基于BSN識(shí)別雙人交互動(dòng)作方法的研究

陳野，王哲龍，2，武東輝

1.大連理工大學(xué)控制科學(xué)與工程學(xué)院，遼寧大連116024

2.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所機(jī)器人學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，沈陽(yáng)110016

1 引言

體感網(wǎng)（BSN）是傳統(tǒng)無(wú)線傳感器網(wǎng)絡(luò)在人體區(qū)域監(jiān)測(cè)中的應(yīng)用。體感網(wǎng)作為一種新興的人體監(jiān)測(cè)技術(shù)，具有強(qiáng)大的普遍監(jiān)測(cè)和計(jì)算能力，應(yīng)用前景十分廣闊，受到了許多研究機(jī)構(gòu)的重視。近年來(lái)，使用體感網(wǎng)監(jiān)測(cè)和識(shí)別人體動(dòng)作成為研究的熱點(diǎn)之一[1]。

與傳統(tǒng)基于視頻的動(dòng)作監(jiān)測(cè)平臺(tái)相比，應(yīng)用BSN對(duì)人體動(dòng)作進(jìn)行監(jiān)測(cè)和識(shí)別具有諸多優(yōu)勢(shì)。首先，應(yīng)用視頻進(jìn)行監(jiān)測(cè)通常適用于較小的空間內(nèi)，而一些人體動(dòng)作（如跑步、劃艇訓(xùn)練等）需要在戶外較大的空間進(jìn)行，因此，應(yīng)用視頻設(shè)備有時(shí)會(huì)受到空間環(huán)境的限制；其次，使用視頻進(jìn)行監(jiān)測(cè)，可能受障礙物的遮擋、光線的制約以及顏色效果相近的影響，這樣會(huì)降低視頻識(shí)別的準(zhǔn)確度，而傳感器網(wǎng)絡(luò)不受這些制約，還可以準(zhǔn)確獲知人體運(yùn)動(dòng)的相關(guān)參數(shù)信息（如加速度信號(hào)、角速度信號(hào)等）；此外，基于視頻平臺(tái)進(jìn)行監(jiān)測(cè)費(fèi)用昂貴，而傳感器節(jié)點(diǎn)成本較低，適合在許多實(shí)際應(yīng)用中進(jìn)行普及和推廣。

近年來(lái)，國(guó)內(nèi)外的很多科研機(jī)構(gòu)開(kāi)展了基于BSN對(duì)人體動(dòng)作進(jìn)行監(jiān)測(cè)和識(shí)別的研究，然而這些研究都是針對(duì)單人動(dòng)作進(jìn)行識(shí)別。如國(guó)內(nèi)的王萬(wàn)良等人采用三軸加速度傳感器，應(yīng)用隱馬爾科夫模型對(duì)手勢(shì)進(jìn)行了識(shí)別[2]；肖玲等基于壓縮感知技術(shù)對(duì)“站”、“坐”、“躺”等13種動(dòng)作進(jìn)行了識(shí)別[3]；愛(ài)爾蘭的Bourke等人采用二軸陀螺儀對(duì)人體跌倒動(dòng)作進(jìn)行了監(jiān)測(cè)[4]；瑞士聯(lián)邦理工學(xué)院的Am ft等人使用4枚慣性傳感器節(jié)點(diǎn)來(lái)監(jiān)測(cè)“吃”和“喝”時(shí)的手臂動(dòng)作[5]；香港理工大學(xué)的Lau等人使用加速度傳感器和陀螺儀對(duì)人體步態(tài)進(jìn)行了分析[6]；美國(guó)麻省理工學(xué)院的A lbinali等人使用可穿戴式傳感器對(duì)人體運(yùn)動(dòng)時(shí)的能量消耗進(jìn)行了估計(jì)[7]；英國(guó)的Pansiot等人應(yīng)用BSN對(duì)游泳運(yùn)動(dòng)進(jìn)行了監(jiān)測(cè)[8]；美國(guó)德克薩斯大學(xué)的Ghasemzadeh等人對(duì)高爾夫訓(xùn)練時(shí)手腕的揮桿動(dòng)作進(jìn)行了識(shí)別[9]；此外，還有研究采用BSN對(duì)跑步動(dòng)作、視頻游戲動(dòng)作等進(jìn)行了監(jiān)測(cè)和分析[10-11]。

