利用加速度傳感器采集人體運(yùn)動(dòng)信號(hào)對(duì)特征值進(jìn)行提取與選擇，通常包括時(shí)域、頻域特征.經(jīng)過選擇后的特征向量可作為表征相關(guān)運(yùn)動(dòng)特點(diǎn)的訓(xùn)練樣本，對(duì)分類模型進(jìn)行訓(xùn)練，最后獲得可用于行為分類的參考模型.行為分類階段主要過程如下：以訓(xùn)練完成的參考模型為基礎(chǔ)，采用一定算法將未知樣本與參考模型進(jìn)行逐一匹配計(jì)算，匹配程度最高的模型類別即被認(rèn)為是該未知樣本的所屬類別，也就是識(shí)別結(jié)果.識(shí)別流程見圖1.

圖1 運(yùn)動(dòng)識(shí)別流程圖

1.1 數(shù)據(jù)采集

本文使用Android Studio開發(fā)的程序記錄實(shí)時(shí)智能可穿戴設(shè)備多個(gè)加速度數(shù)據(jù)變化.由于人體日?；顒?dòng)的頻率在20 Hz左右[5]，且本研究智能可穿戴設(shè)備需放置于運(yùn)動(dòng)頻率較高的腕部，故本研究采樣間隔選為20 ms，即采集頻率為50 Hz.APP圖形操作界面簡單方便(圖2).

圖2 采集數(shù)據(jù)APP操作界面

當(dāng)用戶點(diǎn)擊“記錄”按鈕時(shí)屏幕所顯示的所有數(shù)據(jù)開始自動(dòng)生成txt格式文件存儲(chǔ)于設(shè)備中.記錄完成后點(diǎn)擊停止按鈕，完成記錄，并在txt文本中自動(dòng)換行，區(qū)別并等待下一次記錄.對(duì)每一用戶同一運(yùn)動(dòng)狀態(tài)紀(jì)錄60 s，為防止用戶在采集數(shù)據(jù)開始和結(jié)束時(shí)的多余動(dòng)作產(chǎn)生不必要的加速度，舍棄前2 s和后2 s采集的數(shù)據(jù)，不予考慮.

本文采用的監(jiān)督式行為識(shí)別學(xué)習(xí)算法一定程度上取決于已知的數(shù)據(jù)樣本集，即需明確當(dāng)前的數(shù)據(jù)樣本所對(duì)應(yīng)的人體運(yùn)動(dòng)狀態(tài).為此，在記錄運(yùn)動(dòng)狀態(tài)的同時(shí)記錄實(shí)驗(yàn)者點(diǎn)擊“記錄”按鈕的時(shí)刻，以便數(shù)據(jù)處理時(shí)區(qū)別所記錄數(shù)據(jù)的運(yùn)動(dòng)狀態(tài).

1.2 特征值提取

選取恰當(dāng)?shù)奶卣髦祵?duì)于運(yùn)動(dòng)模式識(shí)別系統(tǒng)的精度至關(guān)重要，現(xiàn)有研究中對(duì)特征的選取大體分為兩種，即方向相關(guān)和方向無關(guān)[6].第1種基于x，y，z每個(gè)軸的加速度值，第2種則基于對(duì)方向不敏感的合成加速度來提取特征值.其合加速度公式如下：

(1)

時(shí)域特征的提取計(jì)算復(fù)雜程度低、耗時(shí)較短，本文選取適用于實(shí)時(shí)性要求較高的多種時(shí)域特征，并結(jié)合上述第2種方法，即直接從采集的加速度傳感器和陀螺儀傳感器的時(shí)域信號(hào)中進(jìn)行特征選取.

常見的時(shí)域特征值主要有均值、方差、標(biāo)準(zhǔn)差、均方根、斜率等.本研究的加速度傳感器和陀螺儀傳感器選用相同的特征值，分別選用其合加速度的均值、標(biāo)準(zhǔn)差、峰值以及兩組數(shù)據(jù)的協(xié)方差共7個(gè)特征值.

