基于多傳感器的人體行為識別系統(tǒng)*

周　林， 雷麗平， 楊龍頻

(1.重慶郵電大學(xué) 通信軟件技術(shù)研究所,重慶 400065；2北京醫(yī)院，北京100730)

?

基于多傳感器的人體行為識別系統(tǒng)*

周林1， 雷麗平1， 楊龍頻2

(1.重慶郵電大學(xué) 通信軟件技術(shù)研究所,重慶 400065；2北京醫(yī)院，北京100730)

摘要:為了既能提高系統(tǒng)人體行為的識別率，又能降低系統(tǒng)能耗,提出了基于多傳感器的人體行為識別系統(tǒng)。通過對滑動時間窗內(nèi)傳感器數(shù)據(jù)信息進(jìn)行數(shù)學(xué)統(tǒng)計，提取數(shù)據(jù)特征；并通過用weka軟件對數(shù)據(jù)的這些特征進(jìn)行分析，設(shè)計出基于決策樹的兩層分類識別算法,來對8種常見人體行為進(jìn)行識別。實驗結(jié)果表明：該系統(tǒng)在降低了系統(tǒng)能耗同時系統(tǒng)識別率較高，平均識別率達(dá)到93.12 %，系統(tǒng)便于攜帶且具有很強(qiáng)的實用性。

關(guān)鍵詞:識別率; 系統(tǒng)能耗; 數(shù)據(jù)特征; 決策樹

0引言

近年來，隨著人機(jī)交互和無線體域網(wǎng)關(guān)鍵技術(shù)的飛速發(fā)展，人體運(yùn)動識別廣泛應(yīng)用于體育競技、生物醫(yī)學(xué)研究、健康狀況評估以及老年人健康監(jiān)護(hù)領(lǐng)域等，其中,老年人的日常監(jiān)測是其一類典型的應(yīng)用[1]。常見的老年人的行為監(jiān)測方法主要有兩類[2]：基于圖像分析和基于可穿戴的傳感器設(shè)備，前者由于其成本開銷較大和系統(tǒng)使用的局限性，本文采用了后者。

現(xiàn)有的大量研究都是圍繞提高人體行為的識別率而展開。為了取得較高的行為識別率，運(yùn)用大量的傳感器數(shù)據(jù)和復(fù)雜的算法，這都會導(dǎo)致系統(tǒng)的能耗增加；而傳感器節(jié)點的能量有限，這樣會導(dǎo)致頻繁地對電源充電或更換，因此，大大降低人體佩戴的舒適度[3,4]。為了既能提高人體運(yùn)動識別率,同時又能降低系統(tǒng)能耗，本文提出了基于決策樹的兩層分類識別，首先根據(jù)加速度傳感器數(shù)據(jù)的特征值利用決策樹的方式對人體行為進(jìn)行第一層識別，如果出現(xiàn)疑跌倒動作，再提取陀螺儀傳感器數(shù)據(jù)的特征值，采用決策樹算法進(jìn)行第二層精確識別。

1系統(tǒng)設(shè)計

本文設(shè)計人體行為識別系統(tǒng)框架主要分為三層，如圖1所示。第一層主要是傳感器模塊，主要作用是通過微控制處理器采集加速度傳感器和陀螺儀傳感器的信息，并通過藍(lán)牙將數(shù)據(jù)上傳至PC或智能手機(jī)，還可以通過接收上層通信命令來觸發(fā)某種操作；第二層是數(shù)據(jù)處理層，主要是對第一層的采集的數(shù)據(jù)進(jìn)行相應(yīng)的處理和分析，對人體行為進(jìn)行識別，還要根據(jù)系統(tǒng)的需求向第一層和第三層發(fā)送命令和信息；第三層包括各種應(yīng)用服務(wù)的遠(yuǎn)程服務(wù)器的外部網(wǎng)絡(luò)，其作用是根據(jù)第二層發(fā)送的命令和消息進(jìn)行相應(yīng)的響應(yīng)。

