基于手機(jī)傳感器的握持方式判斷及運(yùn)動(dòng)狀態(tài)識(shí)別

黃一鳴，雷 航，周 瑞，桑 楠

?

基于手機(jī)傳感器的握持方式判斷及運(yùn)動(dòng)狀態(tài)識(shí)別

黃一鳴，雷 航，周 瑞，桑 楠

(電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054)

傳統(tǒng)運(yùn)動(dòng)識(shí)別技術(shù)多以傳感器位置固定為前提進(jìn)行識(shí)別，但當(dāng)傳感器放置位置或握持方式發(fā)生變化時(shí)運(yùn)動(dòng)識(shí)別率會(huì)受到相應(yīng)影響。該文提出了一種基于手機(jī)傳感器的握持方式判斷及運(yùn)動(dòng)狀態(tài)識(shí)別方法，解決了傳感器隨放置位置不同影響運(yùn)動(dòng)識(shí)別率的缺點(diǎn)。該方法首先通過(guò)傳感器對(duì)設(shè)備握持方式進(jìn)行判斷，使用不同握持方式下的三軸加速度數(shù)據(jù)進(jìn)行特征提取，通過(guò)多層小波變換得到各層高頻和低頻部分，對(duì)其進(jìn)行組合形成初級(jí)特征，用奇異值分解對(duì)初級(jí)特征進(jìn)行降維得到最終特征，使用基于徑向基核函數(shù)的多分類(lèi)支持向量機(jī)(SVM)對(duì)特征分類(lèi)，進(jìn)而判斷不同握持方式下的不同運(yùn)動(dòng)。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)不同運(yùn)動(dòng)方式下的平均識(shí)別率為93%。

