利用GRNN和PNN對運(yùn)動姿態(tài)的識別研究

黃元植+黃銳敏+莫冰+傅文源

摘要：提出了一種利用由MPU6050和CC2541組合的開發(fā)板，運(yùn)用GRNN和PNN實(shí)現(xiàn)運(yùn)動姿態(tài)的識別。MPU6050測出三軸加速度的原始數(shù)據(jù)，CC2541用來采集三軸加速度數(shù)據(jù)，并通過串口傳輸?shù)缴衔粰C(jī)MATLAB端，對原始數(shù)據(jù)主要的處理方法是通過MATLAB進(jìn)行小波變換，濾除噪聲，得到三軸加速度數(shù)據(jù)主體部分，并在上位機(jī)端編寫了提取特征點(diǎn)，特征點(diǎn)在時域和頻域各取三個，共有六個特征點(diǎn)，進(jìn)行運(yùn)動姿態(tài)的識別判斷。在特征點(diǎn)的選用上利用算法比較了不同的特征點(diǎn)的組合，得到一個最優(yōu)結(jié)果。在上位機(jī)端編寫GRNN和PNN的程序，可以運(yùn)行出準(zhǔn)確度，運(yùn)行時間，得到GRNN的準(zhǔn)確度為90.1%，PNN的準(zhǔn)確度為91.6%，運(yùn)行時間均在1秒以下。

關(guān)鍵詞：運(yùn)動姿態(tài)識別；mpu6050；cc2541；廣義回歸神經(jīng)網(wǎng)絡(luò)；概率神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP212 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）01-0264-04

Abstract：In this paper， GRNN and PNN were presented to realize motion detection using development board，which includes MPU6050 sensing triaxial accelerometer data ，CC2541 collecting triaxial accelerometer data.The data were transferred to MATLAB via serial communication.The noise were filtered with the help of wavelet analysis and got the main valid data.The features of the motion signal were extracted in frequency domain and time domain， and we got 6 major motions features.Different combination of characteristics also have been used in order to comfirm which one was best.According to sinmulation results，GRNNs recognition rates achieves 90.1% and PNN is 91.6% and the run time was all less than 1 second.

Key words：motion detection； mpu6050；cc2541；GRNN；PNN

1 概述

基于三軸加速度傳感器的人體運(yùn)動姿態(tài)識別是人體行為識別領(lǐng)域中一個較新的研究課題。按照人體行為的原始信號獲取方式的不同，行為識別可以分為基于視覺的和基于微機(jī)電傳感器的這兩類?；谖C(jī)電傳感器的行為識別方法通過在人身上安裝微機(jī)電傳感器來獲取人體活動時產(chǎn)生的傳感器信號，在這種方法中，對動作的識別通常是在人體特定部位放置特定的傳感器來獲取特定動作的動作特征，并通過這些動作特征來識別動作。本文所使用的行為識別方法是基于微機(jī)電傳感器器件的。

在文獻(xiàn)[1]當(dāng)中Lee利用5個加速度傳感器分別綁在人身體的不同部位，以此實(shí)現(xiàn)人體運(yùn)動姿態(tài)的識別，但是由于佩戴器件過多，人會覺得太重了，且識別的精度較低。文獻(xiàn)[2]中Ailisto K等用重力加速度在預(yù)判運(yùn)動過程中加速度傳感器的方位難點(diǎn)，據(jù)此為后來的基于加速度傳感器的朝向無關(guān)方向提供了理論依據(jù)。文獻(xiàn)[3]中Gafurov D等人提出了在視頻信號中對人體運(yùn)動姿態(tài)分析，對運(yùn)動特征采用了主成分分析（Principal Components Analysis ，PCA），并利用神經(jīng)網(wǎng)絡(luò)對其運(yùn)動姿態(tài)進(jìn)行分類，包括正常走路，跑步和其他三類運(yùn)動[1，2，3]。

相比較于基于視覺的行為識別方法，基于加速度傳感器的行為識別方法具有抗外界干擾能力強(qiáng)，攜帶方便，自由的數(shù)據(jù)獲取方式的優(yōu)點(diǎn)[4，5，6]，提出了一種將三軸加速度信號求取模值，保證了數(shù)據(jù)的完整性，并依據(jù)一定的數(shù)據(jù)特征，得到加速度的六個特征值，依據(jù)這六個特征值，使用廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN，General Regression Neural Networok）概率神經(jīng)網(wǎng)絡(luò)（PNN ，Probabilistic neural network）神經(jīng)網(wǎng)絡(luò)模型對人體行為，例如正常走路，上樓，下樓，跑步，停頓進(jìn)行分類判斷。而且廣義回歸神經(jīng)網(wǎng)絡(luò)和不需要像BP神經(jīng)網(wǎng)絡(luò)那樣的權(quán)值修正和可修改的參數(shù)少，所以利用這兩種方法的分類速度是很快的。