上述研究都是針對(duì)單人動(dòng)作進(jìn)行識(shí)別，缺少對(duì)雙人交互動(dòng)作的討論，本文將重點(diǎn)討論應(yīng)用BSN識(shí)別出雙人交互動(dòng)作。雙人交互動(dòng)作在日常生活中非常普遍，如握手、擁抱等，也廣泛應(yīng)用于工業(yè)生產(chǎn)裝配、競(jìng)技體育比賽等領(lǐng)域中。與單人動(dòng)作相比，雙人交互動(dòng)作往往更加復(fù)雜，完成雙人動(dòng)作所涉及到的肢體動(dòng)作種類更多，肢體之間的配合及排列方式也更加多樣化，因此這是一個(gè)具有復(fù)雜場(chǎng)景的模式識(shí)別問(wèn)題。如何有效地提取出雙人交互動(dòng)作的特征，并對(duì)雙人交互事件進(jìn)行建模和分析是極具挑戰(zhàn)性的問(wèn)題。

目前，國(guó)內(nèi)外的科研機(jī)構(gòu)采用BSN對(duì)雙人交互動(dòng)作進(jìn)行監(jiān)測(cè)和識(shí)別的研究還很少，處于起步階段。美國(guó)的Bajcsy等人使用人體傳感器網(wǎng)絡(luò)對(duì)醫(yī)療護(hù)理中協(xié)助病人“站立”和“坐下”等交互活動(dòng)進(jìn)行了識(shí)別和分類[12]；南京大學(xué)的Wang等人采用耦合隱馬爾可夫模型和條件隨機(jī)場(chǎng)模型對(duì)智能家居中的一些交互活動(dòng)，如整理餐桌、合作沏咖啡等動(dòng)作進(jìn)行了分析，其研究主要集中在智能家居[13]；英國(guó)愛(ài)丁堡大學(xué)的A rvind等人采用BSN對(duì)雙人舞表演中的交互動(dòng)作進(jìn)行了監(jiān)測(cè)，但是A rvind只是建立了舞姿中兩人胸、腳等位置的物理模型，并沒(méi)有進(jìn)一步研究有關(guān)雙人交互動(dòng)作的識(shí)別方法[14]。在雙人交互動(dòng)作中，既有單人行為獨(dú)立性的一面，也蘊(yùn)含著雙人肢體行為間的交叉依賴，針對(duì)這些特點(diǎn)，文獻(xiàn)[15]給出了雙人交互動(dòng)作識(shí)別的框架，但并未具體闡述有關(guān)模式識(shí)別階段的相關(guān)算法。

本文在此基礎(chǔ)上，針對(duì)日常生活中的雙人交互動(dòng)作，提出了一種隱馬爾可夫模型（HMM）和馬爾可夫邏輯網(wǎng)（M LN）相結(jié)合的方法來(lái)進(jìn)行建模和識(shí)別，并在實(shí)驗(yàn)平臺(tái)中對(duì)其分類的效果進(jìn)行了評(píng)估和驗(yàn)證。在實(shí)驗(yàn)平臺(tái)上對(duì)日常生活中的5個(gè)交互動(dòng)作：“握手”、“擁抱”、“推打”、“拳擊”和“擊掌”進(jìn)行了分析。實(shí)驗(yàn)中通過(guò)固定在志愿者小臂上的加速度傳感器節(jié)點(diǎn)，采集5種交互動(dòng)作時(shí)所產(chǎn)生的加速度信號(hào)。將采集到的信號(hào)進(jìn)行特征提取，包含時(shí)域和頻域兩部分信息。最后，應(yīng)用HMM和M LN模型來(lái)對(duì)雙人交互動(dòng)作進(jìn)行識(shí)別。

2 模型的建立和實(shí)驗(yàn)平臺(tái)

