楊葉梅,朱秀娥

（福建師范大學協(xié)和學院信息技術(shù)系,福建福州 350117）

越來越多的各類微型傳感器被嵌入到便攜式可穿戴的電子設(shè)備中,實現(xiàn)動作識別、身份驗證、患者治療等,成為當前最具有吸引力的研究課題之一[1].目前,各類動作的不同復(fù)雜性和周期性等決定所需傳感器的位置、數(shù)量和識別的方法,存在對于相似動作識別精度不高的情況.近些年出現(xiàn)了許多的識別方法,Pu等[2]人提出了使用基于無線網(wǎng)絡(luò)多普勒效應(yīng)的動作應(yīng)用系統(tǒng)實現(xiàn)智能家居.Wang 等[3]通過設(shè)計運動映射圖將人體動作識別問題轉(zhuǎn)換成圖像分類問題.Schwarz等[4]采用MEMS慣性傳感器對手部動作進行識別,用于醫(yī)生與電腦的人機操作.手臂動作的識別可以用于手機解密、舞蹈動作識別、交通指揮等,需要在動作識別上考慮到識別的準確度和時間消耗.本系統(tǒng)采用AdaBoost算法[5]進行對動作的識別分類,該算法在解決實際問題時非常有效,成為研究的熱點,也衍生出許多對算法的改進.一些是將該算法與其他算法結(jié)合以提升AdaBoost算法的識別精度[6],一些是在AdaBoost算法的訓(xùn)練過程提升算法的魯棒性[7].本文針對現(xiàn)有的方法,選擇在AdaBoost算法中對弱分類器的樣本權(quán)值進行更新,加入動態(tài)權(quán)值以提高對整個訓(xùn)練集的分類能力.將原算法中弱分類器的權(quán)值系數(shù)和改進算法中計算的動態(tài)權(quán)值系數(shù)加以組合,形成一個強分類器,提高其在數(shù)據(jù)集上識別的準確性和適應(yīng)性.

1 系統(tǒng)結(jié)構(gòu)

該動作識別系統(tǒng)采用的是一款適用于人體運動和移動物體測量的9軸（3軸加速度,3軸角速度,3軸地磁力）無線運動傳感器IMUZ-Z2.本設(shè)計主要使用的數(shù)據(jù)是三軸加速度和三軸角速度.這款設(shè)備體積小、性能高,可以進行動態(tài)的高精度測量.該傳感器的實物如圖1所示.

圖1 IMUZ傳感器實物

實際應(yīng)用時,傳感器模塊加載到可穿戴式的設(shè)備中,方便測試者佩戴.本文是設(shè)計一款便攜式的運動手環(huán),手臂動作按照特定的順序模式,通過傳感器IMUZ模塊進行非均勻采樣動作的6D數(shù)據(jù)信息.傳感器數(shù)據(jù)按照“時間戳 加速度傳感器X軸的值 加速度傳感器Y軸的值 加速度傳感器Z軸的值 陀螺儀傳感器X軸的值 陀螺儀傳感器Y軸的值 陀螺儀傳感器Z軸的值”的格式進行傳輸.手臂動作識別部分分為數(shù)據(jù)預(yù)處理和手臂動作的分類識別,最后輸出識別的結(jié)果.系統(tǒng)整體的設(shè)計框架結(jié)構(gòu)如圖2所示.

圖2 手臂動作識別系統(tǒng)框架圖

2 數(shù)據(jù)預(yù)處理

2.1 均勻化

系統(tǒng)在具體運行時只需要傳感器在檢測數(shù)值發(fā)生變化時才返回采樣數(shù)據(jù),沒有固定的采樣間隔.如果直接采用均勻化采樣方式,其采樣的頻率不易設(shè)置,太高會造成數(shù)據(jù)冗余,太低會造成數(shù)據(jù)不準確.實行非均勻化采樣數(shù)據(jù)更能保證傳感器數(shù)據(jù)的真實性和可靠性.但采用非均勻化采樣的數(shù)據(jù)間隔不均勻,系統(tǒng)不能直接使用,需要將采集的數(shù)據(jù)轉(zhuǎn)化為均勻采樣的數(shù)據(jù)才可以進行識別.本設(shè)計對傳感器每個軸上的數(shù)據(jù)都采用線性插值法,完成數(shù)據(jù)均勻化處理.

