一种基于加速度传感器的运动识别方法

摘要

本发明是一种基于加速度传感器的运动识别方法，属于人机交互技术领域，该方法首先采集传感器的加速度信号，在线的对加速度信号进行平滑处理，并自动的检测运动的起点和终点，分割出运动片段，实现信号的自动分割；为了提高识别准确率，本发明采用Fused隐马尔科夫模型算法作为分类器，在训练阶段对每个已知运动进行建模，并在识别阶段估计出当前信号表示的运动；为了能够在每个运动完成之前给出识别结果，本发明采用一个自回归的预测模型，用已经采集到的已知数据对未知数据进行预测，从而达到提前识别的效果。本发明的特点是通过少量传感器捕捉人体运动，并快速准确的识别出当前人体的运动类别。

主权项

一种基于加速度传感器的运动识别方法，其特征在于该方法步骤如下：步骤(1)、在线的对加速度信号进行自动分割：在线的对加速度信号进行滤波分割处理，并筛选得到分割点，保证识别过程能够在线进行，增强交互感；步骤(2)、将分割完成后的信号片段中加速度信号表达的运动信息分成两部分，训练基于Fused隐马尔科夫模型的分类模型，使用隐马尔科夫模型分别对每部分运动信息进行建模，再利用概率混合模型将两个模型进行关联；步骤(3)、利用一阶自回归模型，通过已知的数据来预测未知的数据；并根据隐状态和观察值之间的关系，将预测关系表达成隐状态和观察值之间的一个概率转移；步骤(4)、将待识别的运动数据带入到带有预测能力的Fused隐马尔科夫模型中进行估值操作，给出最后的识别结果；所述步骤(1)中在线的对加速度信号进行分割的步骤具体如下：步骤(A1)、应用递归最小二乘法预测滤波器对加速度运动信号进行处理；设置递归最小二乘法自适应滤波器作为预测滤波器，调整延迟，滤波器阶数，遗忘因子，动态的更新滤波器系数因子，滤波器公式如下：$\hat{d}\left(n\right)=\underset{k=0}{\overset{p}{\Sigma }}{\omega }_n\left(k\right)x(n-k)=w_n^{T}X\left(n\right)---\left(1\right)$表示期望预测得到的第n帧数据，X(n)＝[x(n)x(n‑1)...x(n‑p)]^T表示之前最近的p帧数据，w_n＝[ω_n(0) ω_n(1) ...ω_n(p)]^T表示权重系数，p表示滤波器的阶数，上面(1)式表明第n帧数据是由前面p帧数据预测得到的，通过上式可以训练求得滤波器的系数因子w_n；步骤(A2)、当预测信号和原始信号明显不同时，说明存在不稳定点，分析得到的不稳定点，筛选得到分割点；计算两个相邻滤波器系数向量的欧氏距离，并保存为误差向量e(n)e(n)＝||w(n)‑w(n‑1)||²   (2)w(n)表示通过RLS算法计算得到的第n时刻的滤波器系数向量，将得到的误差向量与预先定义的阈值相比较，超过阈值的点保存为初步分割点集,psb＝[a₀,a₁,a₂,...,a_l]，其中a₀＝0，l为初步分割点的个数，设定一个最短信号长度值(L_min)，将psb中每个元素和L_min作比较，如果a_i‑a_i‑1＞L_min，(a_i表示psb中的第i个初步分割点，0≤i≤l)，将a_i保留作为不稳定点并继续检验下一个元素，如果a_i‑a_i‑1≤L_min，则删除掉a_i，继续检验下一个元素，最后psb中余下的点即为有效分割点；所述步骤(2)训练基于Fused隐马尔科夫模型的分类模型的步骤具体如下：步骤(B1)、对每一类运动分别采集手部和脚部的加速度信息，对每一部分分别训练出隐马尔科夫模型HMM1和HMM2；步骤(B2)、解码出HMM1和HMM2的隐状态序列S₁和S₂，分析运动的特征，选定一个主模型和一个辅助模型；步骤(B3)、将两个隐马尔科夫模型通过一定的概率分布关系，建立融合，将主模型的隐状态序列和辅助模型的观察值序列建立关联；所述步骤(3)中一阶自回归模型的训练步骤如下：步骤(C1)、设定回归参数和初始值；回归方程形式如下：O_t＝A(s,s')+B₁(s,s')O_t‑1+...+B_p(s,s')O_t‑p+E_t   (4)O_t表示t时刻的信号数据，作为观察值，上式表明第t帧的数据是由之前的p帧数据预测得到的，p表示回归阶数，A(s,s')和B(s,s')是对应s,s’两个状态的回归系数，E_t为高斯误差函数；步骤(C2)、对每一类运动，采用期望最大化算法，迭代的训练出预测模型，得到模型的参数；训练过程就是迭代的修改A(s,s')、B(s,s')和E_t的值，使得训练样本序列拟合模型的概率最大；所述步骤(4)带有预测能力的Fused隐马尔科夫模型的识别过程步骤如下：将待识别的加速度运动信息带入到训练好的模型中进行估值操作，计算其拟合每一个已知模型的概率，并将拟合度最高的模型表示的运动类别当作最终的识别结果；具体分为以下几个阶段：第一阶段：在线的采集传感器上的信号，并用步骤一中提到的方法自动的进行分割点检测，确定运动的起点和终点；第二阶段：在运动开始后的时刻t开始，根据之前的信号序列，向后对未知的信号进行预测，每次预测采用如下的回归方程：O_t＝A(s,s')+B₁(s,s')O_t‑1+...+B_p(s,s')O_t‑p+E_t连续预测若干次，得到序列q；第三阶段：将信号序列q带入到已训练好的Fused HMM模型中，使得如下公式值最大的HMM模型所对应的运动类别，即为最后的识别结果，$p(O_1,O_2)=p\left(O_1\right)p\left(O_2\right|S_1)=p\left(O_1\right)p\left(O_2\right)\frac{p(S_1,O_2)}{p\left(S_1\right)p\left(O_2\right)}---\left(5\right)$O₁和O₂分别对应手部和脚部的加速度数据序列，p(O₁，O₂)表示该运动拟合所带入的Fused HMM模型的概率。