2.1 模型的建立

基于BSN的雙人交互動(dòng)作識(shí)別具有自身的特點(diǎn)，需要融合兩人傳感器的相關(guān)數(shù)據(jù)，目前已有的數(shù)據(jù)融合方法可以歸結(jié)為特征層數(shù)據(jù)融合和決策層數(shù)據(jù)融合兩種類型。特征層數(shù)據(jù)融合方式是將每個(gè)傳感器所采信號(hào)的特征向量進(jìn)行融合，形成一個(gè)特征向量后來(lái)描述這個(gè)動(dòng)作；而決策層數(shù)據(jù)融合方式是對(duì)每個(gè)傳感器的運(yùn)動(dòng)信號(hào)都進(jìn)行分類，最后通過(guò)決策規(guī)則得到最終的識(shí)別結(jié)果。

在雙人交互動(dòng)作中，既有單人行為獨(dú)立性的一面，也蘊(yùn)含雙人肢體行為間的交叉依賴，針對(duì)這些特點(diǎn)，本研究采用決策層數(shù)據(jù)融合方式，將雙人交互動(dòng)作的識(shí)別分為兩個(gè)層次的識(shí)別任務(wù)。其中，底層通過(guò)建立HMM對(duì)單人原子行為進(jìn)行識(shí)別，HMM在手勢(shì)識(shí)別、人體日常動(dòng)作識(shí)別中已獲得重要應(yīng)用。高層引入一階邏輯知識(shí)庫(kù)，并采用M LN來(lái)實(shí)現(xiàn)交互行為的建模，最后通過(guò)決策規(guī)則識(shí)別出雙人交互動(dòng)作，模型架構(gòu)如圖1所示。

2.2 實(shí)驗(yàn)平臺(tái)

本文搭建的基于BSN的雙人交互動(dòng)作監(jiān)測(cè)平臺(tái)包含硬件和軟件兩部分。硬件部分包含傳感器節(jié)點(diǎn)、接收節(jié)點(diǎn)以及遠(yuǎn)程監(jiān)測(cè)服務(wù)器。其中，傳感器節(jié)點(diǎn)由傳感器模塊、能量模塊和無(wú)線發(fā)送模塊組成，如圖2所示。傳感器模塊包括微加速度傳感器和微陀螺儀，無(wú)線發(fā)送模塊將數(shù)據(jù)包按照IEEE 802.15.4標(biāo)準(zhǔn)協(xié)議發(fā)送到遠(yuǎn)程的接收節(jié)點(diǎn)。接收節(jié)點(diǎn)安裝在遠(yuǎn)程服務(wù)器上，由USB通信接口和信號(hào)接收模塊組成，負(fù)責(zé)接收和保存?zhèn)鞲衅鞴?jié)點(diǎn)傳來(lái)的數(shù)據(jù)。

圖1 雙人交互動(dòng)作建模和識(shí)別框圖

圖2 BSN監(jiān)測(cè)平臺(tái)中所用節(jié)點(diǎn)硬件示意圖

平臺(tái)的軟件部分主要包含數(shù)據(jù)采集模塊、數(shù)據(jù)顯示模塊、數(shù)據(jù)存儲(chǔ)模塊和動(dòng)作識(shí)別模塊。其中，數(shù)據(jù)采集模塊主要負(fù)責(zé)信號(hào)采集時(shí)一些參數(shù)的設(shè)定，包括設(shè)定采樣時(shí)間、采樣頻率以及信號(hào)傳輸?shù)牟ㄌ芈剩粩?shù)據(jù)顯示模塊負(fù)責(zé)實(shí)時(shí)顯示所采集信號(hào)的波形；數(shù)據(jù)存儲(chǔ)模塊主要負(fù)責(zé)將采集到的信號(hào)以指定格式保存到服務(wù)器中；動(dòng)作識(shí)別模塊是軟件平臺(tái)的核心，該模塊通過(guò)分析采集到的加速度運(yùn)動(dòng)數(shù)據(jù)，檢測(cè)活動(dòng)窗口提取特征向量，并采用HMM和M LN識(shí)別出不同的雙人交互動(dòng)作。

