推荐星级：
- 1
- 2
- 3
- 4
- 5
基于三轴传感器的老年人日常活动识别
资料介绍
本文针对老年人日常活动类型及特点提出了一种基于三轴加速度传感器和HMM(Hidden Markov Model)的活动识别方法.本文首先提取了针对老年人相异、相似活动的标准差、能量、相关系数、RAF(RAtio Forward)、RVF(Ratio Vertical Forward)等特征值.然后定义老年人的HMM活动识别模型.最后在经过Baum-Welch算法对HMM进行参数训练后使用Viterbi算法来进行老年人活动识别.实验结果表明,本文方法适用于老年人的日常活动的识别,平均识别精度达到了93.3%,尤其是对于相似步态活动的识别准确率达到了93.7%.
部分文件列表
| 文件名 | 大小 |
| 基于三轴传感器的老年人日常活动识别.pdf | 2M |
部分页面预览
（完整内容请下载后查看）3
Vol. 45 No. 3
Mar. 2017
第
2017
期
电
子
ACTA ELECTRONICA SINICA
学
报
3
年
月
基于三轴传感器的老年人日常活动识别
1，2
2
，
汪成亮 王小均
( 1ꢀ
，
400044; 2ꢀ
，
400044)
重庆大学信息物理社会可信服务计算教育部重点实验室 重庆
重庆大学计算机学院 重庆
:
HMM( Hidden Markov Mod－
本文针对老年人日常活动类型及特点提出了一种基于三轴加速度传感器和
摘
要
el)
.
、
、
、
、RAF ( RAtio Forward) 、
的活动识别方法 本文首先提取了针对老年人相异 相似活动的标准差 能量 相关系数
RVF( Ratio Vertical Forward) HMM Baum－Welch
.
.
HMM
等特征值 然后定义老年人的
活动识别模型 最后在经过
算法对
，
算法来进行老年人活动识别 实验结果表明 本文方法适用于老年人的日常活动的识别
Viterbi
.
，
进行参数训练后使用
平均识别精度达到了
93ꢀ 3% ，
尤其是对于相似步态活动的识别准确率达到了
93ꢀ 7% .
:
;
;
;
关键词
中图分类号
URL: http: / /www. ejournal. org. cn
活动识别 三轴传感器 特征提取 隐马尔科夫模型
:
TP391ꢀ 4
:
A
:
文章编号
0372－2112 ( 2017) 03－0570－07
文献标识码
DOI: 10. 3969 /j. issn. 0372－2112. 2017. 03. 010
电子学报
Daily Activity Recognition Based on Triaxial
Accelerometer of Elderly People
1，2
2
WANG Cheng－liang ，WANG Xiao－jun
( 1ꢀ Key Laboratory of Dependable Service Computing in Cyber Physical Society，Ministry of Education College of
Computer Science，Chongqing University，Chongqing 400044，China; 2ꢀ Computer School，Chongqing University，Chongqing 400044，China)
Abstract: In the light of the motion type and characteristics of elderly people，we propose an approach which is based
on triaxial accelerometer and hidden Markov model( HMM) for activities recognition. Firstly，we extract standard deviation
( SD) ，energy，correlation coefficients，ratio forward( RAF) ，ratio vertical forward( RVF) as the features corresponding to
different and similar activities of elderly people. Secondly，we define the activities recognition model based on HMM for eld－
erly people. Finally，we use the Viterbi algorithm to recognize the activities for elderly people after the parameters are trained
by Baum－Welch algorithm. The experimental results shows that our approach is can be applied for daily activity recognition
of elderly people and the average recognition accuracy is 93ꢀ 3% ，specifically the accuracy of similar walking activities
is 93ꢀ 7% .
Key words: activity recognition; triaxial accelerometer; feature extract; hidden Markov model( HMM)
等
［2］使用基于图像的老
、
扰 保护隐私等优点
. Khan Z. A
1
引言
，
，
年人异常活动识别 能有效识别相异度大的活动 但相
身体活动及锻炼［1］正成为了糖尿病 骨关节炎等
似活动识别不理想
等
［3］提出的基于二进小波
、
. Assam，R
.
慢性疾病辅助治疗的重要手段之一 老年人的活动监
HMM
，
.
和
的识别方法 该方法能有效区分相似动作 然
、
测有助于医生或家人了解其活动规律 类型及运动量
，
.
而在区分轴向相关性强的活动上存在一定的缺陷
，
，
本文采用基于传感器技术进行活动识别 解决了
提高医生对健康评价的准确性 以制定更合适的康复
.
治疗策略
现有活动识别主要基于计算机视觉［2，3］ 及传感器
，
老年人活动的特有特征的选取及识别方法问题 通过
对比实验验证本文方法在老年人活动识别中的可行性
，
，
、
，
技术 前者利用图像技术 缺点是无法识别复杂活动 易
和准确度 同时也对比了不同传感器佩戴位置对活动
、
.
、
.
受干扰 侵犯隐私等 而后者则具有数据获取自由 抗干
识别精度的影响
: 2015－07－06;
: 2015－11－24;
:
收稿日期
修回日期
责任编辑 覃怀银
:
( No. 61004112) ;
( No. CDJZR12180006)
基金项目 国家自然科学基金资助项目
中央高校基本科研基金资助项目
571
3
:
第
期
汪成亮 基于三轴传感器的老年人日常活动识别
2
问题描述
2. 1
数据收集
ADXL345
．
三轴加速度传感器 传感器和
本文采用
PC
telosW
USB
的通讯方式是在离线状态下通过
1( c) ) ．
平台的
(
接口来上传数据 如图
所示 在对老年人日常活
动的模拟测试后发现活动的最大加速度值不会超过
6g，
± 8g
，
作为传感器的测量量程 同时采样频率
因此将
100Hz.
