基于三軸加速度傳感器的人體行為識(shí)別研究

余杰 楊連賀 焦帥 易明雨 于佃存

摘 要：目前，在人體行為識(shí)別領(lǐng)域中，分類模型通常有兩種，分別是通用模型和個(gè)性化模型。但是通用模型沒(méi)有考慮人體多樣性問(wèn)題，不能適用于所有人，而個(gè)性化模型需要人為干預(yù)較多，針對(duì)這兩種模型的不足提出了一種折中的模型訓(xùn)練方法，即對(duì)人體多樣性因素分區(qū)間后的原始加速度數(shù)據(jù)進(jìn)行訓(xùn)練得到多個(gè)模型。另外，為了使識(shí)別模型適用于更加廣泛的情況，在數(shù)據(jù)采集階段還考慮了加速度傳感器的位置。該方法使得模型更具普遍性的同時(shí)又能夠提高識(shí)別精確度，通過(guò)對(duì)人體靜止、走路、跑步、上下樓梯五種行為進(jìn)行試驗(yàn)，識(shí)別率達(dá)到了95%左右。實(shí)驗(yàn)表明該方法是切實(shí)有效的。

關(guān)鍵詞：人體多樣性；行為識(shí)別；模型；位置；精確度

中圖分類號(hào)：TP3-05 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：At present，in the field of human action recognition，there are generally two classification models：the general model and the personalized model.But the diversity of human bodies is not considered in the general model，so it is not suitable for everyone.On the other hand，the personalized model needs more human intervention.In order to make up the deficiency of the two models，the paper proposes a compromise model training method which trains the raw acceleration data after partitioning the diversified factors of human bodies to obtain multiple models.Additionally，the position of the acceleration sensor has been taken into consideration during the process of data collection，in order to extend the application scope of the recognition model.This method provides the model with better universality and recognition accuracy.Eventually，through the test on the five human actions of standing，walking，running，going up and down the stairs，the recognition rate reaches about 95%.Experiments show that the method is practical and effective.

Keywords：diversity of human bodies；action recognition；model；position；accuracy

1 引言（Introduction）

近年來(lái)，人們對(duì)智能交互和健康監(jiān)護(hù)等方面的需求日益迫切，使得基于加速度傳感器的人體行為識(shí)別[1，2]在醫(yī)療保健、運(yùn)動(dòng)監(jiān)測(cè)、能耗評(píng)估等領(lǐng)域受到了廣泛的關(guān)注。與其相對(duì)的是基于計(jì)算機(jī)視覺(jué)的行為識(shí)別[3，4]，相比之下，前者更能體現(xiàn)人體運(yùn)動(dòng)的本質(zhì)，并且不受場(chǎng)景或者時(shí)間的限制，攜帶方便，成本較低，更適合推廣應(yīng)用[5]。

在人體行為識(shí)別中，行為分類器的構(gòu)建對(duì)識(shí)別結(jié)果是至關(guān)重要的。目前，大部分的研究集中在對(duì)分類器構(gòu)建算法的改進(jìn)和優(yōu)化上，采用的數(shù)據(jù)只是少部分比較集中的人的加速度來(lái)構(gòu)建通用模型，并沒(méi)有考慮到人體多樣性等實(shí)際問(wèn)題。

人體多樣性簡(jiǎn)單地表現(xiàn)在性別、年齡、身高、體重等物理方面，更深入地表現(xiàn)在家庭背景及其行為方式等。Nicholas D.Lane等人[6]研究了人體多樣性對(duì)行為識(shí)別的影響，作者在模型訓(xùn)練階段采用相似度的概念，通過(guò)使用與用戶相似度高的多人的原始加速度數(shù)據(jù)訓(xùn)練模型，達(dá)到數(shù)據(jù)分享的目的，但是計(jì)算量較大，所需時(shí)間較長(zhǎng)。郭忠武等人[7]以健康青年人為研究對(duì)象，通過(guò)獲取步態(tài)運(yùn)動(dòng)學(xué)參數(shù)，比較了男女之間步態(tài)的差異，得出了兩性之間大多數(shù)步態(tài)參數(shù)的數(shù)值存在顯著性差異的結(jié)論，并且分析了步態(tài)參數(shù)與身高、體重的相關(guān)性。也說(shuō)明了年齡的不同對(duì)步態(tài)也會(huì)有不同程度的影響。