3 特征提取和識(shí)別算法

3.1 特征提取

在實(shí)驗(yàn)平臺(tái)上進(jìn)行的5組雙人交互動(dòng)作，分別是“握手”、“推打”、“擁抱”、“拳擊”和“擊掌”。圖3分別顯示了志愿者執(zhí)行“握手”和“推打”行為時(shí)的實(shí)驗(yàn)場(chǎng)景。實(shí)驗(yàn)中在志愿者小臂處固定傳感器節(jié)點(diǎn)，以獲取手部動(dòng)作時(shí)所產(chǎn)生的加速度信號(hào)，圖4為右側(cè)志愿者執(zhí)行“握手”和“推打”動(dòng)作時(shí)采集的加速度數(shù)據(jù)。

圖3 實(shí)驗(yàn)中的“握手”和“推打”交互動(dòng)作

圖4 右側(cè)志愿者的Y軸加速度數(shù)據(jù)

在獲得雙人交互動(dòng)作的加速度數(shù)據(jù)后，通過(guò)設(shè)定門限閾值自動(dòng)檢測(cè)動(dòng)作窗口[16]，并在每一動(dòng)作觀測(cè)窗口提取信號(hào)的相關(guān)特征，形成特征向量。本實(shí)驗(yàn)選擇提取的信號(hào)特征包括均值、方差、偏態(tài)和離散傅里葉變換的5個(gè)最大峰值，如表1所示，這些特征在已有的人體動(dòng)作識(shí)別中已被廣泛采用[17]。這樣，在觀測(cè)窗口內(nèi)便提取出一個(gè)24維的特征向量。

實(shí)驗(yàn)中每個(gè)志愿者動(dòng)作時(shí)所產(chǎn)生的加速度信號(hào)，其樣本點(diǎn)組成一個(gè)Ns×1維的向量，即上述這些信號(hào)特征的計(jì)算方法如下：

3.2 識(shí)別算法

3.2.1 基于HMM的單人動(dòng)作識(shí)別

HMM是應(yīng)用觀測(cè)序列來(lái)描述隱含未知狀態(tài)的一種概率模型，在語(yǔ)音分析、動(dòng)作識(shí)別和生物序列識(shí)別等領(lǐng)域已獲得了重要應(yīng)用。在HMM模型中，隱含狀態(tài)序列是一個(gè)馬爾可夫鏈，隱含狀態(tài)的狀態(tài)值不可見(jiàn)，只能通過(guò)給出的觀測(cè)序列來(lái)進(jìn)行估計(jì)。一個(gè)HMM模型的完整參數(shù)集為λ=(π，A，B)，其中π為狀態(tài)產(chǎn)生的初始概率；A為狀態(tài)轉(zhuǎn)移矩陣，用來(lái)表征狀態(tài)間進(jìn)行轉(zhuǎn)移的概率；B為觀測(cè)矩陣，用來(lái)表征在某個(gè)狀態(tài)下輸出觀測(cè)值的概率。

本文應(yīng)用HMM識(shí)別每一個(gè)體的單人原子行為，其中每個(gè)隱含狀態(tài)表示一種可能的手部動(dòng)作，狀態(tài)間的轉(zhuǎn)移表示從一種手部動(dòng)作到另一種手部動(dòng)作的轉(zhuǎn)換，每個(gè)手部動(dòng)作都對(duì)應(yīng)一組輸出觀測(cè)值（即提取出的特征向量）。應(yīng)用HMM進(jìn)行單人原子行為識(shí)別的算法步驟如下：

（1）定義單人原子行為中的每一手部動(dòng)作，為其設(shè)定標(biāo)簽。

（2）為每一手部動(dòng)作建立一個(gè)HMM模型，即每個(gè)手部動(dòng)作用一個(gè)具有N個(gè)隱含狀態(tài)和M個(gè)狀態(tài)觀測(cè)的馬爾可夫模型來(lái)描述。

（3）特征矢量量化。對(duì)于每個(gè)手部動(dòng)作特征觀測(cè)序列，應(yīng)用K-M eans算法進(jìn)行矢量量化，得到碼本。K-M eans算法是一種無(wú)監(jiān)督聚類算法，收斂速度很快。

