基于三軸加速度計(jì)和SVM 算法的校園運(yùn)動(dòng)識(shí)別

周露，宋浩蘭，白靜蕾，聞家豪，李繼亮

（西安石油大學(xué)電子工程學(xué)院，陜西西安 710065）

隨著科技的發(fā)展，傳感器技術(shù)廣泛應(yīng)用于健康狀況評(píng)估和健康監(jiān)護(hù)等領(lǐng)域。傳感器通過(guò)收集人們?nèi)粘；顒?dòng)狀態(tài)、消耗的能量、睡眠質(zhì)量等行為數(shù)據(jù)，進(jìn)行分析處理，以達(dá)到監(jiān)測(cè)身體狀態(tài)的目的，從而對(duì)健康進(jìn)行干預(yù)，提供個(gè)性化健康實(shí)施方案的個(gè)人健康管理系統(tǒng)應(yīng)運(yùn)而生[1]。人在一天中進(jìn)行的運(yùn)動(dòng)是影響人體健康的主要因素，傳統(tǒng)的人體運(yùn)動(dòng)信息采集，是以圖像或視頻的方式跟蹤對(duì)象的運(yùn)動(dòng)，提取對(duì)象輪廓，最后根據(jù)圖像信息數(shù)據(jù)判斷運(yùn)動(dòng)對(duì)象的動(dòng)作[2]。對(duì)于運(yùn)動(dòng)視頻圖像邊緣特征的自適應(yīng)識(shí)別，可以通過(guò)計(jì)算圖像灰度值，獲得圖像的主要信息，這種方法容易受光線與監(jiān)測(cè)區(qū)域的限制。加速度傳感器可以捕捉到對(duì)象的運(yùn)動(dòng)，而不受光線與監(jiān)測(cè)空間的限制[3-4]，因此基于加速度傳感器數(shù)據(jù)采集系統(tǒng)的運(yùn)動(dòng)識(shí)別具有廣泛的應(yīng)用前景[5-6]。基于此技術(shù)，以人體運(yùn)動(dòng)行為作為研究對(duì)象，使用加速度傳感器作為數(shù)據(jù)采集工具，完成對(duì)走路、站立、跑步、躺臥、上樓、下樓六種運(yùn)動(dòng)模式的數(shù)據(jù)采集。在此基礎(chǔ)上，利用支持向量機(jī)算法建模識(shí)別，實(shí)現(xiàn)人體運(yùn)動(dòng)模式識(shí)別。

1 數(shù)據(jù)采集

1.1 傳感器佩戴方式

實(shí)驗(yàn)采集人體行走、站立、跑步、躺臥、上樓、下樓的運(yùn)動(dòng)數(shù)據(jù)。為了得到最具有代表意義的數(shù)據(jù)，同時(shí)考慮到傳感器佩戴的穩(wěn)定性，穿戴方式也影響實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確性[7-9]，實(shí)驗(yàn)時(shí)需要合適的佩戴方式。傳感器佩戴在手腕上，行進(jìn)間的擺手可以反映人體的運(yùn)動(dòng)情況，但是站立交談時(shí)也會(huì)有手臂的擺動(dòng)，容易引入噪聲；傳感器佩戴在腿上或背上，數(shù)據(jù)相對(duì)可靠，但這樣的佩戴位置不容易形成易穿戴、好推廣的產(chǎn)品[10-12]；綜合考察最終確定佩戴傳感器位置為皮帶扣處。傳感器佩戴位置示意及三軸正方向如圖1 所示，三軸組成的坐標(biāo)系為左手直角坐標(biāo)系。

圖1 加速度傳感器佩戴示意圖

1.2 傳感器選型

根據(jù)文獻(xiàn)調(diào)研，人體運(yùn)動(dòng)頻率的范圍為0.5～20 Hz，常見(jiàn)動(dòng)作不超過(guò)5 Hz[13]。根據(jù)香農(nóng)采樣定律，為了采集到真實(shí)可靠的人體運(yùn)動(dòng)信號(hào)，采樣頻率應(yīng)大于40 Hz。

