基于信号处理的运动模型建立与识别

第2页，共21页基于信号处理的运动模型建立与识别摘要：根据人行为动作的特点，本文提出了一种基于加速度信号几何特征的层次识别算法以识别人的12种运动状态，所分析的数据由绑在人体胯部的加速度和角速度传感器在实际环境中采集。该算法利用加速度信号的几何特征（波峰波谷值，周期，对称性）以及数据分布，所选取的特征对个人依赖较小，识别的过程采用了分层识别算法，该算法识别速度快，准确率高，在模型检验中取得了较好的效果，识别正确率除向前走、上下楼以外，在85%以上。本文首先根据运动学和生物学特征对十二种运动状态建立物理模型，先依据运动剧烈程度利用加速度平均值和平均差分为静止，轻度运动，重度运动三大类，然后再利用动作加速度、角速度信号的几何特征：周期，信号的波峰波谷，对称性，并通过数据特征：即加速度的四分位差，离散系数等值对于动作进行精细识别。为了提取信号特征，要对数据进行预处理，利用MATLAB的小波分析箱滤除噪音和抖动。在本次模型的建立中，我们利用了小波分析，傅里叶频谱分析等强大的数学分析工具使得数据特征更加明显易于判断，同时利用分类讨论逐级判断的思想使得状态判断方法更加优化，利用统计学知识对于庞大的数据进行处理，分析，说明。结合生物学运动学知识使得区分知识更加符合实际。 关键词：运动模型小波分析状态识别问题重述1．问题背景随着人们生活节奏和生活方式的变革，人们越来越关注于如何测量日常生活中的运动及所消耗的热量。通过在规定的十二种不同状态下（睡，坐，站，向左走，向右走，向前走，跑，跳，走路上楼，走路下楼，坐电梯上楼，坐电梯下楼）记录手机的多种传感器（加速度，陀螺仪）数据，从而可以获得用户在不同时段的运动信息，进而计算运动消耗的热量。2．提出问题问题一：根据附件提供数据，建立在十二种状态下，人的主要部位运动的物理模型，并判断模型与数据的一致性。问题二：根据建立的模型，设计尽可能准确的算法，针对附件中的已知和未知的数据，对运动中用户的传感器数据进行分类，判别传感器数据属于状态之中的哪一种，给出你的判别准确率。8坐被测试者在座椅上休息或工作9站立被测试者站立与他人交谈10睡觉被测试者在躺在床上或睡眠11乘电梯(上)被测试者乘电梯上升12乘电梯(下)被测试者乘电梯下降 如表格所示，测试数据表示了被测试者在日常环境下处于几种基本运动状态下的运动数据。USC-HAD人体运动数据的测试结果采集了人在日常条件下从事常见的基本活动时在智能手机的常见佩戴位置可以获得的典型数据，在对人的日常运动建模中具有代表意义。不同类型的体力活动引起加速度数据的分布情况不同，不同动作的强度差异会体现在加速度数据的分布中心和离散程度上。通过对各个运动加速度和角速度的对比分析建立相应的物理模型。由于运动检测装置放在前髋部，考虑全身的运动状态没有意义，所以这里所建立的物理模型主要分析髋部的运动。根据运动状态强度差异，把十二种运动状态初步分类，分为静止，轻度运动，重度运动三种运动状态，静止运动包括站立、坐、睡、上下电梯；轻度运动状态包括上下楼、左右转、向前走；重度运动包括向前跑、跳；其次，对各个大类的每种运动进行详细分分析，以建立准确的物理模型。静止站立现在我们来分析站立这种运动状态。由于站立时前髋面竖直向下，故传感器所测得的加速度只是重力方向的加速度，沿x轴向下；传感器不会发生旋转，故三个平面角速度为0。（如图2,3）图2，站立时的三维加速度(从上往下依次为x,y,z轴)图3，站立时的三维角速度(从上往下依次为y0z，x0z，x0y平面)另外，由于站立运动状态包含了与别人交谈以及轻微的动作，因此图像可能会出现波纹。利用Matlab小波分析工具箱，得到重构尺度为4时的竖直方向上的高频分量，即前髋面上的传感器检测到的波动变化。图4，小波处理后坐姿的高频分量（x:时间；y:一维矢量加速度）坐当人处于坐的运动状态时，前髋面基本向下但向后倾斜，解剖学表明：前髋面与x轴夹角在20°到50°之间；由此算得的重力加速度在x轴加速度分量在0.64~0.94g之间。（如图5,6）图5，坐时的三维加速度(从上往下依次为x,y,z轴)图6，坐时的三维角速度(从上往下依次为y0z，x0z，x0y平面)且由于坐姿相对于站姿更有支撑，其传感器抖动更小，小波分析后高频图像应当比站立更小。（如图7，注意到其纵轴波纹数量级为0.01级，而站立波纹数量级为0.0001级）图7，小波处理后坐姿的高频分量（x:时间；y:一维矢量加速度）睡分析睡觉运动状态可知，前髋骨与水平面夹角大于50°，由于不同人的睡眠习惯不同，故髋骨与x轴的夹角会有很大不同，但其x轴上的重力加速度分量明显小于1g，故把加速度<0.64g(夹角大于坐状态)均定义为睡觉。