表1 實(shí)驗(yàn)中選擇提取的信號(hào)特征

（4）訓(xùn)練模型參數(shù)。采用Baum-Welch算法訓(xùn)練HMM模型。使用最大似然迭代學(xué)習(xí)方法（Expectation M axim ization，EM）進(jìn)行參數(shù)估計(jì)，直至得到與手部動(dòng)作訓(xùn)練樣本最為接近的隱馬爾可夫模型。

（5）用訓(xùn)練好的HMM模型識(shí)別單人原子行為。將一組手部動(dòng)作特征序列用訓(xùn)練好的K-M eans碼本，按前向遞推算法分別計(jì)算該序列在每個(gè)模型上的后驗(yàn)概率，輸出最大的即為手部動(dòng)作的識(shí)別結(jié)果。

3.2.2 雙人交互行為的語(yǔ)義建模

應(yīng)用HMM模型識(shí)別單人原子行為可能存在誤差，這樣在結(jié)合兩個(gè)單人原子行為來(lái)決策雙人交互動(dòng)作時(shí)，需要對(duì)其進(jìn)行建模和分析。馬爾可夫邏輯網(wǎng)（M LN）作為統(tǒng)計(jì)關(guān)系學(xué)習(xí)的模型之一，將M arkov網(wǎng)和一階邏輯相結(jié)合，既保留了靈活的建模能力，又具有處理不確定性的能力，非常適合雙人交互行為的推理[18]。

在一階邏輯中，當(dāng)一個(gè)世界違反了一個(gè)規(guī)則時(shí)，它發(fā)生的概率為零，而M LN可以削弱這一限制，即當(dāng)一個(gè)世界違反了知識(shí)庫(kù)中的一個(gè)規(guī)則，它在M LN中可能發(fā)生，只是發(fā)生的概率降低了。規(guī)則的權(quán)值反映了它對(duì)可能世界的約束強(qiáng)度，權(quán)值越大，滿足和不滿足該規(guī)則的世界發(fā)生的概率差別就越大[19]。實(shí)際上，在一階邏輯知識(shí)庫(kù)中通過(guò)對(duì)每個(gè)規(guī)則分配權(quán)值便可以轉(zhuǎn)化為M LN。

對(duì)于一個(gè)馬爾可夫邏輯網(wǎng)L，它是二元組(Fi，wi)的集合，其中Fi是一階邏輯規(guī)則，它有一個(gè)非負(fù)的實(shí)值權(quán)重wi，對(duì)于有限的常數(shù)集C={c1，c2，…，cn}，所生成的M arkov網(wǎng)ML，C有如下規(guī)則：

（1）L中每個(gè)閉原子對(duì)應(yīng)ML，C中的一個(gè)節(jié)點(diǎn)，若閉原子為真，節(jié)點(diǎn)值為1；否則為0。

（2）L中每個(gè)規(guī)則Fi對(duì)應(yīng)ML，C中的一個(gè)特征值，若此閉規(guī)則為真，則對(duì)應(yīng)的特征值為1；否則為0。

從上述規(guī)則和定義可以得出，一個(gè)閉M arkov網(wǎng)的概率分布如下：

其中，ni(x)是規(guī)則Fi在x中所有取真值的閉規(guī)則的個(gè)數(shù)，x{i}是出現(xiàn)在規(guī)則Fi中的原子集合的狀態(tài)，且φi(x{i})=ewi，Z是歸一化因子。M LN的網(wǎng)絡(luò)結(jié)構(gòu)確定后，它的權(quán)重可以從訓(xùn)練集中學(xué)習(xí)得到，通常采用最大似然方法進(jìn)行參數(shù)學(xué)習(xí)。規(guī)則Fi權(quán)重的對(duì)數(shù)似然函數(shù)梯度如下：

一個(gè)完備的知識(shí)庫(kù)是影響系統(tǒng)識(shí)別精確性的關(guān)鍵因素。本文中一階邏輯知識(shí)庫(kù)的規(guī)則是將雙人動(dòng)作看做為兩個(gè)不同人原子行為的交互，并將單人原子行為和雙人交互動(dòng)作均用一階邏輯謂詞表示，比如以Handshake(X)來(lái)表示單人的“握手”行為；兩人“握手”交互動(dòng)作Handshake(p1，p2)的產(chǎn)生由兩個(gè)不同人的原子行為決定，即action(p1，label)action(p2，label)!equal(p1，p2)→Hand sh ake(p1，p2)，規(guī)則的權(quán)重從訓(xùn)練集中學(xué)習(xí)得到。