實(shí)驗(yàn)使用的加速度傳感器采樣頻率為100 Hz，量程為±16g，內(nèi)置電池與藍(lán)牙模塊，可以與手機(jī)連接進(jìn)行數(shù)據(jù)傳輸與保存。傳感器實(shí)物與手機(jī)藍(lán)牙傳輸界面如圖2、圖3 所示。

圖2 傳感器實(shí)物圖

圖3 藍(lán)牙傳輸界面圖

2 識(shí)別算法介紹

2.1 支持向量機(jī)算法

支持向量機(jī)（Support Vector Machine，SVM）算法是由Cortes 和Vapnik 于1995 年提出，SVM 算法會(huì)從訓(xùn)練數(shù)據(jù)集中選擇一組特征子集，使得該特征子集成為劃分訓(xùn)練數(shù)據(jù)的邊界。支持向量機(jī)算法是一種監(jiān)督機(jī)器學(xué)習(xí)算法，十分適用于分類場(chǎng)景[14]。

SVM 算法本質(zhì)上是一個(gè)處理二分類問(wèn)題的分類器，所以當(dāng)遇到多分類問(wèn)題時(shí)就需要對(duì)分類器進(jìn)行設(shè)計(jì)重組[15-16]。常見(jiàn)的SVM 多分類器的設(shè)計(jì)方法主要是通過(guò)組合多個(gè)二分類器進(jìn)行設(shè)計(jì)，常見(jiàn)的有“一對(duì)一”法和“一對(duì)多”法。文中采用“一對(duì)多”法對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練。

“一對(duì)多”法為：在一次訓(xùn)練中，把其中一個(gè)類別樣本標(biāo)記為+1，其余的類別歸為另一類，全部標(biāo)記為-1，使用重新標(biāo)記的數(shù)據(jù)訓(xùn)練一個(gè)SVM 分類器，以此方法遍歷所有類別。若有K個(gè)類別，則訓(xùn)練得到K個(gè)SVM 分類器[17-18]。在識(shí)別過(guò)程中，將未知樣本數(shù)據(jù)代入每一個(gè)分類器，對(duì)比計(jì)算結(jié)果，未知樣本為結(jié)果最大值的那一類。

2.2 特征提取

為了提取到原始數(shù)據(jù)中對(duì)分類有貢獻(xiàn)的信息，選取200 個(gè)數(shù)據(jù)點(diǎn)劃分為一個(gè)窗口，即2 s 內(nèi)的加速度信息，按照50%重疊的滑動(dòng)窗口對(duì)數(shù)據(jù)進(jìn)行加窗處理，達(dá)到對(duì)原始運(yùn)動(dòng)信號(hào)的分割。在處理加速度信號(hào)時(shí)，每一軸的數(shù)據(jù)都包含不同的特征，特征反映出來(lái)的差異對(duì)機(jī)器學(xué)習(xí)算法的訓(xùn)練有巨大作用。

文中提取的主要特征包括三軸加速度信號(hào)的均值、標(biāo)準(zhǔn)差、眾數(shù)、極差、最大值、最小值、中值絕對(duì)偏差。為了盡可能多地提取信號(hào)的時(shí)域特征，對(duì)三軸加速度信號(hào)求取了一階導(dǎo)數(shù)，并提取了一階導(dǎo)數(shù)對(duì)應(yīng)的時(shí)域特征，從原始信號(hào)與信號(hào)導(dǎo)數(shù)中共得到42個(gè)特征量。