2.2 濾波

均勻化后的傳感器數(shù)據(jù)會有干擾信號,本設(shè)計采用滑動窗口的濾波法進行平滑濾波,可以良好抑制干擾信號,使其更接近真實值.滑動窗口的寬度越寬則數(shù)據(jù)的完整性越低,但是濾波的效果越好；寬度越窄則濾波效果越差,但是數(shù)據(jù)的完整性越高.為了保證數(shù)據(jù)的完整性和濾波效果,可以調(diào)整滑動窗口到適合寬度再濾波.

2.3 分割

預(yù)處理的最后一步是對傳感器的數(shù)據(jù)進行分割,采用滑動窗口的分段方法得到若干段的手臂動作.常見的分段方式按照窗口長度分為固定長度、非固定長度和半固定長度.本文選擇半固定的窗口長度,利用動態(tài)窗口進行手臂動作的分割.具體方法是先統(tǒng)計樣本中所占比例最大的數(shù)據(jù)段長度,選擇前面M個,分段時和這M個長度的數(shù)據(jù)段進行匹配,擇優(yōu)確定M值.樣本值不同則M值也會變化,M越大分銷效果越好,但耗時長,M越小耗時短但效果受影響.

3 動作的識別

數(shù)據(jù)做完預(yù)處理后,就可以開始進行手臂動作的識別.本文選擇將AdaBoost算法中的弱分類器的權(quán)值系數(shù)進行動態(tài)調(diào)整,提高分類識別的準確性和適應(yīng)性.

3.1 經(jīng)典的AdaBoost算法

Adaboost是一種迭代的自適應(yīng)增強算法,先用相等的權(quán)值系數(shù)初始化所有的訓(xùn)練數(shù)據(jù).該算法會持續(xù)加入新的弱分類器直到達到預(yù)先設(shè)定的某個足夠小的錯誤率.在每次加入新的分類器進行不斷迭代的過程中,前一個弱分類器被錯誤分類的樣本權(quán)值會增大,正確分類樣本的權(quán)值會減小,最后會訓(xùn)練出一個由若干個弱分類器通過線性組合的強分類器.

具體的算法流程如下：

1）輸入：訓(xùn)練數(shù)據(jù)集W={(x1,y1),(x2,y2),…,(xn,yn)},其中yn是屬于正負樣本,正樣本取值y為1,負樣本取值y為-1.

2）對樣本W(wǎng)1=(w1,1,w1,2,…,w1,n)進行權(quán)重初始化,分布值 w1,i=(i=1,2,…,n).

3）For t=1,…,T

a) 針對具有權(quán)重分布的Wt訓(xùn)練集,選擇具有最小錯誤率的作為該算法進行循環(huán)的弱分類器ht.

b) 計算ht在訓(xùn)練集上的加權(quán)錯誤率et∶

c) 計算弱分類器ht的加權(quán)系數(shù)at：

d) 重新更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布,再進行下一輪的迭代.

3.2 改進的AdaBoost算法

改進的算法主要是將弱分類器的權(quán)值系數(shù)實現(xiàn)動態(tài)調(diào)整,獲得訓(xùn)練樣本W(wǎng)在經(jīng)典AdaBoost算法中所有的弱分類器和對應(yīng)的權(quán)值系數(shù)αt,然后計算各個弱分類器對待測樣本周圍多個訓(xùn)練樣本的分類準確率βt,將每個弱分類器的權(quán)值系數(shù)改為αt×βt,其中t的值從1到T（T為分類器的個數(shù)）.將改進了權(quán)值系數(shù)的新算法稱為動態(tài)權(quán)值系數(shù)的AdaBoost（Dynamic Weights AdaBoost,以下簡稱DWAdaBoost）算法.

