基于信號處理的運動模型建立與識別

第2頁，共21頁基于信號處理的運動模型建立與識別摘要：根據(jù)人行為動作的特點，本文提出了一種基于加速度信號幾何特征的層次識別算法以識別人的12種運動狀態(tài)，所分析的數(shù)據(jù)由綁在人體胯部的加速度和角速度傳感器在實際環(huán)境中采集。該算法利用加速度信號的幾何特征（波峰波谷值，周期，對稱性）以及數(shù)據(jù)分布，所選取的特征對個人依賴較小，識別的過程采用了分層識別算法，該算法識別速度快，準確率高，在模型檢驗中取得了較好的效果，識別正確率除向前走、上下樓以外，在85%以上。本文首先根據(jù)運動學和生物學特征對十二種運動狀態(tài)建立物理模型，先依據(jù)運動劇烈程度利用加速度平均值和平均差分為靜止，輕度運動，重度運動三大類，然后再利用動作加速度、角速度信號的幾何特征：周期，信號的波峰波谷，對稱性，并通過數(shù)據(jù)特征：即加速度的四分位差，離散系數(shù)等值對于動作進行精細識別。為了提取信號特征，要對數(shù)據(jù)進行預處理，利用MATLAB的小波分析箱濾除噪音和抖動。在本次模型的建立中，我們利用了小波分析，傅里葉頻譜分析等強大的數(shù)學分析工具使得數(shù)據(jù)特征更加明顯易于判斷，同時利用分類討論逐級判斷的思想使得狀態(tài)判斷方法更加優(yōu)化，利用統(tǒng)計學知識對于龐大的數(shù)據(jù)進行處理，分析，說明。結(jié)合生物學運動學知識使得區(qū)分知識更加符合實際。 關鍵詞：運動模型小波分析狀態(tài)識別問題重述1．問題背景隨著人們生活節(jié)奏和生活方式的變革，人們越來越關注于如何測量日常生活中的運動及所消耗的熱量。通過在規(guī)定的十二種不同狀態(tài)下（睡，坐，站，向左走，向右走，向前走，跑，跳，走路上樓，走路下樓，坐電梯上樓，坐電梯下樓）記錄手機的多種傳感器（加速度，陀螺儀）數(shù)據(jù)，從而可以獲得用戶在不同時段的運動信息，進而計算運動消耗的熱量。2．提出問題問題一：根據(jù)附件提供數(shù)據(jù)，建立在十二種狀態(tài)下，人的主要部位運動的物理模型，并判斷模型與數(shù)據(jù)的一致性。問題二：根據(jù)建立的模型，設計盡可能準確的算法，針對附件中的已知和未知的數(shù)據(jù)，對運動中用戶的傳感器數(shù)據(jù)進行分類，判別傳感器數(shù)據(jù)屬于狀態(tài)之中的哪一種，給出你的判別準確率。8坐被測試者在座椅上休息或工作9站立被測試者站立與他人交談10睡覺被測試者在躺在床上或睡眠11乘電梯(上)被測試者乘電梯上升12乘電梯(下)被測試者乘電梯下降 如表格所示，測試數(shù)據(jù)表示了被測試者在日常環(huán)境下處于幾種基本運動狀態(tài)下的運動數(shù)據(jù)。USC-HAD人體運動數(shù)據(jù)的測試結(jié)果采集了人在日常條件下從事常見的基本活動時在智能手機的常見佩戴位置可以獲得的典型數(shù)據(jù)，在對人的日常運動建模中具有代表意義。不同類型的體力活動引起加速度數(shù)據(jù)的分布情況不同，不同動作的強度差異會體現(xiàn)在加速度數(shù)據(jù)的分布中心和離散程度上。通過對各個運動加速度和角速度的對比分析建立相應的物理模型。由于運動檢測裝置放在前髖部，考慮全身的運動狀態(tài)沒有意義，所以這里所建立的物理模型主要分析髖部的運動。