1.2.1均值(Mean) 均值為一組數(shù)據(jù)的變化強(qiáng)度指標(biāo)之一，可充分利用數(shù)據(jù)特征，適合代數(shù)運(yùn)算，反應(yīng)靈敏、嚴(yán)密確定，受抽樣變動(dòng)的影響較小，能避免單一數(shù)據(jù)對(duì)結(jié)果的影響.均值公式如下：

(2)

式中：P為均值；n為樣本個(gè)數(shù)；xi為樣本集的一個(gè)樣本點(diǎn).

1.2.2方差(Variance) 方差是數(shù)據(jù)偏離平均值的程度，方差越大，表示數(shù)據(jù)偏離程度越大，即用戶的運(yùn)動(dòng)模式動(dòng)作較大.在對(duì)數(shù)據(jù)的波動(dòng)性描述時(shí)，標(biāo)準(zhǔn)差和方差作用相同，但為了減少運(yùn)算量選用方差作為特征值.方差的計(jì)算公式如下：

(3)

1.2.3峰值(Kurtosis) 峰值是用來描述信號(hào)在一個(gè)周期內(nèi)的變化強(qiáng)度.強(qiáng)度有正有負(fù)，峰值越大，運(yùn)動(dòng)的幅度越大.峰值能夠突出反應(yīng)運(yùn)動(dòng)過程的加速度最大值，不同運(yùn)動(dòng)模式峰值特異性較強(qiáng)，可明顯區(qū)別用戶的不同行為模式.

1.2.4協(xié)方差(Covariance) 本研究選用兩組傳感器進(jìn)行特征值的提取和分析，為了表述兩組傳感器數(shù)據(jù)的相關(guān)性關(guān)系，選用協(xié)方差來進(jìn)行描述.協(xié)方差計(jì)算公式如下：

(4)

式中：n為一組數(shù)據(jù)樣本的個(gè)數(shù)；ai，ωi分別為某一個(gè)時(shí)間點(diǎn)的合成加速度和合成角速度；aavg，ωavg分別為一組數(shù)據(jù)內(nèi)合成加速度和合成角速度的均值.

在實(shí)驗(yàn)過程中，共選取5位實(shí)驗(yàn)者，將智能可穿戴設(shè)備均固定于腕部，分別在跑步機(jī)上獲取其在4.0，5.5，6.5，8.5 km/h速度下的運(yùn)動(dòng)數(shù)據(jù)，每個(gè)速度分別記錄3組數(shù)據(jù)，共60組；后又分別取得6組靜止站立，6組下樓數(shù)據(jù).共72組運(yùn)動(dòng)數(shù)據(jù)，每組數(shù)據(jù)均有7個(gè)特征值，故可構(gòu)建一個(gè)7×72的特征值矩陣，用于之后的分類訓(xùn)練和測試.將4.0,5.5 km/h速度類別標(biāo)簽設(shè)定為走，6.5,8.5 km/h速度設(shè)定為跑.

每一類運(yùn)動(dòng)狀態(tài)均隨機(jī)選取二分之一作為訓(xùn)練集，剩余的二分之一作為測試集，保證訓(xùn)練集和測試集數(shù)據(jù)無交叉重疊.

圖3為MATLAB中獲得的所有樣本的特征值分布情況，圖中，class為真實(shí)樣本運(yùn)動(dòng)狀態(tài)的情況，縱坐標(biāo)“0”表示站立靜止?fàn)顟B(tài)，“-1”表示下樓狀態(tài)，“4”表示行走，“8”表示跑步.圖3中，attrib1至attrib7分別對(duì)應(yīng)為數(shù)據(jù)的特征值：加速度傳感器均值、加速度傳感器方差、加速度傳感器峰值、陀螺儀傳感器均值、陀螺儀傳感器方差、陀螺儀傳感器峰值、協(xié)方差值.

1.3 分類器搭建及識(shí)別結(jié)果

支持向量機(jī)(support vector machine,SVM)對(duì)于線性不可分的情況，通過使用非線性映射算法，可將低維輸入空間特性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得在高維特征空間中采用線性算法對(duì)樣本的非線性特征進(jìn)行線性分析成為可能[7].SVM在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢[8]，因此選取SVM作為分類器.