在日常活動(dòng)中，人們會(huì)根據(jù)個(gè)人習(xí)慣將手機(jī)放在某個(gè)位置，常見(jiàn)的有上衣口袋、褲口袋、包中和手中，趙中堂[8]研究了多個(gè)設(shè)備被同時(shí)部署在人體不同位置的情況，得到了不同位置加速度不相同的結(jié)論。在過(guò)去的研究中，上面提到的四個(gè)手機(jī)位置被經(jīng)常用到，但是并沒(méi)有人說(shuō)明究竟哪個(gè)位置對(duì)行為識(shí)別是最好的，因此大部分情況下建議使用多個(gè)傳感器來(lái)提高識(shí)別精確度[9]。Ling Bao等人[10]使用五個(gè)二軸加速度傳感器放在受試者身體的不同部位進(jìn)行了無(wú)監(jiān)督的數(shù)據(jù)采集。

針對(duì)以上問(wèn)題，本文進(jìn)行了基于人體多樣性的行為分類和預(yù)測(cè)。將所有訓(xùn)練好的模型保存起來(lái)，用戶輸入基本信息后可立即獲取對(duì)應(yīng)的模型進(jìn)行識(shí)別，不僅可以減少計(jì)算量，也減少了所需時(shí)間。

2 人體行為識(shí)別過(guò)程（Human action recognition

process）

人體行為識(shí)別主要包括模型訓(xùn)練和識(shí)別階段，具體包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取和選擇、模型訓(xùn)練、分類器識(shí)別五個(gè)模塊。首先利用手機(jī)加速度傳感器采集人體行為的原始加速度數(shù)據(jù)，為了提高識(shí)別精確度，需要對(duì)原始加速度數(shù)據(jù)進(jìn)行去噪處理，然后提取并選擇原始加速度數(shù)據(jù)的時(shí)域和頻域特征，接著使用模型分類算法實(shí)現(xiàn)模型的訓(xùn)練和最終的行為預(yù)測(cè)識(shí)別。整個(gè)行為識(shí)別過(guò)程如圖1所示。

2.1 數(shù)據(jù)采集與預(yù)處理

根據(jù)實(shí)驗(yàn)需要，共采集了80個(gè)人的走路、跑步、上樓、下樓和靜止的原始加速度數(shù)據(jù)，其中，性別包括男女，年齡包括兩個(gè)區(qū)間段[20，30]、[50，60]，身高包括兩個(gè)區(qū)間段[160，170]、[170，180]，體重包括兩個(gè)區(qū)間段[55，65]、[65，75]。因此，根據(jù)性別、年齡、身高、體重，共有16種組合，本文選取了其中的5種組合，每種組合的志愿者數(shù)量為10人。

采集數(shù)據(jù)的過(guò)程中，為了覆蓋人們常用的四個(gè)位置，共使用四部手機(jī)，均是小米公司生產(chǎn)的Redmi Note 3，以消除不同手機(jī)對(duì)結(jié)果產(chǎn)生的可能影響。在每個(gè)志愿者的每種行為中，分別將四個(gè)手機(jī)放到上衣口袋、褲口袋、手中和包中。要求志愿者的每種行為能夠采集到80條數(shù)據(jù)，經(jīng)過(guò)篩選后能夠保證有70條數(shù)據(jù)。整個(gè)過(guò)程由志愿者獨(dú)立完成，沒(méi)有受到其他因素的干擾，以保證數(shù)據(jù)的質(zhì)量。

為了方便加速度數(shù)據(jù)的采集，我們團(tuán)隊(duì)自己開(kāi)發(fā)了一款手機(jī)APP，它不僅能夠完成數(shù)據(jù)的采集，并且能夠?qū)崟r(shí)查看志愿者采集到的加速度數(shù)據(jù)的波形，可以根據(jù)波形進(jìn)行數(shù)據(jù)的篩選。添加采集對(duì)象界面、設(shè)置界面、采集界面和加速度展示界面分別如圖2（a）—圖2（d）所示。

實(shí)際采集的加速度數(shù)據(jù)一般都有噪聲，需要進(jìn)行預(yù)處理，預(yù)處理的方法通常有平滑、去噪、歸一化、加窗等。本文為了提高識(shí)別精確度，使用了帶通濾波、頻譜濾波（自定義，即選取頻域中峰值較大的前四個(gè)），處理后可獲得更加平滑的數(shù)據(jù)。

為了方便下一步的特征提取，本文使用加窗的方法分割原始加速度信號(hào)，使用窗口長(zhǎng)度為256個(gè)樣本點(diǎn)的矩形窗分割原始加速度信號(hào)，加速度信號(hào)的采樣頻率為64Hz，所以，加窗后的每個(gè)加速度信號(hào)的時(shí)間跨度為四秒，足以包含單個(gè)完整的動(dòng)作。

2.2 特征提取與選擇

實(shí)驗(yàn)共提取了19個(gè)特征值，選擇使用了13個(gè)特征，其中，時(shí)域特征包括過(guò)均值率、平均值、最小值、四分位距、絕對(duì)平均差、中位數(shù)，對(duì)原始加速度數(shù)據(jù)進(jìn)行了快速傅里葉變換后，獲得的頻域特征包括質(zhì)心、能量、熵、譜峰位置、標(biāo)準(zhǔn)差、平均值、偏度。