根據(jù)運動狀態(tài)強度差異，把十二種運動狀態(tài)初步分類，分為靜止，輕度運動，重度運動三種運動狀態(tài)，靜止運動包括站立、坐、睡、上下電梯；輕度運動狀態(tài)包括上下樓、左右轉(zhuǎn)、向前走；重度運動包括向前跑、跳；其次，對各個大類的每種運動進行詳細分分析，以建立準確的物理模型。靜止站立現(xiàn)在我們來分析站立這種運動狀態(tài)。由于站立時前髖面豎直向下，故傳感器所測得的加速度只是重力方向的加速度，沿x軸向下；傳感器不會發(fā)生旋轉(zhuǎn)，故三個平面角速度為0。（如圖2,3）圖2，站立時的三維加速度(從上往下依次為x,y,z軸)圖3，站立時的三維角速度(從上往下依次為y0z，x0z，x0y平面)另外，由于站立運動狀態(tài)包含了與別人交談以及輕微的動作，因此圖像可能會出現(xiàn)波紋。利用Matlab小波分析工具箱，得到重構(gòu)尺度為4時的豎直方向上的高頻分量，即前髖面上的傳感器檢測到的波動變化。圖4，小波處理后坐姿的高頻分量（x:時間；y:一維矢量加速度）坐當人處于坐的運動狀態(tài)時，前髖面基本向下但向后傾斜，解剖學表明：前髖面與x軸夾角在20°到50°之間；由此算得的重力加速度在x軸加速度分量在0.64~0.94g之間。（如圖5,6）圖5，坐時的三維加速度(從上往下依次為x,y,z軸)圖6，坐時的三維角速度(從上往下依次為y0z，x0z，x0y平面)且由于坐姿相對于站姿更有支撐，其傳感器抖動更小，小波分析后高頻圖像應當比站立更小。（如圖7，注意到其縱軸波紋數(shù)量級為0.01級，而站立波紋數(shù)量級為0.0001級）圖7，小波處理后坐姿的高頻分量（x:時間；y:一維矢量加速度）睡分析睡覺運動狀態(tài)可知，前髖骨與水平面夾角大于50°，由于不同人的睡眠習慣不同，故髖骨與x軸的夾角會有很大不同，但其x軸上的重力加速度分量明顯小于1g，故把加速度<0.64g(夾角大于坐狀態(tài))均定義為睡覺。（如圖8,9）圖8，睡時的三維加速度(從上往下依次為x,y,z軸)圖9，睡時的三維角速度(從上往下依次為y0z，x0z，x0y平面)上下電梯上下電梯運動狀態(tài)與站立運動狀態(tài)基本一致，但根據(jù)在電梯里的超重失重過程，在x軸方向上的加速度，上電梯會經(jīng)歷先出現(xiàn)先大于1g，后接近于1g，后小于1g的過程，而下電梯正好相反，加速度先小于1g，后接近于1g，后大于1g。通過小波處理，得到重構(gòu)尺度為4時的豎直方向上的低頻分量，即濾去噪聲以后的加速度變化圖（如圖10，11），可以很好的印證該狀態(tài)的變化。圖10，小波處理后上電梯的低頻分量（x:時間；y:一維矢量加速度）圖11，小波處理后下電梯的低頻分量（x:時間；y:一維矢量加速度）輕度運動向前走、走路上樓、走路下樓人體的步行過程是一種人體通過髖、膝、踵、足等一系列連續(xù)活動，使身體沿一定方向移動的過程。步行過程一般具有穩(wěn)定的周期和穩(wěn)定的中心變化，是一種比站立狀態(tài)更加劇烈而比跑步狀態(tài)更平緩的運動狀態(tài)。圖12步行、跑步圖12步行、跑步、站立時的加速度矢量變化和分布由于步行狀態(tài)下人的重心趨于平穩(wěn)，步行狀態(tài)下人的加速度狀態(tài)可以由人在x,y,z三個方向上加速度的矢量和來表示。步行、跑步和站立時的矢量和對比如圖12所示。根據(jù)數(shù)據(jù)采集，步行狀態(tài)下的加速度矢量和體現(xiàn)出在-1g~+2g平緩變化的規(guī)律；步行的頻率根據(jù)不同對象和不同步行方式，分布在0.6Hz~2Hz之間。