本文傳感器模塊采用了微處理器是TI公司的MSP430F1611，它是一種具有精簡指令集、超低功耗的16位單片機(jī)，具有10 kB片內(nèi)RAM,48 kB片內(nèi)FLASH用于存儲采集數(shù)據(jù)。傳感器模塊是用于捕捉人體姿態(tài)的主要模塊，其測量精度對系統(tǒng)的準(zhǔn)確率起了關(guān)鍵作用。因此,該系統(tǒng)需要一個多模態(tài)和高精度的慣性傳感器模塊，本文選用了InvenSense公司的MPU6050內(nèi)置三軸加速度傳感器和三軸陀螺儀傳感器。MPU6050是世界上首個六軸MEMS慣性運(yùn)動測量組件，具有超小封裝結(jié)構(gòu)，且功耗低、成本低、性能高，非常適用于智能手機(jī)、平板電腦和穿戴式設(shè)備的計算應(yīng)用[5]。

2數(shù)據(jù)特征的提取和識別器的選擇與設(shè)計

在日?；顒又校夏耆巳粘Ｐ袨?activities of daily life，ADL)主要有：靜止(躺、坐、站)、步行、跑、上/下樓梯、躺下、坐下/站起、下蹲/站起，以及跌倒等。本文通過采集加速度傳感器和陀螺儀傳感器數(shù)據(jù)進(jìn)行處理、分析，提取出有效的特征值，然后根據(jù)數(shù)據(jù)的特征值，用合理的識別器對人體行為進(jìn)行識別。

2.1數(shù)據(jù)特征提取

老年人的日?；顒宇l率一般比較低，綜合考慮系統(tǒng)的能耗和準(zhǔn)確率，本文采樣頻率為20 Hz，采用了半重疊的滑動窗口方法將數(shù)據(jù)進(jìn)行劃分，每個窗口長度為2 s，因此,每個數(shù)據(jù)處理單元的數(shù)據(jù)點個數(shù)為40。

每次傳感器采集的數(shù)據(jù)動作有加速度傳感器(ax,ay,az)和陀螺儀傳感器(ωx，ωy，ωz)的6組數(shù)據(jù)。跌倒發(fā)生時的人體加速度和角速度變化主要體現(xiàn)在某空間方向上，因為人體運(yùn)動中無法預(yù)知身體運(yùn)動的方向，所以,不能只用人體軀干某一軸的加速度或加速度數(shù)據(jù)去判斷人體的運(yùn)動。因此，本文選取了加速度的信號強(qiáng)度矢量(asvm)和角速度信號強(qiáng)度矢量(ωsvm)來進(jìn)行識別。

(1)

(2)

式中ax,ay,az和ωx,ωy,ωz分別為加速度和陀螺儀傳感器x,y,z方向的線性值。

數(shù)據(jù)特征的提取包括提取數(shù)據(jù)的時域特征和頻域特征，為了降低算法的復(fù)雜度和提高系統(tǒng)的能量的有效性，本文提取了數(shù)據(jù)時域上的3個特征，其中分別是平均值(mean)aavg，標(biāo)準(zhǔn)差(standarddeviation)estd，偏差(skewness)eske,其公式為

(3)

(4)

(5)

2.2分類器的選擇與設(shè)計

老年人的日常最常見的行為是步行、靜止(坐下、躺著、站立)、跑和上/下樓梯，其中,坐下/站起、下蹲/站起、躺下和跌倒(在后文中統(tǒng)稱這四種動作為異常動作)在其日常生活中的比例是非常小的。