運(yùn)動(dòng)識(shí)別; 奇異值分解; 支持向量機(jī); 小波變換

現(xiàn)今手持智能移動(dòng)設(shè)備極速發(fā)展，各類(lèi)傳感器(加速度傳感器、光照傳感器、陀螺儀等)越來(lái)越多的集成到移動(dòng)終端，使其功能更趨多樣化、智能化，推動(dòng)了普適計(jì)算的進(jìn)一步發(fā)展。普適計(jì)算的一個(gè)中心要素是具有識(shí)別和理解人的能力，該能力獲取人的上下文信息包括人的狀態(tài)、位置、環(huán)境[1]等，因此越來(lái)越多的研究關(guān)注于人體運(yùn)動(dòng)信息的識(shí)別。人體運(yùn)動(dòng)識(shí)別方法主要分為基于視覺(jué)和基于傳感器，前者從包含人的圖像序列中檢測(cè)、識(shí)別、跟蹤人并對(duì)其行為進(jìn)行理解和描述[2]，后者使用可穿戴傳感器對(duì)用戶(hù)運(yùn)動(dòng)信息進(jìn)行收集，并對(duì)傳感數(shù)據(jù)進(jìn)行分析，識(shí)別出人的運(yùn)動(dòng)[3]?；趥鞲衅鞯姆椒ㄍǔ＞哂幸韵虏襟E：傳感器信號(hào)預(yù)處理、特征提取及特征分類(lèi)。文獻(xiàn)[4]使用加速度傳感器的均值、標(biāo)準(zhǔn)差、合加速度的均值以及兩波峰間距作為特征，對(duì)6種運(yùn)動(dòng)進(jìn)行分類(lèi)(走、跳、上下樓、坐、站立)，使用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，達(dá)到91.7%的分類(lèi)正確率。文獻(xiàn)[5]對(duì)加速度傳感器數(shù)據(jù)進(jìn)行離散小波變換，將每層高低頻的能量作為運(yùn)動(dòng)特征，使用樸素貝葉斯和多層感知器的分類(lèi)方法對(duì)7種運(yùn)動(dòng)(靜止、行走、跳、沖刺跑、擊球、截球、運(yùn)球)分類(lèi)，得到最高87%的準(zhǔn)確率。以上兩種方法都需將傳感器固定于身體特定位置才能進(jìn)行識(shí)別，降低了靈活性。文獻(xiàn)[6]使用二次判別法(quadratic discriminant analysis, QDA)和最近鄰法(k nearest neighbors, KNN)對(duì)5類(lèi)運(yùn)動(dòng)(靜止、行走、騎車(chē)、開(kāi)車(chē)、跑步)進(jìn)行了分類(lèi)，并分別達(dá)到95.8%和93.9%的正確率。文獻(xiàn)[7]將加速度信號(hào)的自相關(guān)模型系數(shù)和信號(hào)幅值區(qū)域作為特征，使用BP(back propagation)神經(jīng)網(wǎng)絡(luò)對(duì)4類(lèi)運(yùn)動(dòng)(躺下、站立、行走、跑步)進(jìn)行分類(lèi)并達(dá)到99%的正確率。以上兩種方法都只考慮了較少的運(yùn)動(dòng)狀態(tài)。文獻(xiàn)[3]以加速度信號(hào)的均值、標(biāo)準(zhǔn)差、能量及相關(guān)系數(shù)作為特征，對(duì)6類(lèi)運(yùn)動(dòng)(站立、行走、跑、上下樓、起立、打掃、刷牙)使用簡(jiǎn)單投票的方法融合多個(gè)決策樹(shù)分類(lèi)器進(jìn)行分類(lèi)。文獻(xiàn)[8]使用兩軸加速度信號(hào)的均值、能量、頻域熵以及相關(guān)系數(shù)作為特征，使用決策樹(shù)對(duì)20種運(yùn)動(dòng)進(jìn)行分類(lèi)，分類(lèi)正確率為80%左右。文獻(xiàn)[9]使用兩軸傳感器，通過(guò)最小二乘支持向量機(jī)(LS-SVM)對(duì)8種運(yùn)動(dòng)(站立靜止、站立擺手、輕微擺手行走、正常擺手行走、轉(zhuǎn)彎、上下樓)進(jìn)行分類(lèi)，該類(lèi)方法并沒(méi)有對(duì)運(yùn)動(dòng)進(jìn)一步細(xì)分，精確識(shí)別出具體是何種速度下的運(yùn)動(dòng)。

使用傳感器進(jìn)行運(yùn)動(dòng)識(shí)別，以往研究大多基于傳感器固定于身體某位置的假設(shè)，識(shí)別方法對(duì)傳感器位置要求較高，實(shí)際情況中傳感器在運(yùn)動(dòng)過(guò)程中可能出現(xiàn)位置變化，影響判別精度。不同位置下傳感器數(shù)據(jù)不同，分類(lèi)依據(jù)也不同，固定傳感器使其靈活性大大降低。近年來(lái)研究也開(kāi)始考慮傳感器的位置無(wú)關(guān)性[10]，但精度卻不及固定傳感器的方法。本文提出一種首先判斷移動(dòng)設(shè)備握持方式，再根據(jù)不同位置使用不同分類(lèi)模型進(jìn)行運(yùn)動(dòng)分類(lèi)的方法。解決了傳感器固定造成的靈活性低以及分類(lèi)種類(lèi)少的缺點(diǎn)。該方法首先對(duì)不同握持方式下的多傳感器數(shù)據(jù)進(jìn)行分析，確定設(shè)備位置；然后使用多層離散小波變換處理原始加速度傳感器信號(hào)，將每一層的高頻部分和最后一層的低頻部分作為特征，使用奇異值分解法對(duì)特征進(jìn)行降維得到輕量級(jí)的特征；最后用基于徑向基核函數(shù)的SVM進(jìn)行特征分類(lèi)。實(shí)驗(yàn)結(jié)果表明本文方法識(shí)別了5種握持方式(耳邊、兜、貼近身體一側(cè)、胸前、身體一側(cè)擺動(dòng))下的5種運(yùn)動(dòng)(靜止、慢速、快速、常速、跑步)。