首先，由于人們放置手機(jī)的位置是不確定的，并不能保證手機(jī)的朝向和角度保持不變，而朝向和角度的改變會(huì)導(dǎo)致加速度傳感器讀數(shù)的多變性，進(jìn)而影響數(shù)據(jù)分布的復(fù)雜性，進(jìn)一步影響到后續(xù)步驟建立的行為識(shí)別模型的復(fù)雜性。為了消除朝向和角度的影響，我們對(duì)每個(gè)時(shí)刻的加速度進(jìn)行合成。當(dāng)某個(gè)時(shí)刻加速度傳感器的讀數(shù)為（ax，ay，az）時(shí)，合成加速度為：

主要特征值的計(jì)算公式如下：

（1）平均值

（2）絕對(duì)平均差

（3）標(biāo)準(zhǔn)差

式中，N為樣本數(shù)，X為樣本平均值，標(biāo)準(zhǔn)差是經(jīng)常被使用的統(tǒng)計(jì)特征之一。標(biāo)準(zhǔn)差反映了加速度傳感器數(shù)據(jù)的離散程度。由于人在靜止時(shí)加速度數(shù)據(jù)是基本不變的，標(biāo)準(zhǔn)差幾乎為零，而在運(yùn)動(dòng)時(shí)加速度數(shù)據(jù)會(huì)不停變化，其標(biāo)準(zhǔn)差總是遠(yuǎn)遠(yuǎn)大于零，因此標(biāo)準(zhǔn)差是識(shí)別靜止與運(yùn)動(dòng)的重要特征。

（4）偏度

式中，N為樣本數(shù)，X為樣本平均值，σ為樣本標(biāo)準(zhǔn)差。偏度是用來(lái)度量加速度傳感器數(shù)據(jù)分布偏斜方向和程度的統(tǒng)計(jì)特征。

（5）熵

一般用于當(dāng)行為間的能量相似時(shí)提供輔助的區(qū)分能力，其計(jì)算方法為：對(duì)信號(hào)X經(jīng)離散傅里葉變換后，將各分量幅度的信息熵進(jìn)行歸一化。

2.3 模型訓(xùn)練及識(shí)別算法

人體行為識(shí)別中，模型訓(xùn)練通常有兩種方法，一是構(gòu)建一個(gè)通用的模型，二是為每個(gè)用戶構(gòu)建一個(gè)個(gè)性化的模型。前者省時(shí)省事，更易于實(shí)現(xiàn)，但是沒(méi)有考慮到人體多樣性的問(wèn)題，是以降低識(shí)別精確度為代價(jià)的，并不能滿足大多數(shù)人的需求；后者與前者相比，識(shí)別精確度比較高，但是在模型的建立中，需要用戶過(guò)多地參與，即通過(guò)采集訓(xùn)練人的加速度數(shù)據(jù)訓(xùn)練出個(gè)性化的模型，增加了用戶的負(fù)擔(dān)。

本文采集了多種多樣的人的原始加速度數(shù)據(jù)，進(jìn)行了多個(gè)模型的訓(xùn)練，可以根據(jù)用戶的基本信息為其選擇一個(gè)最優(yōu)的分類模型。此舉不僅減少了用戶的負(fù)擔(dān)，也提高了識(shí)別的精確度。

本文采用的模型訓(xùn)練及識(shí)別算法是著名的SVM（Support Vector Machine，支持向量機(jī)）。在機(jī)器學(xué)習(xí)領(lǐng)域，SVM是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來(lái)進(jìn)行模式識(shí)別、分類和回歸分析。SVM通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少情況下亦能獲得良好統(tǒng)計(jì)規(guī)律的目的。

3 實(shí)驗(yàn)結(jié)果（The experimental results）

實(shí)驗(yàn)根據(jù)人體的多樣性，通過(guò)訓(xùn)練多個(gè)模型，再根據(jù)每個(gè)用戶的基本信息尋找出最匹配的模型。

以上四張圖直觀地表明了性別、年齡、身高、體重的不同對(duì)加速度值的直接影響。

經(jīng)過(guò)不斷地實(shí)驗(yàn)，將年齡、身高、體重的區(qū)間長(zhǎng)度均定為10，即年齡包括兩個(gè)區(qū)間段[20，30]、[50，60]，身高包括兩個(gè)區(qū)間段[160，170]、[170，180]，體重包括兩個(gè)區(qū)間段[55，65]、[65，75]，再加上性別區(qū)分，根據(jù)定量的思想選擇不同的組合，每個(gè)組合隨機(jī)選出九個(gè)人的數(shù)據(jù)做訓(xùn)練集，剩余一個(gè)人的數(shù)據(jù)做測(cè)試集，訓(xùn)練出模型后，使用對(duì)應(yīng)的測(cè)試集得到識(shí)別精確度，另外使用所有人的數(shù)據(jù)訓(xùn)練出一個(gè)通用模型得到精確度，并且和只有一個(gè)屬性不同時(shí)的模型精確度作比較，模型編號(hào)和測(cè)試集編號(hào)對(duì)應(yīng)關(guān)系如表1所示。