2 實(shí)驗(yàn)裝置與方法

2.1 實(shí)驗(yàn)裝置

該文收集數(shù)據(jù)的平臺如圖1所示。再通串口將數(shù)據(jù)發(fā)送到電腦端。本系統(tǒng)采用MPU6050加速度傳感器來測量加速度數(shù)據(jù)。MPU6050是美盛（InvenSense）設(shè)計全球首例整合性6軸運(yùn)動處理組件， 支持2。5V∽3。3V的輸入電壓，三軸加速器提供的測量范圍為±2g、±4g、±8g與±16g，一個片上1024 Byte的FIFO（先入先出）的存儲區(qū)，因此能為系統(tǒng)提供穩(wěn)定而準(zhǔn)確地三軸加速度數(shù)據(jù)。信號處理及傳輸模塊采用TI公司的CC2541低功耗和私有片載系統(tǒng)，具有高性能、低成本、低功耗等特點(diǎn)和高集成度、易于開發(fā)的優(yōu)勢。數(shù)據(jù)采集后通串口將數(shù)據(jù)發(fā)送到電腦端，用MATLAB進(jìn)行處理[7，8]。

在實(shí)驗(yàn)中，收集加速度信號的裝置固定在腳踝上，因其加速度的變化明顯。加速度計的X，Y，Z分別指向左右，前進(jìn)以及重力的方向，采樣頻率設(shè)置為50Hz，量程為± 2。5g。為了更充分利用三軸加速度信號，求取三軸加速度平方根進(jìn)行分析。實(shí)驗(yàn)中，記錄下了一個正常成年走路，跑步，上樓，下樓，停頓動作的三軸加速度信息。endprint

2.2 GRNN及PNN介紹[9-12]

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種特殊形式。

圖3是PRNN的原理圖。R作為訓(xùn)練輸入樣本，訓(xùn)練以此確定此網(wǎng)絡(luò)的參數(shù)，IW1.1，b1，IW2.1。權(quán)值與閾值確定之后，測試樣本輸入P與系統(tǒng)的網(wǎng)絡(luò)徑向基層的權(quán)值IW1.1求取歐氏距離||Ddist||，||Ddist||與閾值b1點(diǎn)乘得到n1，經(jīng)過一個徑向基函數(shù)得到a1，a1與權(quán)值IW2.1點(diǎn)乘得到n2，再經(jīng)過求解線性方程組得到輸出。徑向基層是確定測試樣本與訓(xùn)練的相似程度或者說是兩個輸入的距離的大?。W式距離）。當(dāng)一個測試樣本輸入到這個確定的網(wǎng)絡(luò)模型后，其實(shí)是將這個測試樣本與這個訓(xùn)練樣本對比，對比后測試樣本的輸出其實(shí)是與訓(xùn)練樣本中某一個類似特征的輸出，這也是為什么訓(xùn)練樣本輸入后，權(quán)值與閾值就確定了，其IW1.1，b1， IW2.1是與訓(xùn)練樣本有關(guān)。當(dāng)然這個輸出會按一定的誤差，以滿足準(zhǔn)確率。

與目前流行的前饋神經(jīng)網(wǎng)絡(luò)相比，它具有下述幾項(xiàng)優(yōu)點(diǎn)。

1） 首先，它的網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，除了輸入和輸出層外，一般只有兩個隱藏層，模式層和求和層。而模式中隱藏單元的個數(shù)，與訓(xùn)練樣本的個數(shù)是相同的。

2） 其次，它的網(wǎng)絡(luò)訓(xùn)練非常簡單。當(dāng)訓(xùn)練樣本通過隱藏層的同時，網(wǎng)絡(luò)訓(xùn)練隨即完成。而不像前饋神經(jīng)網(wǎng)絡(luò)一樣，需要非常長的訓(xùn)練時間和高的計算成本。

3） 由于簡單的網(wǎng)絡(luò)結(jié)構(gòu)，我們不需要對網(wǎng)絡(luò)的隱藏層數(shù)和隱藏單元的個數(shù)進(jìn)行估算和猜測。由于它是從徑向基函數(shù)引申而來，因此只有一個自由參數(shù)，即徑向基函數(shù)的平滑參數(shù)。而它的優(yōu)化值可以通過交叉驗(yàn)證的方法非常容易的得到。