1 系統(tǒng)結(jié)構(gòu)及預(yù)處理

1.1 系統(tǒng)結(jié)構(gòu)

系統(tǒng)主要分為4部分：傳感器數(shù)據(jù)的收集及預(yù)處理、運(yùn)動(dòng)特征提取、手機(jī)握持方式識(shí)別、行人運(yùn)動(dòng)狀態(tài)識(shí)別。系統(tǒng)結(jié)構(gòu)如圖1所示，圖2為該系統(tǒng)的實(shí)現(xiàn)流程。圖1中預(yù)處理模塊對(duì)不同軸向多傳感器數(shù)據(jù)進(jìn)行整理和降噪預(yù)處理操作。特征提取模塊根據(jù)不同握持方式提取不同傳感器數(shù)據(jù)特征，并進(jìn)行降維處理。運(yùn)動(dòng)狀態(tài)識(shí)別分為訓(xùn)練階段和識(shí)別階段，訓(xùn)練階段對(duì)運(yùn)動(dòng)狀態(tài)特征進(jìn)行學(xué)習(xí)、獲取分類(lèi)模型參數(shù)；識(shí)別階段使用訓(xùn)練所得模型參數(shù)，對(duì)未知類(lèi)別數(shù)據(jù)進(jìn)行分類(lèi)，最終輸出識(shí)別結(jié)果。后文將詳細(xì)介紹各個(gè)模塊。

1.2 重力去除

該系統(tǒng)獲取手機(jī)中運(yùn)動(dòng)傳感器(加速度傳感器)數(shù)據(jù)。集成在手機(jī)中的三軸(,,)加速度傳感器分為兩種：一種是由于恒定重力作用產(chǎn)生的加速度，另一種是用戶(hù)握持設(shè)備運(yùn)動(dòng)產(chǎn)生的加速度[11]。為了獲取真實(shí)運(yùn)動(dòng)狀態(tài)需將重力剔除，因此將重力及傳感器本身的測(cè)量誤差均視為噪音。該方法分別對(duì)重力和測(cè)量誤差產(chǎn)生的噪音進(jìn)行降噪處理。去除重力干擾，使用濾波器公式如下[11]：

(2)

1.3 加速度數(shù)據(jù)降噪

為降低傳感器測(cè)量噪音，本文使用了簡(jiǎn)單移動(dòng)平均(simple moving average,)的方法。方法其基本原理是將每個(gè)數(shù)據(jù)值替代為其鄰近數(shù)據(jù)的均值，降低噪音數(shù)據(jù)對(duì)波形的影響，從而讓曲線更加平滑，突出整個(gè)曲線的變化趨勢(shì)，便于后續(xù)分析及處理。式(3)為滑動(dòng)窗口為的平滑：

(4)

圖3 SMA濾波效果

2 握持方式及運(yùn)動(dòng)狀態(tài)識(shí)別

2.1 握持方式識(shí)別

握持手機(jī)方式不同，傳感器數(shù)據(jù)變化規(guī)律也不同。如正常行走時(shí)，手臂的自然擺動(dòng)會(huì)引起近程傳感器讀數(shù)交替變換。根據(jù)此類(lèi)現(xiàn)象對(duì)手機(jī)握持方式(耳邊、兜、貼近身體一側(cè)、胸前、身體一側(cè)擺動(dòng))進(jìn)行判斷，流程見(jiàn)圖4所示。獲取光照、近程、加速度傳感器數(shù)據(jù)，依據(jù)數(shù)值變化特點(diǎn)進(jìn)行握持方式判別。握持方式按近程傳感器數(shù)據(jù)劃分三大類(lèi)：靠近、遠(yuǎn)離、遠(yuǎn)近交替。靠近身體對(duì)應(yīng)傳感器數(shù)值較小，遠(yuǎn)離身體對(duì)應(yīng)傳感器數(shù)值較大，遠(yuǎn)近交替對(duì)應(yīng)傳感器數(shù)值大小交替變換。