各特征量的介紹如下：

均值特征為在一個(gè)窗口內(nèi)的加速度數(shù)據(jù)的平均值，其計(jì)算公式如式（1）所示：

標(biāo)準(zhǔn)差特征為在一個(gè)窗口內(nèi)的加速度數(shù)據(jù)的標(biāo)準(zhǔn)偏差，標(biāo)準(zhǔn)差表示數(shù)據(jù)偏離平均值的程度，標(biāo)準(zhǔn)差越大，說(shuō)明數(shù)據(jù)的離散程度越大，也就意味著受試者的加速度變化程度大，標(biāo)準(zhǔn)差可根據(jù)式（2）計(jì)算。

最大（小）值特征為在一個(gè)窗口內(nèi)采集到的加速度數(shù)據(jù)的最大（小）值。

中值絕對(duì)偏差特征為在一個(gè)窗口內(nèi)的加速度數(shù)據(jù)的中值絕對(duì)偏差，相比于標(biāo)準(zhǔn)差，中值絕對(duì)偏差中異常值權(quán)重小，少量的異常值對(duì)中值絕對(duì)偏差影響較小，可根據(jù)式（3）計(jì)算。

極差特征為在一個(gè)窗口內(nèi)加速度數(shù)據(jù)的最大值和最小值之差。極差特征可以用來(lái)反映信號(hào)變化的劇烈程度，比如跑步信號(hào)的極差比步行的極差大很多，下樓的運(yùn)動(dòng)狀態(tài)也存在較大的極差，這是區(qū)分運(yùn)動(dòng)模式的重要特征，極差可根據(jù)式（4）求得：

眾數(shù)特征為在一個(gè)窗口內(nèi)加速度數(shù)據(jù)中出現(xiàn)次數(shù)最多的數(shù)據(jù)。

對(duì)三軸加速度信號(hào)求取了一階導(dǎo)數(shù)，根據(jù)計(jì)算結(jié)果，提取加速度一階導(dǎo)數(shù)的均值、標(biāo)準(zhǔn)偏差、最大值、最小值、中值絕對(duì)偏差的特征。

對(duì)走路、跑步、站立、躺臥、上樓和下樓共六種動(dòng)作進(jìn)行加速度特征提取，加速度的特征數(shù)據(jù)作為支持向量機(jī)模型的輸入數(shù)據(jù)。

3 實(shí)驗(yàn)結(jié)果與分析

該次實(shí)驗(yàn)有28 名志愿者參與，受試者將傳感器佩戴于皮帶扣位置如圖4 所示，所有受試者采用相同方向佩戴傳感器，采集了每位受試者的上樓、下樓、行走、跑步、站立、躺臥六種狀態(tài)數(shù)據(jù)。在采集過(guò)程中，受試者不受任何約束，不規(guī)定先出左腳還是右腳，在采集站立與躺臥的數(shù)據(jù)時(shí)，不規(guī)定受試者的站姿與躺臥的姿勢(shì)，完全按照自己的習(xí)慣執(zhí)行相應(yīng)的動(dòng)作。

圖4 傳感器實(shí)際佩戴狀態(tài)圖

實(shí)驗(yàn)過(guò)程中，一共成功采集了28 名志愿者的數(shù)據(jù)，每名志愿者的實(shí)驗(yàn)數(shù)據(jù)包含六種狀態(tài)，每種狀態(tài)的測(cè)量時(shí)間約為5 min，實(shí)驗(yàn)中應(yīng)用的加速度傳感器同時(shí)測(cè)量記錄三個(gè)方向的加速度信號(hào)。

六種運(yùn)動(dòng)狀態(tài)的原始加速度的三軸數(shù)據(jù)曲線圖如圖5 所示，從圖中可以看出，不同的運(yùn)動(dòng)行為產(chǎn)生的加速度信號(hào)存在較大差異，其中站立與躺臥兩種運(yùn)動(dòng)狀態(tài)下，加速度變化很小。

圖5 各種運(yùn)動(dòng)狀態(tài)的原始加速度數(shù)據(jù)

