加速度數據特征在人體行為識別中的應用研究

盧先領，王洪斌，王瑩瑩，徐 仙

(江南大學 a. 輕工過程先進控制國家教育部重點實驗室；b. 物聯網工程學院，江蘇 無錫 2141 22)

加速度數據特征在人體行為識別中的應用研究

盧先領a,b，王洪斌a,b，王瑩瑩b，徐 仙b

(江南大學 a. 輕工過程先進控制國家教育部重點實驗室；b. 物聯網工程學院，江蘇 無錫 2141 22)

為提高基于加速度傳感器的人體行為識別率，提出2種新的加速度數據特征。一種通過計算加速度矢量與重力方向夾角的小波能量來揭示加速度方向變化的本質，從時頻分析的角度區分不同行為；另一種提取加速度數據重排后的關鍵點連線斜率，突出數據的差異和分布特點。將上述2種特征與常用的6種特征相結合，訓練基于支持向量機的多類分類器，對7種日常行為進行識別。檢測結果表明，獨立檢測法和留一交叉檢測法對7種行為的平均識別率分別可達92.70%和95.08%。

加速度傳感器；人體行為；數據特征；小波能量；斜率；支持向量機

1 概述

隨著普適計算的深入研究，高正確率的人體行為識別作為普適計算的研究重點已經得到越來越多人的重視。而微機電系統的迅速發展，使各種類型的傳感器用于人體行為識別成為可能[1]。在眾多類型的傳感器中，加速度傳感器不僅具有高精度、低成本、便于攜帶等優點，而且彌補了基于計算機視覺方法[2-3]的監控范圍局限、受環境變量影響較大等缺陷，應用范圍越來越廣。

近年來，不少研究人員采用單個加速度傳感器識別人體行為取得了較好的成果。但對上樓和下樓的區分并不理想，文獻[4]采用KNN作為分類器時，上樓和下樓的識別率為69.57%和47.83%，采用J48作為分類器時，兩者的識別率僅為52.63%和36.84%。在文獻[5]中，19個下樓行為全部識別錯誤，21個上樓行為僅有9個識別正確，作者也明確表示上、下樓的識別難度較大。文獻[6]針對這一問題采用小波能量和四分位間距獲得了比較理想的結果，但并沒有加入其他行為進行研究。提取加速度數據特征是行為識別的重點，常用特征有均值[7-8]、方差或標準差[7-8]、傳感器任意兩軸數據的相關系數[8]、快速傅里葉變換(Fast F ourier Transform, F FT)系數[8]和基于功率譜密度(Power S pectral Density, PSD)振幅的均值和標準差等[9]。此外，不少研究采用新穎的特征來提高識別率，文獻[10]提出一種基于AR模型的特征，對4種行為的平均識別率可達92.25%，文獻[11]提出一種失重特征，進一步提高了上述4種行為的識別率。但是這2種方法的識別行為較少，應用范圍受到局限。

本文在常用的6種時頻特征的基礎上添加了2種新穎特征，對7種日常行為進行識別。

2 特征提取和分類器構建

2.1 加速度數據采集和加窗處理

本文以Freescale公司生產的MMA7361L三軸加速度傳感器為核心進行數據采集，采樣頻率設定為100 H z，靈敏度設置為–6.0 g～+6.0 g。傳感器的Y軸豎直向下，X軸和Z軸分別指向人體側方和前方，傳感器模塊放置于人體腰腹位置，如圖1所示。為了滿足系統實時性的要求，對傳感器每一軸數據進行加窗處理，本文選用的窗長為512，相鄰窗有256個數據重復，這種50%的重疊率被廣泛應用，因此，采集一個窗口數據所需時間為5.12 s。

圖1 加速度數據采集模塊放置位置示意圖

2.2 特征提取

2.2.1 基于角度的小波能量提取

人在運動過程中，傳感器三軸的測量值包含了重力加速度，去除重力加速度后的真實值不僅體現了加速度的大小，還提供了加速度的方向信息。由于重力方向不變，加速度矢量的真實值與重力方向夾角的小波能量(Wavelet Energy, W E)(簡稱基于角度的小波能量)可以揭示出運動過程中加速度方向變化的本質，對包含上、下樓在內的多種行為有較強的區分能力。

