基于MEMS慣性傳感器時域特征的人體行為識別

謝國亞，劉 宇，路永樂，邸 克，郭俊啟，余 躍

(重慶郵電大學 光電信息感測與傳輸技術重慶市重點實驗室，重慶 400065)

0 引言

隨著微機電系統(MEMS)技術的不斷發展，大量低成本、高精度的MEMS慣性傳感器廣泛地應用于各類可穿戴智能終端中[1]。智能終端集成的MEMS慣性器件(如加速度計、陀螺儀等)可獲取行人實時的三維加速度和角速度信息，通過特征提取和分類算法實現對人體行為模式的實時判別[2-3]。使用多傳感器組合系統來實現行為識別，是模式識別領域一個新的研究方向，具有廣闊的市場應用前景。

特征提取是實現行為識別的關鍵部分，特征的有效提取和選擇會影響識別結果。文獻[4-5]分析了常見的幾種日常行為，使用加速度的時域特征值對幾種運動模式進行識別，識別時間約為4 s。文獻[6]利用決策樹和邏輯回歸技術提出一種新的基于機器分類學習的預測模型，跑和坐的識別結果較好，但是上、下樓識別結果較差。文獻[7]分析了前進行走、后退行走、左橫向走及右橫向走4 類運動模式，并給出相應的特征提取算法，但未有效區分出非行走類運動模式。文獻[8]采用BP神經網絡實現行為識別，但與支持向量機(SVM)算法相比，其收斂速度較慢，易影響實時性。

本文提出了一種高精度的人體實時行為識別算法。算法選取一個長度為2 s的滑動時間窗,用于提取慣性傳感器組合系統輸出的時域特征，使用基于平衡決策樹的支持向量機對人體日常行為模式進行分類識別，即非行走類運動模式(如站立、行走、跑、摔倒、坐下)及行走類運動模式(如上、下樓、后退、左橫向走、右橫向走)。在可穿戴智能終端平臺上的實驗驗證表明，與傳統的行為識別算法相比，本文提出的基于MEMS慣性傳感器組合的人體實時行為識別算法識別時間短，精度可達88%。

1 算法流程

圖1為本文的算法流程。首先設置一個長度為2 s的時間窗，在數據采集頻率為50 Hz的基礎上，對采集到的多傳感器信號的時域特征進行提取，將提取到的多傳感器信號的時域特征值作為訓練樣本，輸入到基于平衡決策樹的支持向量機中進行分類識別，分為行走和非行走兩大類行為模式，再逐步細分，最終得到精確的行為識別結果。

圖1 算法流程圖

2 多運動行為識別

與頻域特征相比，時域特征的提取運算復雜度低，耗時較短[9-10]。本文使用SVM實現人體日常行為模式的分類識別。針對傳統的SVM只能實現二分類問題，本文采用基于平衡決策樹的SVM[11]對多種行為模式進行分層識別，如圖2所示。

圖2 分層識別算法

傳統的一對一方法的SVM分類算法，識別出m種不同運動模式需要構建m(m-1)/2個分類器。采用分層識別算法識別出m類運動模式, 只需要m-1個分類器，改善了訓練時的樣本復雜程度，且識別出一類樣本所需層數較少,減少了識別時間。

3 特征提取

3.1 方差

本文選取方差σa作為描述人員整體運動幅度的特征參量，即

(1)

3.2 互相關系數

互相關系數C為2軸加速度的協方差與2軸加速度標準偏差乘積的比值。本文用加速度y、z軸數據的互相關系數來區別原地跳躍、站立和原地轉圈3類非行走類行為模式，即

Cyz=cov(y,z)/(σyσz)

(3)

式中：Cyz為加速度y、z軸數據的互相關系數；σy,σz分別為加速度y、z軸的標準差。特征分布如圖3所示。

圖3 互相關系數分布圖

3.3 極差

極差為滑動時間窗內數據極大值與極小值的差值，采用z軸加速度極差和陀螺俯仰角的極差可有效區別人體摔倒和坐下的動作，即

(4)

(5)

式中：Ma為滑動時間窗內加速度z軸極差；Mp為滑動時間窗內陀螺儀輸出俯仰角的極差；R為加速度計量程；amax為時間窗內y軸加速度最大值；amin為時間窗內z軸加速度最小值，是采用歸一化處理后的重力加速度值；θmax為時間窗內俯仰角的最大值；θmin為時間窗內俯仰角的最小值。特征分布如圖4所示。

圖4 加速度z軸極差及俯仰角極差

3.4 相位

通過提取行走軸加速度的時域相位特征可有效地判別出人體實際的運動方向，定義向右開始檢測，當檢測到零點-峰值/谷值-谷值/峰值-零點即為一個完整相位。針對前進行走和后退行走的動作，本文通過提取前進軸y軸的加速度數據，實現前進與后退動作的區分，再通過提取橫向行走軸x軸加速度數據實現左橫向走和右橫向走的區分。

按照零點-峰值-谷值-零點的順序檢測得到時域正向相位，由零點-谷值-峰值-零點的順序檢測得到時域反向相位。當x軸為正向相位時即為前進行走，為反向相位時即為后退行走；當y軸為正向相位時即為右橫向行走，為反向相位時即為左橫向行走。相位特征分布如圖5所示。

圖5 正、反向相位分布圖

3.5 四分位距

四分位距(IQR)為第3四分位數Q3(即時間窗內的所有數值由小到大排列后第75%的數值)和第1四分位數Q1(即時間窗內的所有數值由小到大排列后第25%的數值)的差值。由于人體在進行上樓動作時，需要克服重力做功，加速度z軸的數據波動程度小于平地行走的動作，而下樓動作則大于平地行走的動作。本文采用加速度z軸四分位距的差值進行上、下樓判定，四分位距值az分布如圖6所示。

圖6 上、下樓和平地四分位距分布圖

4 實驗結果分析

本文實驗驗證平臺采用實驗室自主研發的可穿戴便攜終端，終端集成了3軸加速度計，3軸陀螺儀等慣性傳感器，構成了一套MEMS慣性傳感器組合系統。設定傳感器數據采集頻率為50 Hz，提取組合系統實時輸出的時域特征對人體的不同行為進行識別，識別結果通過無線方式發送給上位機界面。終端的佩戴方式和上位機界面如圖7、8所示。

圖7 終端佩戴方式

圖8 上位機界面

為了驗證本文提出的行為識別算法的精度，要求20位測試者(15名男性，5名女性)佩戴智能終端執行不同類型的行為模式進行驗證，包含全部上述的5種行走類和非行走類。每人每種模式測試5組，即每類行為模式進行總計100組實驗，對整體識別結果進行統計，如表1所示。

表1 各類行為模式識別精度

由表1可看出，在識別時間控制在2 s/次的前提下，對于5種行走類行為模式和5種非行走類行為模式，識別率均達88%，識別精度高且實時性好。

5 結束語

針對頻域及小波變換的特征提取算法計算復雜，不適用于實時行為識別的問題。本文通過提取MEMS慣性傳感器組合系統輸出的時域特征值，采用基于平衡決策樹的支持向量機對行人不同行為模式進行分層識別，將日常行為模式分為行走類和非行走類，并針對不同的行為模式進行細分，最終實現了高精度的識別結果。本文提出的基于MEMS慣性傳感器時域特征的人體行為識別算法相較于傳統算法，其識別精度高，且縮短了完成一次識別的時間，在可穿戴便攜終端領域有廣泛的應用前景。