胡春生， 趙匯東

(1.寧夏大學 機械工程學院，寧夏 銀川 750021; 2.山西大學附屬中學，山西 太原 030006)

人體行為包含豐富的特征信息，人體運動信息能反映出人體運動狀況以及身體機能.人體行為識別的研究可為智能家居、醫(yī)療監(jiān)護、虛擬現(xiàn)實等領(lǐng)域提供技術(shù)支持.目前人體行為識別是利用可視化工具或慣性測量單元(IMU)內(nèi)置的運動傳感器檢測人體的運動行為，并針對各種姿態(tài)信息進行處理分析，實現(xiàn)對人體行為的判斷與識別.隨著智能可穿戴設(shè)備的智能化和普及化，大部分的設(shè)備均內(nèi)置了方向、陀螺儀、加速度等多種傳感器，各種應(yīng)用的發(fā)展為記錄并儲存運動數(shù)據(jù)提供便捷.智能可穿戴設(shè)備較傳統(tǒng)慣性測量單元設(shè)備具有便攜性和普適性的優(yōu)點，多種傳感器結(jié)合網(wǎng)絡(luò)、應(yīng)用程序等功能可高效、精確、實時記錄原始三維數(shù)據(jù)，從而快速準確地判斷出當前用戶的運動狀態(tài)情況.

目前，傳感器檢測人體運動模式識別的研究主要區(qū)別于數(shù)據(jù)采集設(shè)備、研究部位、特征值選擇、識別算法等.S.Chernbumroong等[1]提取同一人的5種動作加速度信息，得到不同動作識別率為65%～95%.M.Tolkienhn等[2]采用單個三軸加速度傳感器采集3個方向的加速度值，計算加速度3個方向的均方根值，并分析每個方向的加速度的變化情況，從而對跌倒行為進行識別，識別率為86.97%.路永樂等[3]通過加速度傳感器模塊研究了人體胯部運動信息，選用支持向量機分類器對靜止、跑步、走路和跳躍4種行為進行了識別.梁璐等[4]采用隱馬爾科夫模型(HMM)對移動對象的長期行為進行了研究，結(jié)果表明隱馬爾科夫模型不能有效地進行3個或者3個以上行為的識別.傳統(tǒng)的可穿戴設(shè)備雖然具有較高精度，但舒適度較低，影響正常運動，存在成本高、處理數(shù)據(jù)量大等問題，僅適用于實驗室環(huán)境中，推廣的價值低.

人在運動過程(包括坐、躺等)中加速度信息會頻繁變化，腕部作為變化頻率較高的人體部位，特征變化明顯，特征點較少，且佩戴設(shè)備方便，不影響正常生活.采用智能可穿戴設(shè)備記錄腕部多加速度信息進行識別的研究較少，識別率也有待提高.本文提出了一種基于智能可穿戴設(shè)備獲取用戶運動時腕部數(shù)據(jù)來進行運動模式識別與分析的方法.該方法通過對三維加速度和三維角速度信號進行處理，采用支持向量機作為分類器，選取均值、方差、協(xié)方差等特征值進行分類識別，最后對分類器參數(shù)進行尋優(yōu)處理，使分類器達到最大分類準確率.

1 運動識別過程

基于傳感器的人體運動模式識別，是利用加速度傳感器采集人體運動信號對特征值進行提取與選擇，通常包括時域、頻域特征.經(jīng)過選擇后的特征向量可作為表征相關(guān)運動特點的訓練樣本，對分類模型進行訓練，最后獲得可用于行為分類的參考模型.行為分類階段主要過程如下：以訓練完成的參考模型為基礎(chǔ)，采用一定算法將未知樣本與參考模型進行逐一匹配計算，匹配程度最高的模型類別即被認為是該未知樣本的所屬類別，也就是識別結(jié)果.識別流程見圖1.

圖1 運動識別流程圖

1.1 數(shù)據(jù)采集

本文使用Android Studio開發(fā)的程序記錄實時智能可穿戴設(shè)備多個加速度數(shù)據(jù)變化.由于人體日?；顒拥念l率在20 Hz左右[5]，且本研究智能可穿戴設(shè)備需放置于運動頻率較高的腕部，故本研究采樣間隔選為20 ms，即采集頻率為50 Hz.APP圖形操作界面簡單方便(圖2).