對(duì)靠近身體這一類(lèi)別，結(jié)合光照傳感器、加速度傳感器及Android系統(tǒng)狀態(tài)，判別出耳邊、兜里及貼近身體靜止3種方式。當(dāng)光照強(qiáng)度為0且系統(tǒng)狀態(tài)為通話，判定為耳邊；當(dāng)光照強(qiáng)度小于20 lux時(shí)，判斷為放在兜里；當(dāng)相鄰加速度傳感器差值的絕對(duì)值小于5 m/s2，判斷為貼近身體靜止。對(duì)遠(yuǎn)離身體這一類(lèi)別，結(jié)合加速度傳感器及系統(tǒng)觸屏狀態(tài)，判別出操作手機(jī)及看手機(jī)。通過(guò)調(diào)用系統(tǒng)函數(shù)獲取系統(tǒng)觸屏狀態(tài)，當(dāng)狀態(tài)為觸摸時(shí)，判斷為操作手機(jī)。當(dāng)加速度傳感器軸數(shù)值大于5 m/s2，判斷為看手機(jī)。遠(yuǎn)近交替這一類(lèi)別，近程傳感器會(huì)出現(xiàn)數(shù)值的交替變換，據(jù)此可判斷此時(shí)握持方式為握持手機(jī)雙臂擺動(dòng)行走。以上對(duì)于閾值的設(shè)定均為實(shí)驗(yàn)環(huán)境下經(jīng)驗(yàn)值。判斷出握持方式后，按各類(lèi)握持方式，選取相應(yīng)軸向加速度數(shù)據(jù)進(jìn)行運(yùn)動(dòng)特征提取及運(yùn)動(dòng)狀態(tài)分類(lèi)。

2.2 運(yùn)動(dòng)特征提取

提取運(yùn)動(dòng)特征主要有時(shí)域法及頻域法，時(shí)域法直接提取傳感器時(shí)序序列的統(tǒng)計(jì)特征，如均值、方差、最大值、最小值等，頻域法則大多通過(guò)傅里葉變換得到信號(hào)頻率構(gòu)成，據(jù)此分析傳感器時(shí)序序列。兩種方法能一定程度上地反應(yīng)運(yùn)動(dòng)波形特點(diǎn)，但都較片面，無(wú)法全面對(duì)波形特性進(jìn)行描述。本文采用兩步進(jìn)行特征提取，首先使用能同時(shí)提取信號(hào)時(shí)頻信息的離散小波變換進(jìn)行波形分析，使用文獻(xiàn)[12]的Mallat算法對(duì)波形信息進(jìn)行小波變換，提取出信號(hào)高頻及低頻信息，并組成初級(jí)特征，再使用奇異值分解將較高維度的特征進(jìn)行降維，獲得適合分類(lèi)的最終運(yùn)動(dòng)特征。Mallat算法是一種信號(hào)分解的方法，使用階層式架構(gòu)，對(duì)原始運(yùn)動(dòng)信號(hào)在不同尺度下進(jìn)行分解，從而得到低頻分量(即近似部分)和高頻分量(即細(xì)節(jié)部分)，分解過(guò)程如圖5所示。

低頻分量為信號(hào)的近似值，是大的縮放因子產(chǎn)生的系數(shù)；高頻分量為信號(hào)的細(xì)節(jié)值，是小的縮放因子產(chǎn)生的系數(shù)。其中每層的低頻和高頻分量通過(guò)式(5)和式(6)進(jìn)行計(jì)算：

(6)

圖5 離散小波變換階層結(jié)構(gòu)

圖5中每層分解都需通過(guò)兩個(gè)互補(bǔ)的高通濾波器和低通濾波器，并輸出該層級(jí)的高頻部分及低頻部分。每一層的輸入為上一層的低頻輸出，以此類(lèi)推。其中低通濾波器系數(shù)為：

同理高通濾波器系數(shù)為：

(8)

