基于状态识别的人体运动中穿戴设备动态监控系统_马庆.pdf

收稿日期:2022-08-01基金项目:陕西省科技厅面上项目 基于虚拟条件下高尔夫全挥杆动作学习的反馈控制以及技能迁移研究(2022JM-138);西安翻译学院大学生体育课程综合改革理论与实践创新研究(XFU20KYTDC02)作者简介:马庆(1976-),男,甘肃章县人,研究生,副教授。通讯作者:许崇高(1952-),男,山东荣成人,本科,教授。基于状态识别的人体运动中穿戴设备动态监控系统马 庆,李 杰,王远超,许崇高(西安翻译学院,西安 710105)摘 要:针对运动动作采集与识别的需求,提出一种基于 IMU 数据采集与 SVM 的动作识别的可穿戴动态监控系统。在该系统中,首先利用 IMU 采集运动数据,然后对数据进行平滑滤波处理,以消除噪声对数据的影响,动作特征的提取将利用动作分割算法,动作的识别采用支持向量机。结果证明:SVM 算法在经过特征选择后,在动态动作、静态动作以及全部动作的识别率上达到了 98.01%、99.23%、98.52%,整体识别效果好,证明了基于状态识别的可穿戴设备监控系统具有可行性。关键词:动作识别;特征提取;决策树;支持向量机 中图分类号:TP399 文献标识码:A DOI 编码:10.14016/ki.1001-9227.2023.01.166Dynamic monitoring system of wearable devices in human motion based on state recognitionMA Qing,LI Jie,WANG Yuanchao,XU Chonggao(XiAn Fanyi University,Xian 710105,China)Abstract:Aiming at the problem that vision based motion recognition system is greatly affected by the environment,and the rapid development of wireless transmission technology has laid the foundation for wearable device based human motion rec-ognition system,a wearable device dynamic monitoring system based on state recognition is proposed.By placing IMU in the appropriate part of the body,and then collecting the data output by the sensor during movement;Then the data is smoothed and filtered to eliminate the influence of external noise on the data;An action segmentation algorithm based on threshold is designed to extract useful action segments;Finally,support vector machine is used to recognize actions.The experimental re-sults show that the SVM algorithm has a good overall recognition effect after feature selection,which proves that the wearable device monitoring system based on state recognition is feasible.Key words:action recognition;feature extraction;decision tree;support vector machine0 引言近年来,人体动作识别技术被广泛应用于医疗健康、安全防护等领域。人们也愈加重视健康问题,因此也更加重视对运动的监测,越来越多的学者和科研机构对此进行了大量研究,下面是一些学者的研究结论。朱相华等梳理了深度学习方法在人体动作识别领域的发展情况,从视频预处理和网络结构改进两个方面介绍了人体动作识别研究概况,并且提出可从人体动作重识别和小样本学习等方面不断进行改进和创新1;张丽丽等利用 FMCW 雷达采样得到的人体动作回波数据,再将构建出的特征图进行融合,融合后的特征经过卷积层和池化层后增加两个全连接层,计算得出更深层次的特征,在输出层得到动作识别结果2;屈乐乐等在考虑到单频段雷达在人体动作识别上的局限问题,提出了基于双频段 FMCW 雷达多维特征融合识别方法。实验结果证明,该方法从不同维度中,对特征进行提取和融合,提高了识别的准确率,并且在对人体目标的连续性动作识别中,也提高了其实用性3。经过以上研究,在人体动作识别上取得了非常不错的成果,但基于视觉的动作识别系统会受到外界环境的干扰,但基于状态识别的人体运动中穿戴设备的方法受外界影响较小,成本价格也较低,不会泄露隐私,更适用于人体的动作识别。1 系统整体设计框架系统整体框架如图 1 所示。在该系统设计中,考虑到动作识别的准确性,单一的动作信息采集显然不能满足,因此,采用多传感器对动作数据采集,包括加速度计、陀螺仪、磁力计、四元数、足底压力传感器等4。通过图 1 的整体框架看出,采集方案包括两部分,包括采集平台和识别算法。661基于状态识别的人体运动中穿戴设备动态监控系统 马 庆,等图 1 动作识别系统组成2 数据采集2.1 动作采集硬件方案动作数据采集平台如图 2 所示。图 2 动作数据采集平台动作信息的感知选择的压力传感器,应具备便捷、轻薄的特点。