圖2 采集數(shù)據(jù)APP操作界面

當用戶點擊“記錄”按鈕時屏幕所顯示的所有數(shù)據(jù)開始自動生成txt格式文件存儲于設(shè)備中.記錄完成后點擊停止按鈕，完成記錄，并在txt文本中自動換行，區(qū)別并等待下一次記錄.對每一用戶同一運動狀態(tài)紀錄60 s，為防止用戶在采集數(shù)據(jù)開始和結(jié)束時的多余動作產(chǎn)生不必要的加速度，舍棄前2 s和后2 s采集的數(shù)據(jù)，不予考慮.

本文采用的監(jiān)督式行為識別學習算法一定程度上取決于已知的數(shù)據(jù)樣本集，即需明確當前的數(shù)據(jù)樣本所對應(yīng)的人體運動狀態(tài).為此，在記錄運動狀態(tài)的同時記錄實驗者點擊“記錄”按鈕的時刻，以便數(shù)據(jù)處理時區(qū)別所記錄數(shù)據(jù)的運動狀態(tài).

1.2 特征值提取

選取恰當?shù)奶卣髦祵τ谶\動模式識別系統(tǒng)的精度至關(guān)重要，現(xiàn)有研究中對特征的選取大體分為兩種，即方向相關(guān)和方向無關(guān)[6].第1種基于x，y，z每個軸的加速度值，第2種則基于對方向不敏感的合成加速度來提取特征值.其合加速度公式如下：

(1)

時域特征的提取計算復雜程度低、耗時較短，本文選取適用于實時性要求較高的多種時域特征，并結(jié)合上述第2種方法，即直接從采集的加速度傳感器和陀螺儀傳感器的時域信號中進行特征選取.

常見的時域特征值主要有均值、方差、標準差、均方根、斜率等.本研究的加速度傳感器和陀螺儀傳感器選用相同的特征值，分別選用其合加速度的均值、標準差、峰值以及兩組數(shù)據(jù)的協(xié)方差共7個特征值.

1.2.1均值(Mean) 均值為一組數(shù)據(jù)的變化強度指標之一，可充分利用數(shù)據(jù)特征，適合代數(shù)運算，反應(yīng)靈敏、嚴密確定，受抽樣變動的影響較小，能避免單一數(shù)據(jù)對結(jié)果的影響.均值公式如下：

(2)

式中：P為均值；n為樣本個數(shù)；xi為樣本集的一個樣本點.

1.2.2方差(Variance) 方差是數(shù)據(jù)偏離平均值的程度，方差越大，表示數(shù)據(jù)偏離程度越大，即用戶的運動模式動作較大.在對數(shù)據(jù)的波動性描述時，標準差和方差作用相同，但為了減少運算量選用方差作為特征值.方差的計算公式如下：

(3)

1.2.3峰值(Kurtosis) 峰值是用來描述信號在一個周期內(nèi)的變化強度.強度有正有負，峰值越大，運動的幅度越大.峰值能夠突出反應(yīng)運動過程的加速度最大值，不同運動模式峰值特異性較強，可明顯區(qū)別用戶的不同行為模式.

1.2.4協(xié)方差(Covariance) 本研究選用兩組傳感器進行特征值的提取和分析，為了表述兩組傳感器數(shù)據(jù)的相關(guān)性關(guān)系，選用協(xié)方差來進行描述.協(xié)方差計算公式如下：

(4)

式中：n為一組數(shù)據(jù)樣本的個數(shù)；ai，ωi分別為某一個時間點的合成加速度和合成角速度；aavg，ωavg分別為一組數(shù)據(jù)內(nèi)合成加速度和合成角速度的均值.

在實驗過程中，共選取5位實驗者，將智能可穿戴設(shè)備均固定于腕部，分別在跑步機上獲取其在4.0，5.5，6.5，8.5 km/h速度下的運動數(shù)據(jù)，每個速度分別記錄3組數(shù)據(jù)，共60組；后又分別取得6組靜止站立，6組下樓數(shù)據(jù).共72組運動數(shù)據(jù)，每組數(shù)據(jù)均有7個特征值，故可構(gòu)建一個7×72的特征值矩陣，用于之后的分類訓練和測試.將4.0,5.5 km/h速度類別標簽設(shè)定為走，6.5,8.5 km/h速度設(shè)定為跑.