根據圖1所示的傳感器三軸位置關系，人在靜止站立時，傳感器只受重力影響，計算此時X, Y和Z軸輸出數據的平均值Xo,Yo和Zo，即可得到重力加速度，矢量表示為G=(Xo,Yo, Zo)。設Xi, Yi和Zi分別為傳感器三軸第i個采樣數據，則Mi=(Xi, Yi, Zi)表示傳感器的第i個測量值，故加速度矢量第i個真實值可估算為Mi-G。根據矢量運算法則，采集第i個數據時的真實值和重力方向之間的夾角估算為(t為極小的正實數，以保證分母不為0)：

小波能量等于信號經過小波分解后細節分量系數的平方和[6]，設l?為第l個窗內iθ的集合，選擇db5小波作為母小波，對l?進行8層分解，提取第7層和第8層細節分量系數，計算小波能量。

其中，cd?lk表示對l?進行小波分解后第k層細節分量系數；WEl為第l個窗基于角度的小波能量值。

選擇4個實驗者上、下樓時的7個連續窗數據，計算基于角度的小波能量，結果如圖2所示。由于上、下樓時加速度矢量與重力方向夾角的變化頻率存在差異，基于角度的小波能量區別明顯。此外，通過實驗發現，基于角度的小波能量對上樓和行走、下樓和行走、上樓和騎腳踏車都有不同程度的區分能力，但是并不適用于行走和跑步以及下樓和騎腳踏車的區分。

圖2 上下樓基于角度的小波能量值

在圖3(a)和圖3(b)中，行走和跑步以及下樓和騎腳踏車基于角度的小波能量出現了混淆，僅采用這一特征并不能對上述4種行為進行區分。

隨著信息技術的不斷發展與升級，“微媒體”得到迅速發展，媒體傳播已經告別了傳統的傳播方式，進入了全新的“微時代”。而且“微媒體”具有著這個時代得天獨厚的優勢，它的信息具有開放性、資源也具有高度的共享性、信息傳播的途徑更為廣泛而且沒有門檻限制。因為他獨有的多元化、高效率、低門檻、靈活性受到廣大群眾的青睞。而作為當代的大學生，可以通過“微媒體”來填補自己精神層面的缺失，也可以利用它獨特優勢來宣傳積極正能量的事情，通過這樣的方式來不斷培養自己的精神文明。

圖3 不同行為之間的混淆

2.2.2 關鍵點連線斜率的提取

將豎直方向的加速度數據按照從小到大的順序重新排列后，計算某些點的連線斜率(簡稱關鍵點連線斜率)不僅可以排除異常值和極值的影響，突出數據分布特點，還能體現出人體運動的劇烈程度，解決行走和跑步以及下樓和騎腳踏車混淆的問題。

表1 5組連線斜率及混淆行為的差異值

在表1中，為了使混淆行為之間的差異最大化，應選擇差異值較大時的數據點作為關鍵點，計算K值。drun-walk的最大值出現在第3組數據中，而ddownstairs-cycle的最大值出現在第1組數據中，但是兩者的第二大值同時出現在第2組數據中。為了保證較大的區分度和算法的統一性，選擇第2組中的m, n作為關鍵點位置，即數據重排后一個窗內的第50個和第462個數據點作為關鍵點。計算4種行為連續7個窗的關鍵點連線斜率，經規范化后，如圖4所示。

圖4 4種行為的關鍵點連線斜率

在圖4(a)中，由于跑步和行走的運動劇烈程度不同，兩者的關鍵點連線斜率區別明顯。在圖4(b)中，雖然兩者數值接近，但下樓的關鍵點連線斜率大于騎腳踏車，兩者不再混淆。

2.2.3 6種常用時頻特征

為了進一步提高識別率，除了基于角度的小波能量和關鍵點連線斜率外，還對每個窗口數據提取了均值、標準差、傳感器任意兩軸數據的相關系數、FFT前32維系數、基于PSD振幅的均值和標準差6種特征。其中，時域特征包括均值、標準差、任意兩軸數據的相關系數；頻域特征有FFT前32維系數、基于PSD振幅的均值和標準差。FFT的第1維系數是信號的直流分量，與均值重復，實際僅提取剩下的31維FFT系數。