通過實驗分析可得，用加速度傳感器數(shù)據(jù)足夠?qū)⒆呗?、靜止、跑、上/下樓梯以及異常動作識別出來。因此,首先只需提取加速度傳感器數(shù)據(jù)，并對其數(shù)據(jù)進(jìn)行特征提取信，然后用易實現(xiàn)且復(fù)雜度低、實時性較好基于閾值的決策樹分類器對人體運(yùn)動進(jìn)行簡單的識別，識別出靜止、跑步、走路、上下樓、異常動作中的一種。如果沒有出現(xiàn)異常動作，則結(jié)束這次識別;否則,提取陀螺儀傳感器的數(shù)據(jù)，并提取其數(shù)據(jù)特征，再次采用基于閾值的決策樹分類器進(jìn)行進(jìn)一步的識別。如圖2所示。

圖2　人體運(yùn)動識別的框圖Fig 2　Frame chart of human motion recognition

跌倒檢測系統(tǒng)中系統(tǒng)能耗主要需要考慮2個方面：傳感器數(shù)據(jù)采集終端和跌倒識別終端。傳感器數(shù)據(jù)采集終端消耗的能量主要包括傳感器采集數(shù)據(jù)的能耗、發(fā)送數(shù)據(jù)的能耗以及基本能耗，其中前2個因素消耗的能量占80 %以上[6]。識別終端消耗的能量主要由數(shù)據(jù)的接收、數(shù)據(jù)的處理和識別的算法3個方面組成。本文提出的方案減少了對陀螺儀傳感器數(shù)據(jù)的傳送和處理，因此,該算法不僅會減少識別終端的能耗，而且也能降低傳感器數(shù)據(jù)采集終端的能耗。

3人體運(yùn)動的識別

3.1傳感器數(shù)據(jù)的采集

傳感器數(shù)據(jù)采集終端佩戴位置直接影響到識別的準(zhǔn)確度，本文經(jīng)過多次實驗發(fā)現(xiàn)佩戴在人體腰部是最理想的，如圖3所示，因為腰部相對而言是運(yùn)動變化幅度最小，同時滿足用戶佩戴方便的要求。

圖3　數(shù)據(jù)采集模塊放置位置示意圖Fig 3　Diagram of data acquisition module placement position

實驗志愿者為15名青年學(xué)生，其中7男8女，年齡在22～26歲之間,身高155～180 cm。實驗中，要求實驗者模擬老年人日常生活靜止(躺、坐、站)，走、跑、上/下樓梯、坐下/站起、下蹲/站起、躺下和跌倒八類行為，每個動作要求在10 s內(nèi)完成，每個動作需要重復(fù)5次，并將數(shù)據(jù)上傳到PC端。

3.2跌倒檢測算法的實現(xiàn)

將采集的所有加速度傳感器數(shù)據(jù)提取輸入到weka軟件，用weka軟件對數(shù)據(jù)進(jìn)行預(yù)處理，計算出加速度傳感器數(shù)據(jù)的均值、標(biāo)準(zhǔn)偏差和偏差，然后采用C 4.5的決策樹對加速度的數(shù)據(jù)進(jìn)行挖掘，通過機(jī)器自學(xué)習(xí)后，得到識別結(jié)果樹形圖，如圖4所示。

圖4　基于加速度數(shù)據(jù)的決策樹分類結(jié)果樹形圖Fig 4　Tree diagram of decision tree classification result based on acceleration data

為了進(jìn)一步對異常動作進(jìn)行識別，則在weka中將陀螺儀傳感器的數(shù)據(jù)進(jìn)行預(yù)處理和分析，計算出加速度傳感器數(shù)據(jù)的均值、標(biāo)準(zhǔn)偏差和偏差,最后采用weka軟件進(jìn)行挖掘得到識別結(jié)果樹形圖，如圖5所示。

圖5　基于陀螺儀數(shù)據(jù)的決策樹分類結(jié)果樹形圖Fig 5　Tree diagram of decision tree classification result based on gyroscope data