每一類運動狀態(tài)均隨機選取二分之一作為訓練集，剩余的二分之一作為測試集，保證訓練集和測試集數(shù)據(jù)無交叉重疊.

圖3為MATLAB中獲得的所有樣本的特征值分布情況，圖中，class為真實樣本運動狀態(tài)的情況，縱坐標“0”表示站立靜止狀態(tài)，“-1”表示下樓狀態(tài)，“4”表示行走，“8”表示跑步.圖3中，attrib1至attrib7分別對應(yīng)為數(shù)據(jù)的特征值：加速度傳感器均值、加速度傳感器方差、加速度傳感器峰值、陀螺儀傳感器均值、陀螺儀傳感器方差、陀螺儀傳感器峰值、協(xié)方差值.

1.3 分類器搭建及識別結(jié)果

支持向量機(support vector machine,SVM)對于線性不可分的情況，通過使用非線性映射算法，可將低維輸入空間特性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得在高維特征空間中采用線性算法對樣本的非線性特征進行線性分析成為可能[7].SVM在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢[8]，因此選取SVM作為分類器.

本文基于MATLAB，采用臺灣大學林智仁(Lin Chih-Jen)等開發(fā)設(shè)計的LIBSVM[9].LIBSVM常用的核函數(shù)包括線性核函數(shù)、徑向基核函數(shù)(RBF)、多項式核函數(shù)、Sigmoid核函數(shù).其中RBF應(yīng)用最廣泛，無論樣本大小、維度高低均有較好的性能，故本文選用RBF核函數(shù).利用SVM分類器訓練與測試，測試集的尋優(yōu)結(jié)果見圖4,識別正確率為88.46%.

圖4 測試集的實際分類和預測分類圖

2 參數(shù)尋優(yōu)

為使測試集的分類準確率維持在一個較高的水平，避免過學習和欠學習狀況發(fā)生，需對分類器中的關(guān)鍵參數(shù)懲罰因子C和核函數(shù)參數(shù)g進行尋優(yōu).本文采用基于交叉驗證(cross validation, CV)思想的網(wǎng)格搜索法，基于啟發(fā)式算法的遺傳算法(genetic algorithm, GA)和粒子群優(yōu)化算法(particle swarm optimization, PSO)對搭建的支持向量機分類器進行參數(shù)優(yōu)化[10—15].

2.1 網(wǎng)格搜索法尋優(yōu)

本文采用交叉驗證法，可有效規(guī)避網(wǎng)絡(luò)搜索法訓練得到模型出現(xiàn)的過擬合現(xiàn)象.網(wǎng)絡(luò)搜索法進行交叉驗證的過程是先窮舉出C,g參數(shù)對，在對樣本進行訓練時，選用最高交叉驗證精度的C,g參數(shù)對作為最終參數(shù).通常采用指數(shù)增長的方式對C,g進行搜索，對全網(wǎng)絡(luò)搜索較耗時，根據(jù)人體運動特點，經(jīng)過多次實驗，規(guī)定C的取值范圍為 [2-2，24]，g的取值范圍為[2-2，210].粗搜索后進行精確搜索，精確搜索時交叉驗證精度的等高圖見圖5a,5b.從圖5可得，最優(yōu)參數(shù)組合為C=0.2，g=4.2.最后,利用最優(yōu)C,g參數(shù)和人體腕部姿態(tài)數(shù)據(jù)對SVM模型進行訓練并測試，測試集的實際分布和預測分類見圖5c，正確率為94.44%.

圖5 參數(shù)選擇結(jié)果及測試集的分類結(jié)果圖

2.2 遺傳算法尋優(yōu)

采用網(wǎng)格搜索能夠找到較好的全局最優(yōu)解，但在更大的范圍尋找最優(yōu)C,g參數(shù)對耗時較長，采用啟發(fā)式算法可在不遍歷網(wǎng)絡(luò)內(nèi)所有參數(shù)點的情況下，找到全局最優(yōu)解.遺傳算法尋優(yōu)和粒子群優(yōu)化算法參數(shù)尋優(yōu)是常見的啟發(fā)式算法.