為獲得較多運(yùn)動(dòng)的細(xì)節(jié)，該方法將傳感器的采樣頻率設(shè)置為50 Hz，但短時(shí)間內(nèi)將產(chǎn)生到較大維度特征，不利于后續(xù)分類(lèi)操作，故將原高維特征通過(guò)奇異值分解(singular value decomposition, SVD)的方法進(jìn)行降維[13]，得較低維度特征。奇異值分解為對(duì)任意實(shí)矩陣，那么存在正交階酉矩陣和階的酉矩陣，使得：

(10)

所以：

(12)

單位向量則為：

由此：

(14)

2.3 運(yùn)動(dòng)狀態(tài)識(shí)別

得到不同握持方式下的運(yùn)動(dòng)信號(hào)特征后，使用支持向量機(jī)SVM進(jìn)行特征分類(lèi)[14]。SVM屬于監(jiān)督式學(xué)習(xí)，分為訓(xùn)練階段和測(cè)試階段。訓(xùn)練階段采集不同握持狀態(tài)下，每2 s內(nèi)的不同軸向加速度信號(hào)作為原始數(shù)據(jù)，通過(guò)上節(jié)介紹的小波變換和SVD進(jìn)行特征提取及降維，并用徑向基函數(shù)為核函數(shù)的軟間隔支持向量機(jī)進(jìn)行訓(xùn)練，最終得到分類(lèi)模型。測(cè)試階段，先經(jīng)過(guò)握持方式判斷，根據(jù)結(jié)果選取相應(yīng)軸向上的加速度信號(hào)，對(duì)其進(jìn)行與訓(xùn)練階段相同的特征提取及降維操作，最后使用訓(xùn)練階段得到的模型進(jìn)行運(yùn)動(dòng)狀態(tài)識(shí)別。

為得到較好的泛化能力及非線性分類(lèi)效果，使用基于徑向基的軟間隔支持向量機(jī)，解決多維的運(yùn)動(dòng)狀態(tài)分類(lèi)問(wèn)題：

(15)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 握持方式識(shí)別

本節(jié)對(duì)5種握持方式進(jìn)行實(shí)驗(yàn)，每種握持狀態(tài)進(jìn)行樣本數(shù)為100的測(cè)試。令ST為一側(cè)不動(dòng)，為兜里，為耳邊，為看手機(jī)，為接觸屏幕，為手臂擺動(dòng)；其中看手機(jī)和接觸屏幕均歸為胸前握持。實(shí)驗(yàn)發(fā)現(xiàn)，兜里和一側(cè)不動(dòng)的判別結(jié)果依賴(lài)于光照條件，所以光照對(duì)判別結(jié)果有一定影響。正常光照及弱光條件下進(jìn)行的測(cè)試如表1和表2所示，每類(lèi)為100個(gè)測(cè)試樣本。

表1 正常光照條件下的握持方式判斷結(jié)果

表2 弱光條件下握持方式判斷結(jié)果

常光及弱光條件下，判別結(jié)果差別集中于兜里和身體一側(cè)靜止兩類(lèi)。因兜里的狀態(tài)判斷依據(jù)是近程傳感器數(shù)值為0且光照傳感器數(shù)值處于較小值。弱光環(huán)境下，即使未放在兜里，靠近身體一側(cè)時(shí)光照傳感器數(shù)值也會(huì)較小，故身體一側(cè)靜止和兜里兩個(gè)狀態(tài)易混淆。

3.2 運(yùn)動(dòng)狀態(tài)識(shí)別

本節(jié)對(duì)不同握持方式下的5種運(yùn)動(dòng)狀態(tài)識(shí)別進(jìn)行實(shí)驗(yàn)。HT代表握持方式，AT代表運(yùn)動(dòng)狀態(tài)。實(shí)際常光場(chǎng)景中握持手機(jī)貼近身體多數(shù)為靜止?fàn)顟B(tài)，較易判斷，故只對(duì)擺手、胸前、兜、耳邊4種握持方式下的運(yùn)動(dòng)進(jìn)行識(shí)別。胸前選擇軸數(shù)據(jù)；耳邊、擺手、兜中選擇軸數(shù)據(jù)。交叉驗(yàn)證所得分類(lèi)正確率如表3所示，不同運(yùn)動(dòng)狀態(tài)識(shí)別率如表4～表7所示。