2.3 基于SVM的多類分類器

3 實驗設計與結果分析

3.1 實驗設置

本文在Matlab環境下對數據進行仿真處理。選擇10個實驗者(5名男性，5名女性)佩戴加速度數據采集模塊并按照各自的習慣完成7種日常行為(上樓、下樓、站立、行走、躺臥、騎腳踏車和跑步)，每種行為的持續時間不少于3 min，選擇其中的2 min數據進行實驗。傳感器的采樣頻率為100 H z，每一軸可采集12 00 0個數據，共有45個窗，計算每一個窗的多種特征構成實驗樣本，則每種行為有450個樣本。采用獨立檢測法時，隨機選擇其中315個作為訓練樣本，剩下的135個作為測試樣本。采用留一交叉檢測法時，將所有實驗樣本分成5個子集，輪流將每個子集作為測試樣本，剩下的4個作為訓練樣本，則訓練樣本和測試樣本分別包含360個和90個樣本。

3.2 檢測效果和分析

為了驗證本文提出2種特征的有效性，將全部特征分成3組，第1組為2.2.3節中常用的6種特征集合；第2組包含第1組的所有特征并添加了基于角度的小波能量，共7種特征；第3組包含了第2組的所有特征并添加了關鍵點連線斜率，共8種特征，也是全部的特征集合。

利用上述3組特征集分別訓練SVM，并對7種行為進行識別，采用獨立檢測法和留一交叉檢測法的平均識別率如圖5和圖6所示。

圖5 獨立檢測的識別結果

圖6 留一交叉檢測的識別結果

在2種檢測方法中，加入基于角度的小波能量后，多種行為的識別率有不同程度的提高。從圖5(a)和圖6(a)中可知，上樓的識別率提高了14.81%和14.45%，在圖5(b)和圖6(b)中，下樓的識別率提高了30.37%和29.96%。加入關鍵點連線斜率后，突出了運動的劇烈程度和數據的分布特點，行走和跑步的識別率大幅增長，下樓和騎腳踏車也得到了進一步的區分。在最終結果中，與未添加2種特征相比，如圖5(b)和圖6(b)、圖5(d)和圖6(d)、圖5(f)和圖6(f)以及圖5(g)和圖6(g)所示，行走的識別率增長了9.63%和12.22%，跑步的識別率增長了20.74%和21.11%，下樓的識別率增長了40%和43.3%，而騎腳踏車的識別率增長了17.04%和18.89%，效果令人滿意。此外，在站立和躺臥2種靜止行為的識別中，由于加速度變化較小，識別難度低，如圖5(c)和圖5(e)、圖6(c)和圖6(e)所示，測試樣本全部識別正確。因此，基于角度的小波能量和關鍵點連線斜率可以有效提高多種人體行為的識別率。

3.3 識別結果

將基于角度的小波能量和關鍵點連線斜率與常用的6種特征結合，對7種人體行為進行識別，采用2種檢測方法的混淆矩陣如圖7所示。矩陣中“/”前面和后面的數字分別表示采用獨立檢測和留一交叉檢測時被識別的測試樣本個數。

圖7 7種行為的混淆矩陣

在圖7中，上樓雖然有小部分與騎腳踏車和行走混淆，但是和下樓的區分明顯，兩者僅有個別測試樣本發生混淆。在下樓和騎腳踏車的識別方面，135個測試樣本分別僅有19個和16個出現混淆，而90個測試樣本也僅有12個和6個識別出錯，正確率得到了改善。另外，在采用留一交叉檢測法識別行走時，90個測試樣本全部正確。除此之外，由于躺臥和站立2種靜止行為的識別難度較低，采用本文的8種特征，2種檢測結果均全部正確。最終識別結果顯示，采用2種檢測方法對7種行為的平均識別率分別可達92.70%和95.08%。

4 結束語

本文采用單個加速度傳感器識別人體行為，提出了2種新的加速度數據特征：基于角度的小波能量和關鍵點連線斜率，從時頻分析和數值差異角度區分不同行為。采用獨立檢測法和留一交叉檢測法的結果表明了添加2種特征的有效性，最終識別率高達90%以上。今后將進一步研究優化特征集和構建分類器的方法，提高行為識別的正確率。

[1] Li Ming, V iktor R, G autam T, et al. Multimodal Physical Activity Recog nition by Fusing T emporal and Cepstral Information[J]. IEEE T ransactions on Ne ural Sy stems and Rehabilitation Engineering, 2010, 18(4): 1-10.