遺傳算法(genetic algorithm,GA)是模擬生物遺傳和進化機制進行隨機搜索最優(yōu)的方法.運用“優(yōu)勝劣汰，適者生存”的生物進化原理，按照所選的適應(yīng)度函數(shù)通過遺傳中的選擇、交叉、變異對個體進行篩選，保留較好適應(yīng)度值的個體，反之則被淘汰，新的群體繼承并優(yōu)于上一代，反復循環(huán)，直至滿足條件.利用GA對SVM參數(shù)優(yōu)化的整體過程見圖6.

圖6 利用GA優(yōu)化SVM參數(shù)流程圖

本文設(shè)定GA的最大進化代數(shù)為200，種群數(shù)量為20，采用基于排序的適應(yīng)度分配，交叉概率為0.7，變異概率為0.1，采用sus函數(shù)進行隨機遍歷抽樣，得到的適應(yīng)度曲線、測試集的實際分布和預測分類見圖7.由圖7可知，識別正確率為91.67%，最優(yōu)參數(shù)組合為C=63.05，g=2.9.

圖7 適應(yīng)度曲線及測試集的分類結(jié)果圖

2.3 粒子群優(yōu)化算優(yōu)

粒子群優(yōu)化算法(PSO)是計算智能領(lǐng)域與蟻群算法、魚群算法類似的群體智能優(yōu)化算法.PSO算法是從鳥類捕食行為得到啟發(fā)并求解優(yōu)化問題.算法中每個粒子均代表一個潛在解，每個粒子的適應(yīng)度值由適應(yīng)度函數(shù)決定，粒子速度決定粒子的移動方向和距離，依靠粒子的移動經(jīng)驗對速度進行調(diào)整，從而實現(xiàn)對個體在可解空間中的尋優(yōu).利用其SVM參數(shù)優(yōu)化的整體過程見圖8.

圖8 利用PSO優(yōu)化SVM參數(shù)流程圖

本文采用PSO算法取種群數(shù)量20反復迭代200次，適應(yīng)度曲線見圖9，最優(yōu)參數(shù)組合為C=37.86，g=3.05.參數(shù)優(yōu)化后的識別正確率為86.11%.

圖9 適應(yīng)度曲線及測試集的分類結(jié)果圖

2.4 結(jié)果分析

各尋優(yōu)算法參數(shù)及正確率見表1.由表1可得，基于SVM的3種參數(shù)尋優(yōu)算法均對走路、跑步、靜止、下樓4個運動模式識別取得了較理想的結(jié)果.網(wǎng)格搜索法識別正確率最高，GA算法相較PSO算法正確率高，主要體現(xiàn)在對跑步姿態(tài)的識別正確率上，對下樓模式的識別正確率還有待提高.

表1 各尋優(yōu)算法正確率比較

3 結(jié)語

本文基于安卓智能可穿戴設(shè)備內(nèi)置加速度傳感器和陀螺儀傳感器采集的人體腕部加速度信息，對成年人走路、跑步、站立、下樓4個運動模式進行分析，提取了運動信號均值、峰值、方差和協(xié)方差等特征值.選用支持向量機算法進行分類識別，隨后通過網(wǎng)格搜索法、遺傳算法、粒子群優(yōu)化算法確定最優(yōu)C，g參數(shù)對，使分類器達到最大分類準確率，正確率分別為94.44%，91.67%，86.11%.結(jié)果表明，本方法可有效識別實驗者靜止站立、走路、跑步、下樓4種運動模式，但對于下樓這種行為的識別還有待提高.

本文實驗數(shù)據(jù)均在實驗室環(huán)境下模擬得到，且數(shù)據(jù)量也偏小，與真實環(huán)境下人體的行為存在一定偏差.實驗只模擬了4種典型的人體日常行為動作，后續(xù)的工作將側(cè)重于數(shù)據(jù)采集，增加實驗的次數(shù)，并通過豐富人體行為動作的種類來獲得更加準確、完備的數(shù)據(jù)集，完善人體行為動作識別系統(tǒng)，提高系統(tǒng)的可靠性.