表3 訓(xùn)練分類(lèi)正確率

表4 胸前狀態(tài)下運(yùn)動(dòng)分類(lèi)混淆率

表5 擺手狀態(tài)下運(yùn)動(dòng)分類(lèi)混效率

表6 耳邊狀態(tài)下運(yùn)動(dòng)分類(lèi)混效率

表7 褲兜狀態(tài)下運(yùn)動(dòng)分類(lèi)混效率

由表3可見(jiàn)，胸前、褲兜、耳邊3類(lèi)靜止?fàn)顟B(tài)下的分類(lèi)均正確。靜止?fàn)顟B(tài)各軸數(shù)值在0附近波動(dòng)，與其他幾類(lèi)差別較大，故分類(lèi)正確率較高。擺手靜止為站立不動(dòng)狀態(tài)下擺手，與勻速行走中擺手相似，故分類(lèi)表現(xiàn)低于胸前、兜、耳邊3類(lèi)。

本文分別使用文獻(xiàn)[15]中的4種常用分類(lèi)算法，對(duì)運(yùn)動(dòng)狀態(tài)識(shí)別效果進(jìn)行比較，結(jié)果如表8所示。由表可看出，通過(guò)參數(shù)尋優(yōu)的SVM在幾種情況中綜合表現(xiàn)最好，能夠?qū)崿F(xiàn)較高的運(yùn)動(dòng)識(shí)別正確率。支持向量機(jī)以結(jié)構(gòu)化風(fēng)險(xiǎn)最小為目標(biāo)，決策面取決于支持向量，并非利用數(shù)據(jù)的分布情況，故其在較小數(shù)據(jù)樣本上的分類(lèi)效果優(yōu)于其他幾類(lèi)分類(lèi)算法。

表8 常用分類(lèi)器分類(lèi)效果比較

3.3 特征及其他方法對(duì)比實(shí)驗(yàn)

本節(jié)選用不同特征進(jìn)行運(yùn)動(dòng)識(shí)別對(duì)比。以胸前握持為例，對(duì)常用特征如方向速度、統(tǒng)計(jì)特征(均值、方差[16])進(jìn)行實(shí)驗(yàn)對(duì)比。

表9 不同特征下的分類(lèi)效果比較

運(yùn)動(dòng)狀態(tài)特征/% 統(tǒng)計(jì)特征Y方向速度本文特征 靜止42 100100 慢走46 4398 勻速75 6795 快速847695 跑步100 10096 平均精度69.47796.8

由表9可見(jiàn)統(tǒng)計(jì)特征存在慢走和靜止識(shí)別率較低的情況，這是由于統(tǒng)計(jì)特征對(duì)速度較小變化的敏感度不高，導(dǎo)致靜止和慢走混效率較高。軸方向(前進(jìn)方向)只能在靜止和快速跑動(dòng)時(shí)效果明顯，其余速度下分類(lèi)效果較差，出現(xiàn)慢走與勻速，快速與勻速產(chǎn)生混淆的情況。綜上，本文特征提取方法較優(yōu)。

表10 不同識(shí)別方法效果對(duì)比

表10為不同方法的綜合識(shí)別精度對(duì)比。該表中HMM以隨機(jī)森林進(jìn)行特征選擇用隱馬爾科夫模型進(jìn)行分類(lèi)[17]。該方法雖然平均精度為92%，但是其運(yùn)動(dòng)的分類(lèi)數(shù)量較少，也未考慮到手機(jī)握持對(duì)識(shí)別的影響。ANN以自回歸系數(shù)作為特征用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)[10]。該方法雖特征提取過(guò)程較簡(jiǎn)單，但識(shí)別精度較低。GMM以高斯混合模型進(jìn)行分類(lèi)[18]。該方法使用固定在手腕上的傳感器進(jìn)行數(shù)據(jù)采集，雖然有91%的識(shí)別精度，但缺乏靈活性。綜上，本文方法相比以往識(shí)別及特征選取算法有一定提高。