数据采集模块作用是采集惯性数据和足底压力数据信息,将进行模数转换,再将转换后的数据传输进主模块。数据的采集传输由微处理器负责,以保证数据的传输效率,减小计算量。无线传输模块包含无线传输装置,将底层数据信息打包后传输到上位机中。上位机部分对数据进行保存、可视化以及数据的预处理、分割、滤波及识别等。对穿戴的便捷度进行考虑,将选择 MEMS 惯性传感器,其具有小巧轻便的特点。而对于足底压力的测量,将选择薄膜压力传感器,其价格较低、又轻薄,适用于足底压力测量。在进行动作数据采集时,首先将 IMU 采集单元放置在身体的腰部盆骨采集部位,然后对运动时传感器采集的数据进行搜集5。具体流程见图 3 所示。图 3 数据采集流程2.2 软件系统部分软件系统主要由下位机数据的采集、上位机数据接收和处理两部分构成,上位机与下位机之间的传输通过WiFi 进行。软件功能如图 4 所示6。图 4 软件组成结构下位机数据采集程序流程为图 5 所示。首先进行初始化处理,初始化对象为主模块的无线传输模块、串口、时钟等;对数据信息的采集,包括 IMU 数据和足底压力信息。由于人体的动作频率一般小于 20 Hz,因此,传感器的采样频率根据人体动态情况下的动作频率的大小确定为 50 Hz;数据在一次采集后,会进行打包处理,打包为一帧,一帧中包括帧头、帧标以及采集的数据和校验值等。打包处理后的数据通过串口传输到主模块中;由主模块对数据进行解析,再将解析数据打包成一帧,再通过无线的传输方式传送到 PC 端7。图 5 下位机数据采集流程上位机的流程如图 6 所示。PC 端在接收到数据后,数据将会被进行分帧处理,再去经过校验程序,对数据正确性进行检验,正确则存储,错误舍弃,数据的提取再依据数据帧的设置进行处理8。761自动化与仪器仪表2023 年第 1 期(总第 279 期)图 6 上位机数据接收流程2.3 动作识别2.3.1 数据预处理动作采集系统在实际的数据采集过程中,会受到外部环境的影响,使采集的信息里会混入噪声。而信号在产生、传输等过程中会由于噪声的影响产生畸变,使数据处理产生影响,致使结果受到干扰。因此,首先将对原始数据进行一定的处理,减少外界干扰,受最终采集的信息不受影响。8。图 7 为实验者在进行上楼动作时,其中一个轴的线性加速度的变化曲线。曲线在初始时,线性加速度值保持在 0 左右,加速度值在开始动作后,将会在 0 值上下变化。在动作采集过程中,噪声体现为惯性传感器本身具有的噪声、抖动过程中的噪声以及器件本身存在的噪声。由于人的动作频率一般情况下小于 20 Hz,属于低频信号,因此,高频信号被认为噪声,将对其进行抑制9。图 7 动作时的线性加速度信号移动平均滤波法是常见的平滑滤波方法之一。属于低通滤波器,可以有效抑制高频信号10。对采集到的动作序列进行假设,假设为x=(x1,x2,xt)(1)进行滤波后的序列为y=(y1,y2,yt)(2)通过原始序列后,得到滤波序列,为yn=xn+xn-1+xn-2+xn-NN(3)在式(3)中可以看出,N 和滤波之间的关联,N 值影响平滑效果,其值越大,平滑效果越好11。图(8)为不同 N值的滤波效果对比。数据选用上楼时的线性加速度数据中的一维。对滤波结果进行分析,可得。N 的取值对滤波结果影响较小,将选用 8 个点的滑动平均滤波。整体滤波效果如图 8 所示。图 8 移动平均滤波效果图 9 加速度滤波效果图 10 陀螺仪滤波效果861基于状态识别的人体运动中穿戴设备动态监控系统 马 庆,等图 11 足底压力滤波效果2.3.2 动作分割将以加速度或者陀螺仪的数据的骤变对动作进行提取,因为识别的动作数据中含有静态数据12。分割算法如图 12 所示:图 12 分割算法流程图动作起点和终点的查找方法类似13。在查找动作起点时,将设定出一个阈值和一个窗口长度,再开始检测点,若检测出大于阈值的点,则对连续一个窗口的点与阈值比较大小,比较连续窗口的点是否都大于该阈值,若都大于,则该大于阈值的点为动作起始点,若不是,将继续向下查找。查找动作终点,是在检测到起点后,检测小于终点阈值 Throld2 的点,检测方法同上。图13 所示的为线性加速度的原始数据,根据次分隔算法进行分割后,得到的分割结果如图 14 所示。图 13 原始线性加速度图 14 分割效果图2.3.3 基于 SVM 的动作识别支持向量机(SVM)是一种基于 VC 维理论和结构风险最小化原则的机器学习方法。支持向量机可在训练样本有限时,平衡模型的学习能力和复杂性,且可在非线性问题上,引入核导函数对其进行转换为线性问题14。它在语音识别领域得到了广泛的运用,因为其在处理小样本等条件下的分类问题时,运用效果较好。当出现线性可分时,支持向量机将通过样本之间出现的分类间隔最大超平面对其进行区分。将线性可分数据集设为(x1,y1),(xn,yn),在 d 维空间中,超平面表达式的一般形式为y(x)=wTx+b(4)式中,b 代表的是常量,w 为 d 维向量。如果这两个类别间的最大分类间隔是 M,那么超平面需要满足的关系为:wTx+bM2,yi=1M2,yi=-1(5)961自动化与仪器仪表2023 年第 1 期(总第 279 期)再将式(5)进行归一化处理后,使得所有的样本满足|y(x)|1,则yi(wTxi+b)1,i=1,N(6)分类间隔 M=2|W|。分类间隔想要取得最大值,那么M需要取得最小值。将M2 取得最小值来将目标函数转化为二次规划问题,使其可以更好的求解,那么minw,b12wTw(7)s.tyi(wTxi+b)1,i=1,N(8)再将其转换为相应的 Lagrange 函数为:L(w,b,a)=12wTw-Ni=1ai(yi(wTxi+b)-1)(9)再根据 KKT 条件,有:L(w,b,a)w=0(10)L(w,b,a)b=0(11)ai(yi(wTxi+b)-1)=0,i=1,N(12)ai0,i=1,N(13)再将式子(10)和(11)代入到式子(9)中,就能够得到原目