支持向量機輔助下的智能手機行人運動模式識別

郭際明，王 威，張 帥

(1. 武漢大學測繪學院，湖北 武漢 430079； 2. 精密工程與工業測量國家測繪地理信息局重點實驗室，湖北 武漢 430079)

目前，運動模式識別領域主要是基于影像或傳感器兩種方式[1-2]。近幾年來隨著微機電系統(MEMS)在智能手機上的應用，大大促進了基于手機傳感器的運動模式識別的研究。運動模式識別除了在健康保障領域有廣闊的應用前景外，在室內定位方面也有較廣泛的應用[3]。

室外定位可以通過全球衛星導航系統(GNSS)解決，而室內環境沒有可用的GNSS信號，故發展室內定位技術變得非常重要。行人航跡推算(PDR)(室內定位方法)受行人運動模式影響很大，室內環境下，不僅要求一個便攜式導航定位設備成本低功耗低，還需要在人體不同運動模式下的定位結果具有穩健性和可用性[4]，因為在不同運動模式下需要不同的算法和約束條件。如步行時，要執行行人航跡推算算法[5]；坐扶梯或走樓梯時，可以與地圖進行匹配[6]；坐廂梯時，平面位置不變，只需改變行人高度[7]等。

模式識別領域常用的分類方法有決策樹[8]、人工神經網絡[9]、樸素貝葉斯[10]、支持向量機[11]等。支持向量機具有高分類精度，對噪聲具有穩健性的特點，是目前最好的分類方法之一[4]。Tran等[12]利用支持向量機對行人運動模式識別，但是沒有考慮到上/下廂梯和上/下扶梯模式；張毅等[13]只是對特定人群老人的運動模式進行識別，沒有普適性；路永樂等[14]用MEMS作為運動模式識別的數據采集工具，與智能手機相比不易推廣。本文研究了線性SVM對室內常見的幾種行人運動模式的識別。圖1為本文要識別的行人運動模式：靜止、行走、上/下樓梯、上/下廂梯、上/下扶梯。

圖1 行人運動模式

1 線性SVM原理

支持向量機是一種二元分類模型，基本模型定義為特征空間上的間隔最大的線性分類器[15]。支持向量機包含有核函數，本文探討線性核函數支持向量機分類，具體原理如下：

假設有{(x1,y1),(x2,y2),…,(xn,yn)}這樣一個訓練數據集，yi(i=1,2,…,n)等于1或-1，用來表示xi屬于不同類別。xi是由不同特征組成的向量。SVM是要找出一個超平面(hyperplane)f(xi)=w·xi+b，這個超平面可以將數據分為兩個部分(如圖2(a)所示)，每部分同屬一類，其實這樣的超平面有很多，要找到一個如圖2(b)所示的最佳超平面。

圖2 二元SVM分類示意圖

(1)

式(1)中的兩個方程組合得到

1-yi·(w·xi+b)≤0

(2)

在盡量避免數據點落入間隔的同時，需要忽視一些偏差比較大的數據。因此需要考慮損失函數(loss function),即

(3)

兼顧超平面間隔和損失函數，需要使下式最小(C是懲罰參數)

(4)

最小化式(4)之后，便可得到w和b值，進而利用下式進行分類

(5)

2 SVM分類器模型建立過程

分類過程分為兩個步驟：獲取數據樣本，分類器訓練與測試。

2.1 獲取數據樣本

圖3是獲取數據樣本過程，分為原始數據的輸入、數據預處理、特征提取3個步驟。

2.1.1 原始數據輸入

利用小米4智能手機采集原始數據，手機包含三軸加速度計、三軸陀螺儀、三軸磁力計和氣壓計等傳感器。本文需要用到加速度計獲取的三軸加速度和氣壓計獲取的氣壓值作為行人運動模式分類依據。

2.1.2 數據預處理

很多時候，從傳感器獲得的部分原始數據對于運動模式識別效果不理想[16]，這就需要對原始數據進行預處理，如x軸方向的加速度在主要運動方向為其他軸的情況下對識別效果貢獻不大，但是利用三軸加速度的范數或把加速度歸算到水平、豎直方向上對識別效果更有意義。數據預處理后的結果稱為變量。