利用以上步行所體現(xiàn)出的規(guī)律，根據(jù)傳感器數(shù)據(jù)可以比較好地識別人的步行過程。人的上下樓梯的動作以步行為基礎加速度矢量的分布范圍與步行類似，但是由于上、下樓梯時人會產(chǎn)生周期性的上/下加速，運動的穩(wěn)定性明顯減小。人在上下樓梯時的運動規(guī)律在數(shù)據(jù)上的體現(xiàn)主要是加速度矢量的分布和Z軸旋轉(zhuǎn)速度的變化。(如圖13)圖13，上/下樓梯時加速矢量的變化和分布上下樓梯時的加速度矢量分布比步行時的加速度分布矢量更加集中，根據(jù)加速度矢量的數(shù)據(jù)方差可以比較好地區(qū)分步行和上/下樓梯的運動過程。另外三者峰谷值有很大的不同。步態(tài)研究表明，正常行走時，在每個步態(tài)周期內(nèi)，垂直重力會呈現(xiàn)雙峰型。類似的，行走加速度曲線在每個步態(tài)周期呈現(xiàn)兩個明顯的波峰和一個波谷，且兩峰值相差不大;上樓加速度曲線中，步態(tài)周期中的第二個波峰下移，與行走波形呈現(xiàn)明顯差異;下樓加速度第二個波峰不明顯，甚至消失。（如圖14）圖14，向前走與上下樓的加速度變化圖向左轉(zhuǎn)、向右轉(zhuǎn)向左右轉(zhuǎn)狀態(tài)基本與向前走狀態(tài)一致，只是由于轉(zhuǎn)了一個很大的角度，因此ωx在時間上積分θx比較大。左轉(zhuǎn)兩圈θx至少大于360。，右轉(zhuǎn)兩圈θx小于重度運動跑跑這一運動狀態(tài)的一維合成矢量加速度由于包含了重力方向和前進方向的兩個加速度，故應當明顯大于1g。跑的加速度變化較快，因此加速度比較離散，且圖像較為對稱。（如圖15）圖15，跑時的一維加速度跳一般意義上的跳指的主要是頻率比較慢的單腳跳，雙腳跳。由于原地上下跳沒有發(fā)生位移，故平均加速度較小。且起跳有一個蓄力過程，然后突然爆發(fā)，因此圖像中波谷較寬且比較平緩，波峰尖而大，顯得不對稱。相對于跑步，加速度變化頻率更大，數(shù)值更為不集中。（如圖16）圖16，跳時的一維加速度2．運動狀態(tài)識別初步區(qū)分根據(jù)上述各個物理模型的特征，可以得知，不同類型的運動，其加速度數(shù)據(jù)的分布情況不同。利用加速度，可以對運動狀態(tài)進行初步區(qū)分。為了濾除采集裝置姿態(tài)對采集到的人體加速度的影響，將三維加速度數(shù)據(jù)合成一維加速度矢量。該矢量表示人體運動時的加速度，能夠準確描述人體整體運動變化。用ax、ay、azA=求得A之后，利用平均差，初步區(qū)分運動的劇烈程度。平均差，即各變量值與其平均數(shù)離差的絕對值。以平均數(shù)為中心，反映了每個數(shù)據(jù)與平均數(shù)的平均差異程度，全面準確地反映一組數(shù)據(jù)的離散狀況，即運動的劇烈程度。其值越小，數(shù)據(jù)的離散程度越小，運動越平緩（如圖）。計算公式為:M根據(jù)所給數(shù)據(jù)的前兩組數(shù)據(jù)（如表1）以及一般活動的加速度平均差，定義MA<0.1為靜止狀態(tài)，0.1<MA<0.5為輕度運動狀態(tài)，組別次數(shù)靜止輕度運動重度運動坐上電梯向前走上樓跑跳110.00220.02560.31840.19280.78331.022920.00570.02300.26100.18980.71350.970430.00170.02620.27360.21330.74440.991640.00170.02710.26690