本文基于MATLAB，采用臺(tái)灣大學(xué)林智仁(Lin Chih-Jen)等開發(fā)設(shè)計(jì)的LIBSVM[9].LIBSVM常用的核函數(shù)包括線性核函數(shù)、徑向基核函數(shù)(RBF)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù).其中RBF應(yīng)用最廣泛，無論樣本大小、維度高低均有較好的性能，故本文選用RBF核函數(shù).利用SVM分類器訓(xùn)練與測試，測試集的尋優(yōu)結(jié)果見圖4,識(shí)別正確率為88.46%.

圖4 測試集的實(shí)際分類和預(yù)測分類圖

2 參數(shù)尋優(yōu)

為使測試集的分類準(zhǔn)確率維持在一個(gè)較高的水平，避免過學(xué)習(xí)和欠學(xué)習(xí)狀況發(fā)生，需對(duì)分類器中的關(guān)鍵參數(shù)懲罰因子C和核函數(shù)參數(shù)g進(jìn)行尋優(yōu).本文采用基于交叉驗(yàn)證(cross validation, CV)思想的網(wǎng)格搜索法，基于啟發(fā)式算法的遺傳算法(genetic algorithm, GA)和粒子群優(yōu)化算法(particle swarm optimization, PSO)對(duì)搭建的支持向量機(jī)分類器進(jìn)行參數(shù)優(yōu)化[10—15].

2.1 網(wǎng)格搜索法尋優(yōu)

本文采用交叉驗(yàn)證法，可有效規(guī)避網(wǎng)絡(luò)搜索法訓(xùn)練得到模型出現(xiàn)的過擬合現(xiàn)象.網(wǎng)絡(luò)搜索法進(jìn)行交叉驗(yàn)證的過程是先窮舉出C,g參數(shù)對(duì)，在對(duì)樣本進(jìn)行訓(xùn)練時(shí)，選用最高交叉驗(yàn)證精度的C,g參數(shù)對(duì)作為最終參數(shù).通常采用指數(shù)增長的方式對(duì)C,g進(jìn)行搜索，對(duì)全網(wǎng)絡(luò)搜索較耗時(shí)，根據(jù)人體運(yùn)動(dòng)特點(diǎn)，經(jīng)過多次實(shí)驗(yàn)，規(guī)定C的取值范圍為 [2-2，24]，g的取值范圍為[2-2，210].粗搜索后進(jìn)行精確搜索，精確搜索時(shí)交叉驗(yàn)證精度的等高圖見圖5a,5b.從圖5可得，最優(yōu)參數(shù)組合為C=0.2，g=4.2.最后,利用最優(yōu)C,g參數(shù)和人體腕部姿態(tài)數(shù)據(jù)對(duì)SVM模型進(jìn)行訓(xùn)練并測試，測試集的實(shí)際分布和預(yù)測分類見圖5c，正確率為94.44%.

圖5 參數(shù)選擇結(jié)果及測試集的分類結(jié)果圖

2.2 遺傳算法尋優(yōu)

采用網(wǎng)格搜索能夠找到較好的全局最優(yōu)解，但在更大的范圍尋找最優(yōu)C,g參數(shù)對(duì)耗時(shí)較長，采用啟發(fā)式算法可在不遍歷網(wǎng)絡(luò)內(nèi)所有參數(shù)點(diǎn)的情況下，找到全局最優(yōu)解.遺傳算法尋優(yōu)和粒子群優(yōu)化算法參數(shù)尋優(yōu)是常見的啟發(fā)式算法.

遺傳算法(genetic algorithm,GA)是模擬生物遺傳和進(jìn)化機(jī)制進(jìn)行隨機(jī)搜索最優(yōu)的方法.運(yùn)用“優(yōu)勝劣汰，適者生存”的生物進(jìn)化原理，按照所選的適應(yīng)度函數(shù)通過遺傳中的選擇、交叉、變異對(duì)個(gè)體進(jìn)行篩選，保留較好適應(yīng)度值的個(gè)體，反之則被淘汰，新的群體繼承并優(yōu)于上一代，反復(fù)循環(huán)，直至滿足條件.利用GA對(duì)SVM參數(shù)優(yōu)化的整體過程見圖6.