（如图8,9）图8，睡时的三维加速度(从上往下依次为x,y,z轴)图9，睡时的三维角速度(从上往下依次为y0z，x0z，x0y平面)上下电梯上下电梯运动状态与站立运动状态基本一致，但根据在电梯里的超重失重过程，在x轴方向上的加速度，上电梯会经历先出现先大于1g，后接近于1g，后小于1g的过程，而下电梯正好相反，加速度先小于1g，后接近于1g，后大于1g。通过小波处理，得到重构尺度为4时的竖直方向上的低频分量，即滤去噪声以后的加速度变化图（如图10，11），可以很好的印证该状态的变化。图10，小波处理后上电梯的低频分量（x:时间；y:一维矢量加速度）图11，小波处理后下电梯的低频分量（x:时间；y:一维矢量加速度）轻度运动向前走、走路上楼、走路下楼人体的步行过程是一种人体通过髋、膝、踵、足等一系列连续活动，使身体沿一定方向移动的过程。步行过程一般具有稳定的周期和稳定的中心变化，是一种比站立状态更加剧烈而比跑步状态更平缓的运动状态。图12步行、跑步图12步行、跑步、站立时的加速度矢量变化和分布由于步行状态下人的重心趋于平稳，步行状态下人的加速度状态可以由人在x,y,z三个方向上加速度的矢量和来表示。步行、跑步和站立时的矢量和对比如图12所示。根据数据采集，步行状态下的加速度矢量和体现出在-1g~+2g平缓变化的规律；步行的频率根据不同对象和不同步行方式，分布在0.6Hz~2Hz之间。利用以上步行所体现出的规律，根据传感器数据可以比较好地识别人的步行过程。人的上下楼梯的动作以步行为基础加速度矢量的分布范围与步行类似，但是由于上、下楼梯时人会产生周期性的上/下加速，运动的稳定性明显减小。人在上下楼梯时的运动规律在数据上的体现主要是加速度矢量的分布和Z轴旋转速度的变化。(如图13)图13，上/下楼梯时加速矢量的变化和分布上下楼梯时的加速度矢量分布比步行时的加速度分布矢量更加集中，根据加速度矢量的数据方差可以比较好地区分步行和上/下楼梯的运动过程。另外三者峰谷值有很大的不同。步态研究表明，正常行走时，在每个步态周期内，垂直重力会呈现双峰型。类似的，行走加速度曲线在每个步态周期呈现两个明显的波峰和一个波谷，且两峰值相差不大;上楼加速度曲线中，步态周期中的第二个波峰下移，与行走波形呈现明显差异;下楼加速度第二个波峰不明显，甚至消失。（如图14）图14，向前走与上下楼的加速度变化图向左转、向右转向左右转状态基本与向前走状态一致，只是由于转了一个很大的角度，因此ωx在时间上积分θx比较大。左转两圈θx至少大于360。，右转两圈θx小于重度运动跑跑这一运动状态的一维合成矢量加速度由于包含了重力方向和前进方向的两个加速度，故应当明显大于1g。跑的加速度变化较快，因此加速度比较离散，且图像较为对称。（如图15）图15，跑时的一维加速度跳一般意义上的跳指的主要是频率比较慢的单脚跳，双脚跳。由于原地上下跳没有发生位移，故平均加速度较小。且起跳有一个蓄力过程，然后突然爆发，因此图像中波谷较宽且比较平缓，波峰尖而大，显得不对称。相对于跑步，加速度变化频率更大，数值更为不集中。（如图16）图16，跳时的一维加速度2．运动状态识别初步区分根据上述各个物理模型的特征，可以得知，不同类型的运动，其加速度数据的分布情况不同。利用加速度，可以对运动状态进行初步区分。为了滤除采集装置姿态对采集到的人体加速度的影响，将三维加速度数据合成一维加速度矢量。该矢量表示人体运动时的加速度，能够准确描述人体整体运动变化。用ax、ay、azA=求得A之后，利用平均差，初步区分运动的剧烈程度。平均差，即各变量值与其平均数离差的绝对值。以平均数为中心，反映了每个数据与平均数的平均差异程度，全面准确地反映一组数据的离散状况，即运动的剧烈程度。其值越小，数据的离散程度越小，运动越平缓（如图）。计算公式为:M根据所给数据的前两组数据（如表1）以及一般活动的加速度平均差，定义MA<0.1为静止状态，0.1<MA<0.5为轻度运动状态，组别次数静止轻度运动重度运动坐上电梯向前走上楼跑跳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单位：g表1静止状态区分在静止状态中，站立、坐、睡中传感器加速度基本保持不变；而在上下电梯状态中，在电梯启动或停止的过程中加速度却明显改变。根据该特性，可以用四分位差加以识别：四分位差，上四分位数与下四分位数之差。四分位差反映了中间50%数据的离散程度，且不受极值的影响（可以排除站立、坐、睡状态下的突然抖动）。其数值越小，说明中间的数据越集中。计算公式为:Ｑ站立、坐、睡三个状态下，理论上ＱA=0，但是由于抖动等影响，会造成5%左右的波动，故取ＱA<0.05站立、坐、睡三种状态，则由x轴上加速度ax的大小识别：ax>0.940.64<ax<0.94ax<0.64而上电梯和下电梯，由于外界在x轴上有明显加速度变化，可以根据加速度极大值和极小值的出现顺序准确识别。