.27140.66380.993150.00370.02330.31660.24830.74150.9275210.00720.02530.39300.22190.65791.038220.01120.02470.36780.22820.67761.137530.00460.02030.37220.20720.75341.106640.01210.02430.36180.30680.77271.103050.00230.02570.38360.19140.76191.1093（MA單位：g表1靜止狀態(tài)區(qū)分在靜止狀態(tài)中，站立、坐、睡中傳感器加速度基本保持不變；而在上下電梯狀態(tài)中，在電梯啟動或停止的過程中加速度卻明顯改變。根據(jù)該特性，可以用四分位差加以識別：四分位差，上四分位數(shù)與下四分位數(shù)之差。四分位差反映了中間50%數(shù)據(jù)的離散程度，且不受極值的影響（可以排除站立、坐、睡狀態(tài)下的突然抖動）。其數(shù)值越小，說明中間的數(shù)據(jù)越集中。計算公式為:Ｑ站立、坐、睡三個狀態(tài)下，理論上ＱA=0，但是由于抖動等影響，會造成5%左右的波動，故?。袮<0.05站立、坐、睡三種狀態(tài)，則由x軸上加速度ax的大小識別：ax>0.940.64<ax<0.94ax<0.64而上電梯和下電梯，由于外界在x軸上有明顯加速度變化，可以根據(jù)加速度極大值和極小值的出現(xiàn)順序準確識別。上電梯狀態(tài)中極大值在前，下電梯狀態(tài)中極小值在前。輕度運動狀態(tài)區(qū)分在輕度運動狀態(tài)中，左右轉(zhuǎn)與其他狀態(tài)的三軸加速度分布基本一致，只能通過y0z平面上轉(zhuǎn)過的角度加以區(qū)分。已知該平面的角速度ωx和測量頻率100Hz，可以通過求和逼近近似得到角度θθ一般而言，向前走的θx<360。,左轉(zhuǎn)θx>360。,右轉(zhuǎn)θx<-36上下樓和向前走是區(qū)分的難點，其加速度、角速度的基本特征比較相似，區(qū)分相對比較復雜，由于上下樓梯時x軸的加速度較小不足以作為分辨依據(jù)。在判斷人上/下樓梯的過程時我們以z軸向的旋轉(zhuǎn)速度作為判斷標準。 z軸的旋轉(zhuǎn)速度體現(xiàn)了人在上/下樓梯運動時右腿大腿的運動過程。從數(shù)據(jù)上來看，人在下樓梯時前腳下降到觸地之間會在后腳大腿上產(chǎn)生明顯的加速度。如圖17所示，在z軸的旋轉(zhuǎn)速度在下樓時會產(chǎn)生明顯的1Hz左右的周期性高頻振動。通過對z軸旋轉(zhuǎn)速度的信號進行衰減和高通濾波之后可以明顯地看出下樓梯時z軸上的周期性變化，而在上樓梯時該周期性變化并不明顯。圖17上/下樓梯時z軸旋轉(zhuǎn)速度變化對比同時，根據(jù)加速度的物理模型，可以得知上樓數(shù)據(jù)分布較對稱，且在1g附近有較多分布;下樓動作數(shù)據(jù)分布明顯不對稱，偏向大于1g的一側(cè)，且在小于1g范圍內(nèi)較多分布;向前走加速度數(shù)值以1g為中心，兩側(cè)數(shù)據(jù)呈對稱分布，在1g附近分布較少。重度運動狀態(tài)區(qū)分重度運動狀態(tài)中，由于跑和跳的加速度在平均值、離散程度、集中情況這些方面有明顯區(qū)別，可以根據(jù)A、vＡA，即加速度的平均數(shù)，A<1.4g為跳，AvＡ，即加速度的離散系數(shù)，表示一組數(shù)據(jù)的標準差與其相應的平均數(shù)之比。