其中身高的單位是厘米，體重的單位是千克，編號(hào)1和2只有性別不同，1和3只有年齡不同，2和4只有身高不同，1和5只有體重不同。測(cè)試結(jié)果如表2所示。

數(shù)據(jù)可以得出結(jié)論：性別、年齡、身高、體重對(duì)行為識(shí)別的精確度是有影響的，對(duì)應(yīng)區(qū)間的精確度高于通用模型和相對(duì)區(qū)間的精確度。

從每個(gè)組合中重新選擇訓(xùn)練集和測(cè)試集進(jìn)行多次實(shí)驗(yàn)，然后從所有數(shù)據(jù)集中再選擇出其他組合進(jìn)行同樣的實(shí)驗(yàn)，得到的最終結(jié)論是一樣的，充分證明了本文提出的方法的正確性。

4 結(jié)論（Conclusion）

本文針對(duì)當(dāng)前設(shè)計(jì)模型的不足，提出了使用智能手機(jī)三軸加速度傳感器采集數(shù)據(jù)和SVM分類算法進(jìn)行基于人體多樣性的行為識(shí)別的思想，通過(guò)將性別、年齡、身高、體重四個(gè)人體多樣性因素進(jìn)行區(qū)間劃分，使得每一類人都有一個(gè)對(duì)應(yīng)的模型，不僅能夠保證模型具有普遍性，也提高了識(shí)別精度。在實(shí)驗(yàn)過(guò)程中，我們同樣考慮到加速度傳感器種類和所放位置對(duì)行為識(shí)別的影響，并采取了相應(yīng)的措施，以盡可能考慮到實(shí)際情況的復(fù)雜性。本文通過(guò)與通用模型和相對(duì)模型的識(shí)別結(jié)果進(jìn)行比較，證明了本文方法的可行性。

參考文獻(xiàn)（References）

[1] Palaniappan A，Bhargavi R，Vaidehi V.Abnormal Human Activity Recognition Using SVM Based Approach[C].International Conference on Recent Trends in Information Technology，2012：97-102.

[2] Wei H X， He J，Tan J D.Layered Hidden Markov Models for Real-time Daily Activity Monitoring Using Body Sensor Networks[J].Knowledge and Information Systems，2011，29（2）：479-494.

[3] Qian H M，et al.Recognition of Human Activities Using SVM Multi-class Classifier[J].Pattern Recognition Letters，2010，31（2）：100-111.

[4] Khan Z A，Sohn W.Abnormal Human Activity Recognition System Based on R-transform and Kernel Discriminant Technique for Elderly Home Care[J].IEEE Transactions on Consumer Electronics，2011，57（4）：1843-1850.

[5] 王洪斌.基于三軸加速度傳感器的人體行為識(shí)別研究[D].無(wú)錫：江南大學(xué)，2014.

[6] Nicholas D.Lane，et al.Community Similarity Networks[J].Personal and Ubiquitous Computing，2014，18（2）：355-368.

[7] 郭忠武，等.正常青年人步態(tài)運(yùn)動(dòng)學(xué)參數(shù)的研究[J].中國(guó)康復(fù)理論與實(shí)踐，2002，8（9）：532-533；544.

[8] 趙中堂.自適應(yīng)行為識(shí)別中的遷移學(xué)習(xí)方法研究[D].北京：中國(guó)科學(xué)院大學(xué)，2013.

[9] K.Van Laerhoven，A.Schmidt，H.-W.Gellersen.Multi-sensor Context Aware Clothing[C].Proceedings of the Sixth International Symposium on Wearable Computers，2002：49-56.

[10] Ling Bao，Stephen S.Intille.Activity Recognition from User-Annotated Acceleration Data[J].Lecture Notes in Computer Science，2004，3001：1-17.

作者簡(jiǎn)介：

余 杰（1991-），女，碩士生.研究領(lǐng)域：數(shù)據(jù)挖掘，模式識(shí)別.

楊連賀（1965-），男，博士，教授.研究領(lǐng)域：數(shù)據(jù)挖掘，計(jì)算

機(jī)輔助設(shè)計(jì).

焦 帥（1984-），男，博士，助理研究員.研究領(lǐng)域：感知計(jì)算.

易明雨（1992-），男，碩士生.研究領(lǐng)域：智能算法.

于佃存（1991-），男，碩士生.研究領(lǐng)域：行為識(shí)別，情景感知.