3.4 握持及運(yùn)動(dòng)綜合實(shí)驗(yàn)

本節(jié)將握持方式及運(yùn)動(dòng)識(shí)別結(jié)合在一起進(jìn)行實(shí)驗(yàn)。3.1節(jié)所提到的握持方式受光照影響，故此節(jié)實(shí)驗(yàn)均處于正常光照條件下進(jìn)行。實(shí)驗(yàn)結(jié)果如表11所示，其中擺手及兜中識(shí)別率較低而耳邊及胸前識(shí)別率較高。當(dāng)設(shè)備相對(duì)固定時(shí)，運(yùn)動(dòng)的隨意性對(duì)傳感器數(shù)據(jù)影響較小，引入的運(yùn)動(dòng)識(shí)別噪聲也就較小。擺手及兜兩種狀態(tài)下，不同人的擺手姿勢(shì)不相同，手機(jī)放入兜中的姿態(tài)也不同，干擾了運(yùn)動(dòng)分類(lèi)，故兩種狀態(tài)下的分類(lèi)識(shí)別率較低。

表11 握持及運(yùn)動(dòng)狀態(tài)綜合識(shí)別

4 結(jié)束語(yǔ)

本文使用兩段式方法對(duì)握持方式及運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別，識(shí)別出5種握持方式(耳邊、兜、貼近身體一側(cè)、胸前、身體一側(cè)擺動(dòng))下的5種運(yùn)動(dòng)狀態(tài)(靜止、慢速、快速、常速、跑步)。以往研究常忽視掉手機(jī)握持方式對(duì)運(yùn)動(dòng)識(shí)別的影響。本文創(chuàng)新地將手機(jī)的握持方式考慮到運(yùn)動(dòng)識(shí)別中，首先識(shí)別握持方式再識(shí)別運(yùn)動(dòng)狀態(tài)。用小波變換對(duì)原數(shù)據(jù)進(jìn)行特征提取，用SVD對(duì)高維特征進(jìn)行降維，最后使用基于徑向基核函數(shù)的支持向量機(jī)解決運(yùn)動(dòng)多分類(lèi)問(wèn)題。未來(lái)可進(jìn)一步提高在弱光情況下的握持方式識(shí)別率，研究更多的運(yùn)動(dòng)狀態(tài)。

[1] ABDULLAH M F A, NEGARA A F P, SAYEED M S, et al. Classification algorithms in human activity recognition using smartphones[J]. International Journal of Computer and Information Engineering, 2012, 6: 77-84.

[2] 王亮, 胡衛(wèi)明, 譚鐵牛. 人運(yùn)動(dòng)的視覺(jué)分析綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 2002, 25(3): 225-237.

WANG Liang, HU Wei-ming, TAN Tie-niu. A survey of visual analysis of human motion[J]. Chinese Journal of Computers, 2002, 25(3): 225-237.

[3] RAVI N, DANDEKAR N, MYSORE P, et al. Activity recognition from accelerometer data[C]//American Association for the Artificial Intelligence. IAAI' 05 Proceedings of the 17th conference on Innovative applications of artificial intelligence. [S.l.]: AAAI Press, 2005, 5: 1541-1546.

[4] KWAPISZ J R, WEISS G M, MOORE S A. Activity recognition using cell phone accelerometers[J]. ACM SigKDD Explorations Newsletter, 2011, 12(2): 74-82.

[5] MITCHELL E, MONAGHAN D, O'CONNOR N E. Classification of sporting activities using smartphone accelerometers[J]. Sensors, 2013, 13(4): 5317-5337.