離散系數(shù)消除了變量值的水平高低對離散程度測度的影響，可以用于比較不同樣本數(shù)據(jù)的離散程度。計算公式為v跑的離散程度較大，故離散系數(shù)vＡ較大，跳的離散程度較小。根據(jù)經(jīng)驗以及大量統(tǒng)計數(shù)據(jù)綜合確定以0.8為區(qū)分，則當vＡ<0.8時為跑，ＱA，即加速度的四分位差，ＱA根據(jù)上述三個情況，加以綜合判斷，以減小誤差。若有兩個及以上特征為跑則該狀態(tài)為跑，其余情況則為跳。通過以上方法，建立Matlab程序，并對余下的每種狀態(tài)的60組數(shù)據(jù)加以識別，得出準確率情況如下：向前走：66.7%；向左轉(zhuǎn)：100%；向右轉(zhuǎn)：100%；上樓：68.3%；下樓：70%；跑：86.7%;跳：86.7%；坐：95%；站：98.3%；睡：98.3%；上電梯：98.3%；下電梯：96.7%?？梢缘贸觯松舷聵羌跋蚯白咄?，其他運動的準確率3．未知狀態(tài)的判斷用該方法判斷未知類型情況如下：Unknown1：MA=0.0545，為靜止狀態(tài)；axUnknown2：MA=0.0423，為靜止狀態(tài)；ax=0.5608，為Unknown3：MA=0.3365，為輕度運動狀態(tài)；θx=-719.1Unknown4：MA=0.0259，為靜止狀態(tài)；ＱA=Unknown5：MA=0.3783，為輕度運動狀態(tài)；θx=-20.5。Unknown6：MA=0.0744，為靜止狀態(tài)；ＱAUnknown7：MA=0.4049，為輕度運動狀態(tài)；θx=Unknown8：MA=0.0713，為靜止狀態(tài)；ax=1.0105且，為站立狀態(tài)；Unknown9：MA=1.1151，為重度運動狀態(tài)；A=1.3588，ＱAUnknown10：MA=0.3556，為輕度運動狀態(tài)；θx=-61.8。且加速矢量分布均勻Unknown11：MA=0.2325，為輕度運動狀態(tài)；θx=-8.1。Unknown12：MA=0.9124，為重度運動狀態(tài)；A=1.5952，ＱAUnknown13：MA=0.0515，為靜止狀態(tài)；ax=1.0623且Ｑ，為站立狀態(tài)；Unknown14：MA=0.0647，為靜止狀態(tài)；ax=1.0148且ＱA，為站立狀態(tài)；Unknown15：MA=0.9320，為重度運動狀態(tài)；A=1.4104，ＱAUnknown16：MA=0.4048，為輕度運動狀態(tài)；θx=1148.Unknown17：MA=0.6851，為重度運動狀態(tài)；A=1.1752，ＱAUnknown18：MA=0.3327，為輕度運動狀態(tài)；θx=Unknown19：MA=0.2348，為輕度運動狀態(tài)；θx=165.0。且衰減后明顯存在1Hz左右的高頻信號Unknown20：MA=0.2212，為輕度運動狀態(tài)；θx=（如表2）Unknown狀態(tài)1坐2睡3向右轉(zhuǎn)4下電梯5向前走6上電梯7向左轉(zhuǎn)8站立9跳10向前走11上樓12跑13站立14站立15跳16向左轉(zhuǎn)17跑18向右轉(zhuǎn)19下樓20向右轉(zhuǎn)表2六、模型優(yōu)缺點1．優(yōu)點能較為準確的識別12種運動狀態(tài)識別方法較為簡單可行各運動狀態(tài)的物理模型較為詳盡