利用加速度信息采用HMM模型在識(shí)別單人肢體運(yùn)動(dòng)的應(yīng)用中，已獲得了不錯(cuò)的分類效果，而引入一階邏輯知識(shí)庫(kù)并訓(xùn)練馬爾可夫邏輯網(wǎng)是通過(guò)決策規(guī)則提高交互動(dòng)作的識(shí)別率，故本文所提方法的性能對(duì)所采集的數(shù)據(jù)信息不存在過(guò)多的依賴。但由于HMM模型的訓(xùn)練和M LN的權(quán)重都需要使用訓(xùn)練集得到，故在采集初期獲得數(shù)據(jù)信息較少的情況下，對(duì)方法的識(shí)別能力會(huì)有一定的影響。

4 實(shí)驗(yàn)設(shè)計(jì)和實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)計(jì)

本次實(shí)驗(yàn)共有8名志愿者參加（4男，4女），年齡在22～28歲之間，實(shí)驗(yàn)前志愿者被告知實(shí)驗(yàn)?zāi)康摹?shí)驗(yàn)過(guò)程以及實(shí)驗(yàn)中所存在的風(fēng)險(xiǎn)，在實(shí)驗(yàn)室中兩兩組合，分別進(jìn)行5組雙人交互動(dòng)作（C1“握手”，C2“擁抱”，C3“推打”，C4“拳擊”和C5“擊掌”）。為了獲得明確的動(dòng)作定義和較為準(zhǔn)確的慣性數(shù)據(jù)，實(shí)驗(yàn)全部在實(shí)驗(yàn)室環(huán)境下進(jìn)行。將加速度傳感器節(jié)點(diǎn)固定在志愿者的小臂上，設(shè)置信號(hào)采樣頻率為25 Hz，避免采樣頻率過(guò)高引起的丟包率上升。志愿者每個(gè)動(dòng)作重復(fù)進(jìn)行2次，這樣實(shí)驗(yàn)中共采集到280個(gè)數(shù)據(jù)集（28組×5個(gè)動(dòng)作×2次重復(fù)）。

4.2 實(shí)驗(yàn)結(jié)果分析

本文中的雙人交互動(dòng)作識(shí)別包括單人原子行為識(shí)別和雙人交互動(dòng)作決策兩部分，單人原子行為的識(shí)別結(jié)果在很大程度上將影響最終的分類性能。實(shí)驗(yàn)定義了9個(gè)具有語(yǔ)義的單人原子行為，分別是Subject A（A 1伸手，A 2摟抱，A 3躲避，A 4擊掌）和Subject B（B1伸手，B2摟抱，B3推打，B4拳擊，B5擊掌），分別對(duì)應(yīng)實(shí)驗(yàn)中進(jìn)行的5組雙人交互動(dòng)作（C1～C5）。本文使用K折交叉驗(yàn)證（K-fold cross-validation）對(duì)實(shí)驗(yàn)中所提方法的識(shí)別效果進(jìn)行評(píng)估。交叉驗(yàn)證進(jìn)行10次，10次測(cè)試的平均結(jié)果作為最后的識(shí)別正確率。

如表2所示為單人原子行為和雙人交互動(dòng)作識(shí)別結(jié)果的正確率。從表中可以看到，雖然應(yīng)用HMM識(shí)別單人原子行為（Sub A和Sub B）存在一定的誤差，但M LN在高層進(jìn)行決策并識(shí)別雙人交互動(dòng)作時(shí)，表現(xiàn)了一定的糾錯(cuò)能力，這得益于M LN在高層建模交互行為的靈活性。比如，當(dāng)兩人執(zhí)行“握手”（C1）動(dòng)作時(shí)，當(dāng)Subject A的“伸手”（A 1）行為被錯(cuò)誤地識(shí)別為“躲避”（A 3）行為時(shí)，由于Subject B的“伸手”（A 1）行為被正確識(shí)別，M LN最終正確地識(shí)別出兩人“握手”交互動(dòng)作，其原因在于Subject A的“躲避”（A 3）行為可對(duì)應(yīng)Subject B的兩種動(dòng)作，即“推打”和“拳擊”（B3和B4）行為，而Subject B的“伸手”行為只對(duì)應(yīng)Subject A的一種動(dòng)作（A 1），這種不確定性前者顯然要大于后者，因此M LN能夠正確識(shí)別。