站立狀態(tài)時(shí)X軸信號(hào)為1g，躺臥狀態(tài)時(shí)Z軸信號(hào)為1g，這是由于站立與躺臥時(shí)加速度傳感器的朝向不同；跑步時(shí)X軸加速度峰值超過(guò)3g，且頻率比行走時(shí)的頻率高；上樓時(shí)X軸加速度的變化范圍為0.5g～1.7g，而下樓時(shí)Y軸加速度的變化范圍為0.5g～2.1g。

采集結(jié)束后，對(duì)采集的數(shù)據(jù)進(jìn)行加窗處理并進(jìn)行特征值提取，對(duì)來(lái)自不同狀態(tài)的信號(hào)的數(shù)據(jù)打上標(biāo)簽加以區(qū)分，最終得到32 320 個(gè)樣本。

圖6 為多種運(yùn)動(dòng)模式下X軸加速度最大值的分布，跑步狀態(tài)、站立狀態(tài)、躺臥狀態(tài)的分布呈現(xiàn)出特有的規(guī)律。走路狀態(tài)、上樓狀態(tài)、下樓狀態(tài)在此特征中混淆在一起。X軸加速度最大值是區(qū)分跑步、站立、躺臥三種狀態(tài)的一個(gè)重要的指標(biāo)。圖7為Y軸加速度標(biāo)準(zhǔn)差的分布，下樓狀態(tài)的數(shù)據(jù)與走路狀態(tài)、上樓狀態(tài)的數(shù)據(jù)范圍不同，此特征可用于區(qū)分下樓狀態(tài)，而站立狀態(tài)與躺臥狀態(tài)在此特征中呈現(xiàn)混淆。在識(shí)別模型中，綜合多個(gè)特征條件進(jìn)行模型訓(xùn)練與識(shí)別。

圖6 X軸加速度最大值分布

圖7 Y軸加速度標(biāo)準(zhǔn)差分布

使用Python 的機(jī)器學(xué)習(xí)scikit-learn 庫(kù)建立支持向量機(jī)分類模型，通過(guò)網(wǎng)格搜索方式尋找支持向量機(jī)的最佳核函數(shù)以及軟間隔參數(shù)。識(shí)別結(jié)果見(jiàn)表1，識(shí)別的準(zhǔn)確度可根據(jù)式（5）求得：

表1 模型識(shí)別的準(zhǔn)確度結(jié)果

站立、步行、躺臥、跑步、上樓和下樓六種狀態(tài)時(shí)的識(shí)別準(zhǔn)確度分別為98.08%、89.59%、100%、98.93%、83.67%、88.39%，總體識(shí)別的準(zhǔn)確度為93.84%。

實(shí)驗(yàn)結(jié)果表明，人體躺臥狀態(tài)的傳感器方向與其他五種狀態(tài)不同，因此信號(hào)特征明顯，達(dá)到了100%的識(shí)別。站立信號(hào)的變化幅度小，跑步信號(hào)的變化幅度大、頻率高，因此識(shí)別準(zhǔn)確度也超過(guò)了98%。針對(duì)步行、上樓與下樓三種狀態(tài)的識(shí)別準(zhǔn)確度較低，表2 中展示了詳細(xì)的混淆情況。

表2 識(shí)別結(jié)果的混淆矩陣

4 結(jié)論

該文使用三軸加速度傳感器采集了人體常見(jiàn)的六種運(yùn)動(dòng)狀態(tài)，通過(guò)提取信號(hào)的時(shí)域特征信息，并訓(xùn)練支持向量機(jī)分類器，最終達(dá)到93.84%的總體分類識(shí)別準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，支持向量機(jī)分類器能夠較好地識(shí)別人體行為。如今大部分的可穿戴設(shè)備都配置有加速度傳感器，因此文中的算法有較好的移植性。由于實(shí)驗(yàn)中的受試者全部為大學(xué)生，得到的信號(hào)規(guī)律存在局限性,下一步計(jì)劃將其他年齡段人群的數(shù)據(jù)歸入模型訓(xùn)練之中，提高模型的通用性并實(shí)現(xiàn)更多行為的識(shí)別。