[6] SIIRTOLA P, R?NING J. Recognizing human activities user-independently on smartphones based on accelerometer data[J]. International Journal of Interactive Multimedia and Artificial Intelligence, 2012, 1(5): 38-45.

[7] KHAN A M, LEE Y K, KIM T S. Accelerometer signal-based human activity recognition using augmented autoregressive model coefficients and artificial neural nets[C]//Engineering in Medicine and Biology Society, 2008. [S.l.]: IEEE, 2008: 5172-5175.

[8] BAO L, INTILLE S S. Activity recognition from user-annotated acceleration data[C]//Pervasive computing. Berlin, Heidelberg: Springer, 2004: 1-17.

[9] PEI L, LIU J, GUINNESS R, et al. Using LS-SVM based motion recognition for smartphone indoor wireless positioning[J]. Sensors, 2012, 12(5): 6155-6175.

[10] KHAN A M, SIDDIQI M H, LEE S W. Exploratory data analysis of acceleration signals to select light-weight and accurate featuresfor real-time activity recognition on smartphones[J]. Sensors, 2013, 13(10): 13099-13122.

[11] Google Inc. Isolating the force of gravity using a low-pass filter, 2014[EB/OL]. (2015-11-2). http://developer.android. com/reference/android/hardware/SensorEvent.html#values.

[12] MALLAT S G. A theory for multiresolution signal decomposition: the wavelet representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7): 674-693.

[13] HOLMES G, DONKIN A, WITTEN I H. Weka: a machine learning workbench[C]//Proceedings of the 1994 Second Australian and New Zealand Conference on Intelligent Information Systems. [S.l.]: IEEE, 1994: 357-361.

[14] CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2(3): 27.

[15] HOLMES G, DONKIN A, WITTEN I H. Weka: a machine learning workbench[C]//Proceedings of the 1994 Second Australian and New Zealand Conference on Intelligent Information Systems. [S.l.]: IEEE, 1994: 357-361.

[16] LEE Y S, CHO S B. Activity recognition with android phone using mixture-of-experts co-trained with labeled and unlabeled data[J]. Neurocomputing, 126 (2014): 106-115.

[17] RONAO C, CHO S B. Human activity recognition using smartphone sensors with two-stage continuous hidden Markov models[C]//2014 10th International Conference on Natural Computation. [S.l.]: IEEE, 2014: 681-686.

[18] ALLEN F R, AMBIKAIRAJAH E，LOVELL N H. An adapted gaussian mixture model approach to accelerometry-based movement classification using time-domain features[C]//28th Annual International Conference of the IEEE. Engineering in Medicine and Biology Society [S.l.]: IEEE, 2006: 3600-3603.

編 輯 蔣 曉

Activity and Holding Mode Recognition Using Multiple Sensors

HUANG Yi-ming, LEI Hang, ZHOU Rui, and SANG Nan

(School of Information and Software Engineering, University of Electronic Science and Technology of China Chengdu 610054)

Traditional activity recognition methods are based on sensors at the fixed positions of users. Once the sensors’ positions are changed, the performance of the methods will be degraded. Unlike most of these studies, the proposed system firstly detects the holding mode of the phone, and then recognizes the human activities. Our work contains preprocessing, feature extraction and classification. By using wavelet transform and singular value decomposition to extract and reduce features dimension and using RBF-based SVM (support vector machine) for classification, the system is able to recognize 5 holding modes (close to body on the side, swing, holding at the front, close to ear) and 5 activities (stationary, slow walking, normal walking, fast walking and running). Comparing with 4 common classifiers, the result shows that the proposed method performs the best and its detection accuracy is about 93% .

activity recognition; singular value decomposition; support vector machine; wavelet transform

TP181

A

10.3969/j.issn.1001-0548.2017.02.014

2015-11-19；

2016-05-03

國(guó)家科技部基金(2012BAH44F02）

黃一鳴(1991-)，男，博士生，主要從事機(jī)器學(xué)習(xí)、模式識(shí)別方面的研究.