设置为
f
、t
、T
记 为采样频率 为窗口的时间长度
．
为相邻窗口的
o
重叠率
，A ～ A
从老年人日常活动集合中的活动类型来看
1
3
，A ～ A ， A
属于静态活动
、
则属于相似的步态活动 而
．
在
4
6
7
运动幅度 频率上均远大于其余活动 为了便于识别不
，
A
同的活动及对比相似步态活动的识别率 本文将 集合
: S = { A : standing，A : sitting，A : lying，A : run－
分为两类
ning} D = { A : walking，A : upstairs，A : downstairs} ．
1
2
3
7
和
4
5
6
［6］
等
Stephen J. Preece
、
的实验结果充分说明综合时 频
域特征相对于只使用时频特征在识别精度上有着巨大
2. 2
问题定义
．
，
优势 根据不同活动的特点及上述实验结论 本文提取
．
，
standing，sitting，ly－
经统计 典型日常活动主要有
［4］
的特征值如下所示
ing，walking，upstairs，downstairs，running
7
，
对于
等
种
:
．
标准差 标准差反映了数据的离散程度 人在静态
jumping，bicycling，swim－
老年人来讲通常不会进行如
ming
，
，
时标准差几乎为零 而在运动时标准差总是远大于零
．
A = { A : standing，
等的剧烈运动 因此定义集合
1
．
因此标准差是识别静态与动态活动的一个重要特征
A : sitting，A : lying，A : walking，A : upstairs，A : down－
2
3
4
5
6
( SD)
( 1)
:
所示
N
标准差
定义如式
stairs，A : running}
．
表示老年人的日常活动集
7
:
d =
问题定义 已知某时间段的加速度数据序列为
1
2
¯
SD =
( x － x)
( 1)
∑
i
N
■
( d ，d ，d ，…，d ) ，
其中
d = ( x ，y ，z )
t
为
时刻的加
i = 1
1
2
3
m
i
i
i
i
i
¯
N
，x
，x
i
为第 个样本
．
其中 为样本数 为均值
， t ＜ t ＜ t ＜ t ．
速度数据 且
如何根据可测量的加速度
i
1
2
i
m
:
，
能量 为了反映不同活动在频率上的差异 本文采
数据序列推断出该时间段内人体最可能进行的活动序
*
( FFT)
用快速傅里叶变换
方法将信号从时域变换到频
A
= { A ，A ，A ，…，A } ，
其中
A
A．
∈
列
1
2
3
n
i
．
(
)
域然后计算信号能量 频域能量 能量 在总体上反映
，
针对上述活动识别问题 本文提出的识别方法如
．
了整个信号的强度 能量
( Energy)
N
( 2)
:
定义如式
所示
2
: ( 1) ; ( 2)
图
所示
将原始信号划分为训练集和测试集
、
、
对原始信号进行简要的滤波 分段预处理后选择时域
频域或者时频域上的特征量来表示分段窗口信号特
; ( 3)
个
2
Energy =
| x |
i
( 2)
∑
i = 1
N
其中 为样本数
，x
i
为第 个
FFT
．
系数
i
k
征
将所有窗口的特征向量应用聚类算法形成
:
，
极峰值 在下楼时重力势能转换为动能 使得垂直
，
k
; ( 4)
子类 这 个子类标号作为模型的观测值
使用
模型
-
．
方向加速度信号的峰 峰值大于上楼时的值 定义极峰
Baum－Welch
HMM
算法对不同传感器佩戴位置的
-
．
值为垂直方向信号的峰 峰值 利用这个特征作为正常
，
; ( 5)
Viterbi
进行参数训练 得到参数 λ
使用
算法对活
、
．
( Amp)
( 3)
上 下楼的一个判断条件 极峰值
定义如式
．
动进行识别
:
所示
3
识别框架
Amp = max( V) ꢁ min( V)
( 3)
max( V) 、min( V)
、
分别为垂直方向信号的最大 最
其中
小值
3. 1
特征提取
．
，
由于原始数据会包含随机噪声 在进行特征提取
前须使用移动平均滤波器［5］进行滤波 为了便于数据
:
，
．
．
相关系数 通常平地的运动 只涉及到前进方向 而
，
．
、
对于上下楼活动来讲则明显的在前进 垂直方向均有
处理及特征的提取 需对原始数据进行分段操作 本文
相关下载
- 华为模块电源管理设计指导-(V100R001_02 Chi...
- 华为LGA模块PCB设计指导_V2.0_20150126.pdf
- HUAWEI Module USB Interface Descriptor Gui...
- HUAWEI ME909s-821 LTE LGA模块硬件指南V100R...
- HUAWEI ME909s-821 LTE LGA Module Acceptanc...
- HUAWEI 30 mm x 30 mm LGA Module Hardware M...
- HUAWEI 30 mm x 30 mm LGA Module Developmen...
- Altium_Designer_规则设置三例.pdf
- STM32F407产品技术培训-DSP库及其例程
- STM32F407产品技术培训-2.浮点单元.pdf
全部评论(0)