圖6 利用GA優(yōu)化SVM參數(shù)流程圖

本文設(shè)定GA的最大進(jìn)化代數(shù)為200，種群數(shù)量為20，采用基于排序的適應(yīng)度分配，交叉概率為0.7，變異概率為0.1，采用sus函數(shù)進(jìn)行隨機(jī)遍歷抽樣，得到的適應(yīng)度曲線、測試集的實(shí)際分布和預(yù)測分類見圖7.由圖7可知，識(shí)別正確率為91.67%，最優(yōu)參數(shù)組合為C=63.05，g=2.9.

圖7 適應(yīng)度曲線及測試集的分類結(jié)果圖

2.3 粒子群優(yōu)化算優(yōu)

粒子群優(yōu)化算法(PSO)是計(jì)算智能領(lǐng)域與蟻群算法、魚群算法類似的群體智能優(yōu)化算法.PSO算法是從鳥類捕食行為得到啟發(fā)并求解優(yōu)化問題.算法中每個(gè)粒子均代表一個(gè)潛在解，每個(gè)粒子的適應(yīng)度值由適應(yīng)度函數(shù)決定，粒子速度決定粒子的移動(dòng)方向和距離，依靠粒子的移動(dòng)經(jīng)驗(yàn)對(duì)速度進(jìn)行調(diào)整，從而實(shí)現(xiàn)對(duì)個(gè)體在可解空間中的尋優(yōu).利用其SVM參數(shù)優(yōu)化的整體過程見圖8.

圖8 利用PSO優(yōu)化SVM參數(shù)流程圖

本文采用PSO算法取種群數(shù)量20反復(fù)迭代200次，適應(yīng)度曲線見圖9，最優(yōu)參數(shù)組合為C=37.86，g=3.05.參數(shù)優(yōu)化后的識(shí)別正確率為86.11%.

圖9 適應(yīng)度曲線及測試集的分類結(jié)果圖

2.4 結(jié)果分析

各尋優(yōu)算法參數(shù)及正確率見表1.由表1可得，基于SVM的3種參數(shù)尋優(yōu)算法均對(duì)走路、跑步、靜止、下樓4個(gè)運(yùn)動(dòng)模式識(shí)別取得了較理想的結(jié)果.網(wǎng)格搜索法識(shí)別正確率最高，GA算法相較PSO算法正確率高，主要體現(xiàn)在對(duì)跑步姿態(tài)的識(shí)別正確率上，對(duì)下樓模式的識(shí)別正確率還有待提高.

表1 各尋優(yōu)算法正確率比較

3 結(jié)語

本文基于安卓智能可穿戴設(shè)備內(nèi)置加速度傳感器和陀螺儀傳感器采集的人體腕部加速度信息，對(duì)成年人走路、跑步、站立、下樓4個(gè)運(yùn)動(dòng)模式進(jìn)行分析，提取了運(yùn)動(dòng)信號(hào)均值、峰值、方差和協(xié)方差等特征值.選用支持向量機(jī)算法進(jìn)行分類識(shí)別，隨后通過網(wǎng)格搜索法、遺傳算法、粒子群優(yōu)化算法確定最優(yōu)C，g參數(shù)對(duì)，使分類器達(dá)到最大分類準(zhǔn)確率，正確率分別為94.44%，91.67%，86.11%.結(jié)果表明，本方法可有效識(shí)別實(shí)驗(yàn)者靜止站立、走路、跑步、下樓4種運(yùn)動(dòng)模式，但對(duì)于下樓這種行為的識(shí)別還有待提高.

本文實(shí)驗(yàn)數(shù)據(jù)均在實(shí)驗(yàn)室環(huán)境下模擬得到，且數(shù)據(jù)量也偏小，與真實(shí)環(huán)境下人體的行為存在一定偏差.實(shí)驗(yàn)只模擬了4種典型的人體日常行為動(dòng)作，后續(xù)的工作將側(cè)重于數(shù)據(jù)采集，增加實(shí)驗(yàn)的次數(shù)，并通過豐富人體行為動(dòng)作的種類來獲得更加準(zhǔn)確、完備的數(shù)據(jù)集，完善人體行為動(dòng)作識(shí)別系統(tǒng)，提高系統(tǒng)的可靠性.