圖3 獲取數據樣本流程

2.1.3 特征提取

表1列舉的是從數據預處理之后的變量提取出來的特征。本文利用統計特征作為運動分類依據。在進行分類時，加入13種統計特征。由于大氣壓絕對值受溫度、濕度等影響，其值不能反映局部高度變化，故采用大氣壓梯度作為統計特征。

表1 統計特征

2.2 分類器訓練與測試

產生最終樣本后，按照圖4所示流程執行分類器訓練與測試。首先把樣本分成兩個部分：訓練數據(80%)和測試數據(20%)，選取的13個特征用來訓練分類器，分類器的好壞可利用測試數據測試。具體解釋如下：

圖4 分類器訓練與測試

2.2.1K折交叉檢驗(K-foldcross-validation)

在訓練線性SVM時，需要把訓練數據分為訓練集和評估集。訓練集用于訓練線性SVM模型，評估集用于評估模型的好壞。簡單地把所有的訓練數據劃分為兩種子集不能充分地利用現有數據，因此在數據劃分時用到交叉檢驗方法，它是在SVM訓練模型中，防止模型過于復雜而引起的過擬合所采用的一種方法。在K折交叉檢驗中，把訓練數據隨機分為k份，其中k-1份作為訓練集，剩下的1份作為評估集，這樣通過k次循環后，所有的數據都曾作為評估集，平均k次結果。本文采用目前常用的10折交叉檢驗法[17]。

2.2.2 多元分類效果判定指標

由于一個二元線性SVM分類器不能實現多元分類，故需要N(N-1)/2個二元線性分類器對N類問題進行分類。用測試數據檢驗訓練數據得到的分類器模型時，常用精度(precision)、召回率(recall)和F1值作為分類好壞的依據。表2是兩類A和B的模糊矩陣(confusionmatrix)。

表2 A、B的模糊矩陣

表2中，TP：實際為A類的數量，預測為A類的數量；FN：實際為A類的數量，預測為B類的數量；FP：實際為B類的數量，預測為A類的數量；TN：實際為B類的數量，預測為B類的數量。

召回率和F1值定義如下

(6)

3 運動模式分類結果與分析

在試驗中，用于行人運動模式分類的數據在武漢銀泰創意城購物中心采集，8種運動模式下共收集了約100 000個樣本。圖5是在3 s滑動窗口下，利用主元分析(principle component analysis，PCA)[18]在兩個特征上生成的散點分布圖。x軸和y軸分別代表壓縮后的特征，8種灰度點分別代表8種運動模式下的樣本分布。由可視化散點圖可知8種運動模式幾乎沒有重疊，因此，后續流程是可以對數據進行分類的。

圖5 壓縮后散點圖

圖6所示是3 s數據滑動窗口的訓練正確率與交叉檢驗正確率曲線圖。可以看到兩個曲線圖隨著訓練樣本的增加正確率收斂到約96.5%，不存在欠擬合和過擬合問題，因此3 s的滑動窗口在訓練數據上可以得到較好的分類效果。

圖6 學習曲線

經過訓練數據訓練的分類器模型用測試數據測試，得到表3的8種運動模式模糊矩陣。從表3中可看到實際類和預測類總體上相差并不大，尤其是上/下廂梯的實際類和預測類幾乎沒有差別，可以得到較好的分類結果。這是由于廂梯升降很快，氣壓變化較大，與氣壓相關的特征對分類起到很大作用。但是上/下扶梯與靜止，上/下樓梯與行走之間的實際類與預測類之間相差比較。這是由于上/下扶梯與靜止和上/下樓梯與行走的加速度波形很相似，主要靠氣壓的相關特征來區分，但氣壓變化相比上/下廂梯小得多。如果把人本身的狀態分為靜止類和運動類，靜止、上/下廂梯、上/下扶梯為靜止類，行走、上/下樓梯為運動類，那么靜止類與運動類僅有42個錯誤的分類樣本(矩形框里)。

表3 8種運動狀態模糊矩陣

圖7所示為訓練好的分類器在8種運動模式F1值，可以看到8種運動模式平均F1值在96.4%，上樓梯的F1值最低也在91%以上。說明所建立的分類器模型可以很好地對運動模式進行識別。

圖7 8種運動狀態F1值

4 結 語

本文探討了利用智能手機傳感器數據對行人運動模式進行識別，采集了8種運動模式下的100 000個樣本，采用SVM中常用的10折交叉檢驗方法，對80%樣本進行訓練得到分類模型，剩下的20%樣本測試分類模型的效果，由此得到：選取13個特征可以在3 s的數據滑動窗口、0.5 s數據采樣間隔，得到96.4%的識別正確率。這種識別結果可以在后續的PDR研究中提升PDR精度和穩健性。

[1] CHEN L，HOEY J，NUGENT C D,et al.Sensor-based Activity Recognition[J].IEEE Transactions on Systems，Man，and Cybernetics(Part C:Applications and Review)，2012，42(6):790-808.