要計算改進算法中動態(tài)權(quán)值的βt,采用余弦度量相似性的局部敏感哈希(LSH)方式[8]去尋找待測樣本的近鄰點,耗時要比采用歐式距離短許多.高維相鄰的數(shù)據(jù)經(jīng)哈希映射到低維空間仍相鄰的概率很高,將待測樣本M利用LSH方式哈希到一個桶中,則該桶中的其他數(shù)據(jù)則是待測樣本的近鄰樣本,這些數(shù)據(jù)構(gòu)成新的測試集D.接著將每個弱分類器對D進行分類測試,以定量各個弱分類器與M的適應(yīng)性,最后將其分類的準確率作為預(yù)測M的動態(tài)權(quán)值系數(shù)β：

計算動態(tài)權(quán)值系數(shù)β時,為兼顧DW-AdaBoost算法的分類精度和耗時,不需要精確查找最近鄰,而是將哈希表尺寸設(shè)置為經(jīng)驗值：

DW- AdaBoost算法在經(jīng)典的AdaBoost算法完成迭代計算的第3)步后,得到所有的T個弱分類器 H={h1,h2,…,hT}；

動態(tài)系數(shù)的計算過程如下：

1) 利用LSH方式從訓(xùn)練集中去尋找與待測試的樣本相似的多個樣本組成新的測試集D.

2) For i=1,…,T

用弱分類器hi分別對新的測試集進行分類測試,利用式子(5)計算對應(yīng)分類的動態(tài)權(quán)值系數(shù)β.

3) 加入動態(tài)權(quán)值系數(shù)β后,得到算法的最終分類器組合：

4 實驗與分析

4.1 實驗數(shù)據(jù)

本次實驗設(shè)定了兩類的動作樣本,分為簡單手臂動作樣本和復(fù)雜手臂動作樣本.簡單手臂動作（Simple Pose,簡稱SP）分別是向左揮、向右揮、向上揮、向下?lián)],復(fù)雜手臂動作（Complex Pose,簡稱CP）分別是切菜、拍籃球、拖地、翻書.將運動手環(huán)套在參與者的手臂上,一共收集了40名參與者的數(shù)據(jù),每名參與者完成簡單手臂動作和復(fù)雜手臂動作各20組,合計800個SP和CP樣本.將SP樣本隨機分成600個訓(xùn)練樣本和200個測試樣本,CP樣本做同樣處理.

4.2 實驗結(jié)果

本文將提出的DW-AdaBoost算法與經(jīng)典的AdaBoost算法和支持向量機SVM算法[9]進行比較.實驗中對SP和CP進行識別,三種識別方法所對應(yīng)的平均識別精度如圖3所示.

圖3 三種算法對CP和SP的識別精度統(tǒng)計對比圖

從實驗結(jié)果可以看出,對于簡單的手臂動作,三種算法識別率都是比較高的,對于復(fù)雜的手臂動作,效果最好的是本文改進的算法.表1給出了DW-AdaBoost算法在復(fù)雜手臂動作識別時的平均混淆矩陣.從中可以看出,對翻書的動作識別率是很高的,切菜的動作與拍籃球的動作混淆率高.

本文對簡單動作中的每個動作用上述三種不同的算法進行識別,手臂動作的識別結(jié)果都不錯.同時還對復(fù)雜動作中的每個動作類進行不同算法測試,統(tǒng)計出平均識別精度,實驗表明本文所提出的DW-AdaBoost算法都可以準確和穩(wěn)定地識別.具體統(tǒng)計結(jié)果如圖4所示.

表1 本文改進算法的平均混淆矩陣（%）

圖4 復(fù)雜動作的4個動作類的平均識別精度圖

從圖4的平均識別精度可以看出,對翻書這個手臂動作的識別效果比較好.系統(tǒng)在進行動作數(shù)據(jù)采集時,翻書動作的數(shù)據(jù)集分布有更明顯的局部特征,相似數(shù)據(jù)樣本更多.一個分類器對與待測樣本相似的數(shù)據(jù)有較好的分類能力,那么對待測數(shù)據(jù)同樣有較高的分類準確性.對于四個復(fù)雜手臂動作的識別,效果最好且比較穩(wěn)定的是本文的改進算法.

5 結(jié)論

本文利用IMUZ傳感器準確獲取手臂動作數(shù)據(jù),通過三個步驟：均勻化采樣數(shù)據(jù)-濾波去噪-分割手臂動作完成對數(shù)據(jù)的預(yù)處理.然后,詳細闡述AdaBoost算法,并在此基礎(chǔ)上加入能度量待測樣本與弱分類器適應(yīng)性的動態(tài)權(quán)值系數(shù),提出DW-AdaBoost算法的改進思路和步驟.經(jīng)實驗測試,DW-AdaBoost算法與SVM算法比較,在識別時間和準確率上均有優(yōu)勢,與經(jīng)典AdaBoost算法比較,花費時間差不多,但識別精度還是有所提高.