表2 單人原子行為和交互動(dòng)作識(shí)別結(jié)果的正確率（%）

本文也選取了基于特征層數(shù)據(jù)融合的一些方法進(jìn)行了比較，包括最小二乘法（Least-Squares M ethod，LSM）、k近鄰算法（k-Nearest Neighbor，kNN）和支持向量機(jī)（Support Vector M achine，SVM），以上這些方法同樣采用交叉驗(yàn)證法進(jìn)行驗(yàn)證。圖5所示為使用不同識(shí)別方法得到的識(shí)別結(jié)果的正確率，C1到C5分別代表實(shí)驗(yàn)中進(jìn)行的5組交互動(dòng)作。從圖5可以看出，基于特征層數(shù)據(jù)融合的一些方法都沒(méi)有取得理想的識(shí)別效果，而本文提出的HMM和M LN相結(jié)合的識(shí)別方法，獲得了較高的識(shí)別精度，能夠在基于BSN的雙人交互動(dòng)作識(shí)別中得到應(yīng)用。

圖5 使用不同方法得到識(shí)別結(jié)果的正確率

本文在動(dòng)作識(shí)別的過(guò)程中，考慮了方法的計(jì)算量和復(fù)雜程度。通過(guò)設(shè)定門限閾值自動(dòng)檢測(cè)活動(dòng)窗口來(lái)提取特征向量，這在一定程度上避免了采樣數(shù)據(jù)的冗余，降低了計(jì)算的復(fù)雜度；采用無(wú)監(jiān)督聚類K-M eans算法碼本、量化，其計(jì)算簡(jiǎn)單，收斂速度較快，為后續(xù)采用前向遞推算法快速計(jì)算模型的后驗(yàn)概率提供了一定的保障，本文方法的實(shí)時(shí)性在實(shí)驗(yàn)中得到了驗(yàn)證。

5 結(jié)論

建立了一個(gè)基于BSN的雙人交互動(dòng)作監(jiān)測(cè)和識(shí)別平臺(tái)，應(yīng)用傳感器節(jié)點(diǎn)所采集到的加速度信號(hào)來(lái)識(shí)別不同的雙人動(dòng)作。針對(duì)雙人交互動(dòng)作的特點(diǎn)，本文研究提出了一種HMM與M LN相結(jié)合的方法。HMM模型在單人動(dòng)作識(shí)別中能夠有效地處理動(dòng)作序列，為雙人交互行為語(yǔ)義建模提供了準(zhǔn)確的語(yǔ)義輸入。M LN作為一種統(tǒng)計(jì)關(guān)系學(xué)習(xí)模型，在決策層具有處理不確定性的能力，非常適合用來(lái)建模高層的交互行為。在實(shí)驗(yàn)平臺(tái)上初步設(shè)計(jì)了5組交互動(dòng)作，包括“握手”、“擁抱”、“推打”、“拳擊”和“擊掌”。實(shí)驗(yàn)結(jié)果表明，本文方法可以很好地表述雙人動(dòng)作間的交互結(jié)構(gòu)，獲得了較高的識(shí)別正確率，能夠在基于BSN的雙人交互動(dòng)作識(shí)別中得到應(yīng)用。由于本文實(shí)驗(yàn)所采用的雙人交互動(dòng)作類別仍然較少，將來(lái)工作的重點(diǎn)是創(chuàng)建大規(guī)模的數(shù)據(jù)來(lái)做進(jìn)一步驗(yàn)證，并考慮將該方法應(yīng)用到多人交互動(dòng)作識(shí)別中。

[1]Pantelopoulos A，Bourbakis N.A survey on wearable sensor based systems for health monitoring and prognosis[J].IEEE Transactions on Systems，Man，and Cybernetics：Part C Applications and Review s，2010，40（1）：1-12.