[2] XU X，TANG J，ZHANG X，et al.Exploring Techniques for Vision Based Human Activity Recognition:Methods，Systems，and Evaluation[J].Sensors，2013，13(2):1635-1650.

[3] BUSSMANN J B J，MARTENS W L J，TULEN J H M，et al.Measuring Daily Behavior Using Ambulatory Accelerome-try:The Activity Monitor[J].Behavior Research Methods，Instruments，& Computers，2001，33(3):349-356.

[4] ELHOUSHI M，GEORGY J，NOURELDIN A，et al.A Survey on Approaches of Motion Mode Recognition Using Sensors[J].IEEE Transactions on Intelligent Transporta-tion Systems，2017，18(7):1662-1686.

[5] 牛歡，廉保旺.一種基于改進UKF濾波的GPS+PDR組合定位方法[J].測繪通報，2017(7):5-9.

[6] LI T，GEORGY J.Using Indoor Maps to Enhance Real-time Unconstrained Portable Navigation[C]∥Proceedings of the 27th International Technical Meeting of the Satellite Division of the Institute of Navigation(ION GNSS+).Florida:[s.n.]，2014: 3174-3183.

[7] ELHOUSHI M，GEORGY J，NOURELDIN A，et al.Motion Mode Recognition for Indoor Pedestrian Navigation Using Portable Devices[J].IEEE Transactions on Instrumentation and Measurement，2016，65(1):208-221.

[8] UDDIN M T，BILLAH M M，HOSSAIN M F.Random Forests Based Recognition of Human Activities and Postural Transitions on Smartphone[C]∥The 5th International Conference on Informatics，Electronics and Vision(ICIEV).Dhaka:IEEE，2016:150-255.

[9] KWAPISZ J R，WEISS G M，MOORE S A.Activity Recognition Using Cell Phone Accelerometers[J].ACM SIGKDD Explorations Newslett，2011,12(2):74-82.

[10] GOUMAS S K，ZERVAKIS M E，STAVRAKAKIS G S.Classification of Washing Machines Vibration Signals Using Discrete Wavelet Analysis for Feature Extraction[J].IEEE Transactions on Instrumentation and Measurement，2002,51(3):497-508.

[11] CHENG W，JHAN D M.Triaxial Accelerometer-based Fall Detection Method Using a Self-constructing Cascade-AdaBoost-SVM Classifier[J].IEEE Journal of Biomedical and Health Information，2013,17(2):411-419.

[12] TRAN D N，PHAN D D.Human Activities Recognition in Android Smartphone Using Support Vector Machine[C]∥2016 7th International Conference on Intelligent Systems，Modelling and Aimulation.Bangkok:IEEE,2016:64-68.

[13] 張毅，任同輝，羅元.基于多傳感器數據融合的人體運動模式識別研究[J].計算機測量與控制，2016,24(1):303-307.

[14] 路永樂，張欣，龔爽，等.基于MEMS慣性傳感器的人體多運動模式識別[J].中國慣性技術學報，2016,24(5):589-594.

[15] 常甜甜.支持向量機學習算法若干問題的研究[D].西安：西安電子科技大學，2010.

[16] ELHOUSHI M，GEORGY J，KORENBERG M，et al.Robust Motion Mode Recognition for Portable Navigation Independent on Device Usage[C]∥Position Location and Navigation Symposium—PLANS 2014.Monterey:IEEE,2014:158-163.

[17] 胡局新，張功杰.基于K折交叉檢驗的選擇性集成分類算法[J].科技通報，2013，29(12)：115-117.

[18] ALTUN K，BARSHAN B.Human Activity Recognition Using Inertial/Magnetic Sensor Units[C]∥International Conference on Human Behavior Understanding.[S.l.]:ACM,2010:38-51.