4實驗結(jié)果的分析

將識別器的算法移植到便攜的終端，實驗志愿者佩戴好數(shù)據(jù)采集模塊和手機(jī)， 20名學(xué)生，其中,10男10女，實驗中要求實驗者模擬老年人日常生活靜止(躺、坐、站)，走、跑、上/下樓梯、坐下/站起、下蹲/站起和跌倒八類行為，每個動作要求在10 s內(nèi)完成，每個動作需要重復(fù)2次，則每組動作有40個樣本進(jìn)行檢測，八類不同動作的識別率，如表1。

表1　人體行為識別率

通過分析表1可得，該識別系統(tǒng)在降低了系統(tǒng)的能耗同時又具有較高的識別率，而且方便攜帶，適用于各種環(huán)境。

5結(jié)論

本文研究了基于加速度傳感器和陀螺儀傳感器的人體識別算法與研究，由于系統(tǒng)能量消耗是人體穿戴設(shè)備的一個重要因素，因此，本文提出了基于決策樹的兩層分類識別系統(tǒng)。相比于現(xiàn)有的其他系統(tǒng)，本系統(tǒng)在確保降低了系統(tǒng)能耗的同時，又有較高識別率，而且能識別較多的人體運(yùn)動信息、并且便于攜帶,具有很強(qiáng)的實用和研究價值。

參考文獻(xiàn):

[1]田國會,吉艷青,黃彬,等.基于多特征融合的人體動作識別[J].山東大學(xué)學(xué)報：工學(xué)版,2009,39(5):43-47.

[2]Toshiyo Tamura,Takumi Yoshimura,Masaki Sekine,et al.A wearable airbag to prevent fall injuries[J].IEEE Transaction on Information Technology in Biomedicine,2009,13(6):910-914.

[3]Nam Y,Par J W.Child activity recognition based on cooperative fusion model of a triaxial accelerometer and a barometric pressure sensor[J].IEEE Jounals of Biomedicial and Health Informatics,2013,17(2):420-426.

[4]Dinh A.Data acquisition system using six degree-of-freedom inertia sensor and Zig Bee wireless link for fall detection and prevention[C]∥IEEE 30th Annual International Conference on Engineering in Medicine and Biology Society,2008:2353-2356.

[5]Inensense MPU—600 and MPU—6050 product specification revision 3.3[EB/OL].[2012—05—16].http:∥www.invensense.com/mems/gyro/sixaxis.html.

[6]Park Taiwoo,Lee Jinwon,Hwang Inseok,et al.E-gesture:A collaborative architecture for energy-efficient gesture recognition with hand-worn sensor and mobile devices[C]∥Proc of the 9th ACM Conf on Embedded Networked Sensor System,New York:ACM,2011:260-273.

Human behavior recognition system based on multi-sensor*

ZHOU Lin1, LEI Li-ping1, YANG Long-pin2

(1.Technology Center on Communication Software,Chongqing University of Posts and Telecommunications, Chongqing 400065,China;2.Hospital of Beijing,Beijing 100730,China)

Abstract:The multi-sensor-based human behavior recognition system is proposed to improve recognition rate of system on human behavior,and can reduce system energy consumption.Data features are extracted from sensor data information by mathematical statistics means within sliding time window;by using weka software,analyze data festures,a two-layer classification recognition algorithm based on decision tree is designed to recognize eight common human behaviors.Experimental result demonstrates that this system achieves high recognition rate of 93.12 %,and reduces system energy consumption,and it is portable and has strong practical applicability.

Key words:recognition rate; system energy consumption; data features; decision tree

DOI:10.13873/J.1000—9787(2016)03—0089—03

中圖分類號:TP 302

文獻(xiàn)標(biāo)識碼:A

文章編號:1000—9787(2016)03—0089—03

作者簡介:

周林(1963-)，男，四川內(nèi)江人，副教授，碩士生導(dǎo)師，主要研究方向為數(shù)據(jù)通信、 計算機(jī)網(wǎng)絡(luò)、物聯(lián)網(wǎng)等。

雷麗平 ,通訊作者，E—mail:1034229460@qq.com。