[2]王萬(wàn)良，楊經(jīng)緯，蔣一波.基于運(yùn)動(dòng)傳感器的手勢(shì)識(shí)別[J].傳感技術(shù)學(xué)報(bào)，2011，24（12）：1723-1727.

[3]肖玲，李仁發(fā)，羅娟.體域網(wǎng)中一種基于壓縮感知的人體動(dòng)作識(shí)別方法[J].電子與信息學(xué)報(bào)，2013，35（1）：119-125.

[4]Bourke A，Lyons G.A threshold-based fall-detection algorithm using a bi-axial gyroscope sensor[J].Medical Engineering and Physics，2008，30（1）：84-90.

[5]Am ft O，Junker H，Troster G.Detection of eating and drinking arm gestures using inertial body-worn sensors[C]//Proceedings of the 9th IEEE International Symposium on Wearable Computers，2005：160-163.

[6]Lau H，Tong K.The reliability of using accelerometer and gyroscope for gait event identification on persons with dropped foot[J].Gait and Posture，2008，27（2）：248-257.

[7]A lbinali F，Intille S，Haskell W，et al.Using wearable activity type detection to improve physical activity energy expenditure estimation[C]//Proceedings of the 12th ACM International Conference on Ubiquitous Computing.[S.l.]：ACM，2010：311-320.

[8]Pansiot J，Lo B，Yang G.Sw imm ing stroke kinematic analysis with BSN[C]//Proceedings of 2010 International Conference on Body Sensor Networks（BSN）.[S.l.]：IEEE，2010：153-158.

[9]Ghasemzadeh H，Loseu V，Guenterberg E，et al.Sport training using body sensor networks：a statistical approach to measure wrist rotation for golf swing[C]//Proceedings of the 4th International Conference on Body Area Networks.[S.l.]：ICST，2009：2-9.

[10]Strohrmann C，Rossi M，A rnrich B，et al.A data-driven approach to kinematic analysis in running using wearable technology[C]//Proceedings of the 9th International Conference on Wearable and Implantable Body Sensor Networks，2012：118-123.able Body Sensor Networks，2009：312-317.

[11]Mortazavi B，Chu K C，Li X，et al.Near-realistic motion video games with enforced activity[C]//Proceedings of the 9th International Conference on Wearable and Implantable Body Sensor Networks，2012：28-33.

[12]Bajcsy R，Giani A，Tom lin C，et al.Classification of physical interactions between two subjects[C]//Proceedings of the 6th International Workshop on Wearable and Implantable Body Sensor Networks，2009：187-192.

[13]Wang L，Gu T，Tao X P，et al.Recognizing multi-user activities using wearable sensors in a smart home[J].Pervasive and Mobile Computing，2011，7（3）：287-298.

[14]A rvind D K，Valtazanos A.Speckled tango dancers：real time motion capture of two-body interactions using on body wireless sensor networks[C]//Proceedings of the 6th International Workshop on Wearable and Implant-

[15]Chen Y，Wang Z L，Shang H，et al.Activity recognition and coordination analysis of two-body interactions using wearable sensors[C]//Proceedings of the 2013 International Conference on Image Processing，Computer Vision，and Pattern Recognition，2013.

[16]劉蓉，劉明.基于三軸加速度傳感器的手勢(shì)識(shí)別[J].計(jì)算機(jī)工程，2011，37（24）：141-143.

[17]Rltun K，Barshan B，Tuncel O.Comparative study on classifying human activities with miniature inertial and magnetic sensors[J].Pattern Recognition，2010，43（10）：3605-3620.

[18]韓磊，李君峰，賈云得.基于時(shí)空單詞的兩人交互行為識(shí)別方法[J].計(jì)算機(jī)學(xué)報(bào)，2010，33（4）：776-784.

[19]Richardson M，Domingos P.Markov logic networks[J].Machine Learning，2006，62（1/2）：107-136.