[2] 胡 石, 梅 雪. 人體行為動作的形狀輪廓特征提取及識別[J]. 計算機工程, 2012, 38(2): 198-200.

[3] 梅 雪, 張繼法, 許松松, 等. 基于運動方向的視角無關行為識別方法[J]. 計算機工程, 2012, 38(15): 159-161, 165.

[4] Maquire D, Frisby R. Comparison of Featu re Classification Algorithms for Activity R ecognition Based on Accelerometer and Heart Rate Data[C]//Proc. of the 9th IT & T Conference. Dublin, Ireland: Dublin Institute of Technology Press, 2009.

[5] Ravi N, Da ndekar N, Mysore P, et al. Activity Recognition from Accelerometer Data[C]//Proc. of the 17th Conference on Innovative Applications of Artific ial Intelligence. Pittsburgh, USA: AAAI Press, 2005: 1541-1546.

[6] Xue Yang, Jin Lianwen. Discrimination Between Upstairs and Downstairs Bas ed on Ac celerometer[J]. Emer ging T echnologies of Ubiquitous Com puting Systems, 20 11, 94(6): 1173-1177.

[7] Jennifer R K, Gary M W, Samuel A M. Activity Recognition Using Cell Phone Accelerom eters[J]. ACM SIGKDD Exploration Newsletter, 2010, 12(2): 74-82.

[8] Preece S J, Goulermas J Y, Kenney L P J, et al. A Comparison of Feature Extraction Methods for the Classification of Dynamic Activities from Accelerometer D ata[J]. IEEE Transactions on Biomedical Engineering, 2009, 56(3): 871-879.

[9] Yang Jie, Wang Shuangquan, Chen Ningjiang, et al. Wearable Accelerometer Based Extendable Activity Recognition System[C]//Proc. of IEEE International Conf erence on Robotics and Automation. Anchorage, USA: IEEE Press, 2010: 3641-3647.

[10] He Zhe nyu, Jin Lianwen. Activity Recognition from Acceleration D ata Using AR Model Representation and SV M[C]// Proc. of International Conference on Machine Learning and Cybernetics. [S. l.]: IEEE Press, 2008: 2245-2250.

[11] He Zhenyu, Liu Zhibin, Jin Lian wen, et al. W eightlessness Feature——A Novel Fe ature for Single Tri-axial Accelerometer B ased Activity R ecognition[C]//Proc. of Int ernational Conference on Pattern Recognition. Tampa, USA: IEEE Press, 2008: 1-4.

編輯 顧逸斐

Application Research on Acceleration Data Features in Human Behavior Recognition

LU Xian-linga,b, WANG Hong-bina,b, WANG Ying-yingb, XU Xianb

(a. Key Laboratory of Light Industry Advanced Process Control, Ministry of Education; b. School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, China)

Two novel features for acceleration data are applied to improve recognition accuracy of human activities. One feature uncovers the essential of acceleration direction by calculating the Wavelet Energy(WE) of angle between acceleration vector and gravity direction, and distinguishes different activities from time-frequency analysis. The other feature extracts from the slope of ke y points connection after acceleration data are rearranged, which highlights the dif ference and distribution of acceleration data. The t wo novel features can b e combined with the six traditional widely used features to constitute feature sets, which allows to train the multi-class c lassifier based on Support Vector Machine(SVM), and to identify seven Activities of Daily Living(ADL). Two test results show that the average recognition accuracy of independent test method and leave one out cross test method can reach 92.70% and 95.08% respectively.

acceleration sensor; human behavior; data feature; Wavelet Energy(WE); slope; Support Vector Machine(SVM)

10.3969/j.issn.1000-3428.2014.05.037

中央高校基本科研業務費專項基金資助項目(JUSRP21129)；江蘇高校優勢學科建設工程基金資助項目。

盧先領(1972－)，男，副教授、博士，主研方向：行為識別，無線傳感器網絡；王洪斌、王瑩瑩、徐 仙，碩士研究生。

2013-03-13

2013-05-06E-mail：jnluxl@gmail.com

1000-3428(2014)05-0178-05

A

TP75