上电梯状态中极大值在前，下电梯状态中极小值在前。轻度运动状态区分在轻度运动状态中，左右转与其他状态的三轴加速度分布基本一致，只能通过y0z平面上转过的角度加以区分。已知该平面的角速度ωx和测量频率100Hz，可以通过求和逼近近似得到角度θθ一般而言，向前走的θx<360。,左转θx>360。,右转θx<-36上下楼和向前走是区分的难点，其加速度、角速度的基本特征比较相似，区分相对比较复杂，由于上下楼梯时x轴的加速度较小不足以作为分辨依据。在判断人上/下楼梯的过程时我们以z轴向的旋转速度作为判断标准。 z轴的旋转速度体现了人在上/下楼梯运动时右腿大腿的运动过程。从数据上来看，人在下楼梯时前脚下降到触地之间会在后脚大腿上产生明显的加速度。如图17所示，在z轴的旋转速度在下楼时会产生明显的1Hz左右的周期性高频振动。通过对z轴旋转速度的信号进行衰减和高通滤波之后可以明显地看出下楼梯时z轴上的周期性变化，而在上楼梯时该周期性变化并不明显。图17上/下楼梯时z轴旋转速度变化对比同时，根据加速度的物理模型，可以得知上楼数据分布较对称，且在1g附近有较多分布;下楼动作数据分布明显不对称，偏向大于1g的一侧，且在小于1g范围内较多分布;向前走加速度数值以1g为中心，两侧数据呈对称分布，在1g附近分布较少。重度运动状态区分重度运动状态中，由于跑和跳的加速度在平均值、离散程度、集中情况这些方面有明显区别，可以根据A、vＡA，即加速度的平均数，A<1.4g为跳，AvＡ，即加速度的离散系数，表示一组数据的标准差与其相应的平均数之比。离散系数消除了变量值的水平高低对离散程度测度的影响，可以用于比较不同样本数据的离散程度。计算公式为v跑的离散程度较大，故离散系数vＡ较大，跳的离散程度较小。根据经验以及大量统计数据综合确定以0.8为区分，则当vＡ<0.8时为跑，ＱA，即加速度的四分位差，ＱA根据上述三个情况，加以综合判断，以减小误差。若有两个及以上特征为跑则该状态为跑，其余情况则为跳。通过以上方法，建立Matlab程序，并对余下的每种状态的60组数据加以识别，得出准确率情况如下：向前走：66.7%；向左转：100%；向右转：100%；上楼：68.3%；下楼：70%；跑：86.7%;跳：86.7%；坐：95%；站：98.3%；睡：98.3%；上电梯：98.3%；下电梯：96.7%。可以得出，除了上下楼及向前走外，其他运动的准确率3．未知状态的判断用该方法判断未知类型情况如下：Unknown1：MA=0.0545，为静止状态；axUnknown2：MA=0.0423，为静止状态；ax=0.5608，为Unknown3：MA=0.3365，为轻度运动状态；θx=-719.1Unknown4：MA=0.0259，为静止状态；ＱA=Unknown5：MA=0.3783，为轻度运动状态；θx=-20.5。Unknown6：MA=0.0744，为静止状态；ＱAUnknown7：MA=0.4049，为轻度运动状态；θx=Unknown8：MA=0.0713，为静止状态；ax=1.0105且，为站立状态；Unknown9：MA=1.1151，为重度运动状态；A=1.3588，ＱAUnknown10：MA=0.3556，为轻度运动状态；θx=-61.8。且加速矢量分布均匀Unknown11：MA=0.2325，为轻度运动状态；θx=-8.1。Unknown12：MA=0.9124，为重度运动状态；A=1.5952，ＱAUnknown13：MA=0.0515，为静止状态；ax=1.0623且Ｑ，为站立状态；Unknown14：MA=0.0647，为静止状态；ax=1.0148且ＱA，为站立状态；Unknown15：MA=0.9320，为重度运动状态；A=1.4104，ＱAUnknown16：MA=0.4048，为轻度运动状态；θx=1148.Unknown17：MA=0.6851，为重度运动状态；A=1.1752，ＱAUnknown18：MA=0.3327，为轻度运动状态；θx=Unknown19：MA=0.2348，为轻度运动状态；θx=165.0。且衰减后明显存在1Hz左右的高频信号Unknown20：MA=0.2212，为轻度运动状态；θx=（如表2）Unknown状态1坐2睡3向右转4下电梯5向前走6上电梯7向左转8站立9跳10向前走11上楼12跑13站立14站立15跳16向左转17跑18向右转19下楼20向右转表2六、模型优缺点1．优点能较为准确的识别12种运动状态识别方法较为简单可行各运动状态的物理模型较为详尽