4） 最后，它的一個非常值得強(qiáng)調(diào)的優(yōu)點(diǎn)就是，網(wǎng)絡(luò)計算結(jié)果的全局收斂性。標(biāo)準(zhǔn)的前饋神經(jīng)網(wǎng)絡(luò)的計算結(jié)果則會經(jīng)常不能達(dá)到全局收斂，而停止在局部收斂。

概率神經(jīng)網(wǎng)絡(luò)（PNN）是基于統(tǒng)計原理的神經(jīng)網(wǎng)絡(luò)模型，在分類功能上與最優(yōu)Bayes 分類器等價，其實(shí)質(zhì)是基于貝葉斯最小風(fēng)險準(zhǔn)則發(fā)展而來的一種并行算法，同時它不像傳統(tǒng)的多層前向網(wǎng)絡(luò)那樣需要用BP 算法進(jìn)行反向誤差傳播的計算，而是完全前向的計算過程。

PNN與GRNN類似，只有在輸出的方式不同，PNN采用競爭的方式輸出。通常，當(dāng)一個測試數(shù)據(jù)輸入時，有可能與樣本庫當(dāng)中的多個樣本數(shù)據(jù)接近，競爭層就是以最大概率與樣本庫的特征相近得到測試樣本的輸出。

PNN它訓(xùn)練時間短、不易產(chǎn)生局部最優(yōu)，而且它的分類正確率較高。無論分類問題多么復(fù)雜只要有足夠多的訓(xùn)練數(shù)據(jù)，可以保證獲得貝葉斯準(zhǔn)則下的最優(yōu)解PNN 網(wǎng)絡(luò)具有如下主要優(yōu)點(diǎn)：

1） 訓(xùn)練快速，其訓(xùn)練時間僅僅略大于讀取數(shù)據(jù)的時間。

2） 無論分類問題多么復(fù)雜，只要有足夠多的訓(xùn)練數(shù)據(jù)，可以保證獲得貝葉斯準(zhǔn)則下的最優(yōu)解。

3） 允許增加或減少訓(xùn)練數(shù)據(jù)而無需重新進(jìn)行長時間的訓(xùn)練。

該文分別應(yīng)用GRNN和PNN對樣本進(jìn)行識別分類，并進(jìn)行了比較。

3 數(shù)據(jù)處理

3.1 三軸加速度數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)的預(yù)處理非常重要，好的數(shù)據(jù)處理方法可以有效提高運(yùn)動姿態(tài)的識別。經(jīng)過藍(lán)牙串口的傳輸，原始三軸加速度信號傳送到PC端，然后應(yīng)用MATLAB對原始數(shù)據(jù)進(jìn)行預(yù)處理。因在重力方向的加速度，有三軸加速度會有地球重力加速的分量作用，因此，首先對三軸加速度的輸出編程去除重力的一個偏置。其次，傳統(tǒng)的原始加速度信號多用傅里葉變換進(jìn)行處理，去噪，然而經(jīng)過傅里葉變換之后就會丟掉某一頻率所對應(yīng)的一個時間信息，這就使得傅里葉變換不適合處理這種非平穩(wěn)的信號，故本文采用小波變換來克服這個缺點(diǎn)。小波變換具有優(yōu)良的多分辨率分析的能力，很適合處理這種非平穩(wěn)信號，被譽(yù)為”數(shù)學(xué)顯微鏡”。由于通過三軸加速度計采集得到的原始數(shù)據(jù)含有很多毛刺和突變的地方，采用小波變換進(jìn)行濾波處理，將信號的噪聲部分濾掉，提取有效的信號并不失其變化規(guī)律，保留了信號的主體?？偟恼f來，隨機(jī)信號的消噪過程可以有三部分：一是對信號進(jìn)行小波分解。這步的關(guān)鍵是根據(jù)信號特征選擇那種小波基函數(shù)，并確定分解層數(shù)。二是對分解后的小波系數(shù)進(jìn)行處理。這步的關(guān)鍵是閾值的選取。三是進(jìn)行重構(gòu)信號，得到最終去噪后的信號[13]， 本文采用 Haar小波系基函數(shù)， 在 MATLAB 程序中，利用Haar小波對信號進(jìn)行分解，同時對每一層信號進(jìn)行強(qiáng)制消噪處理，通過重構(gòu)得到濾波消噪后的信號，圖5是進(jìn)行小波去噪的對比圖。最后，除去運(yùn)動開始和結(jié)束時的靜止?fàn)顟B(tài)信號，僅輸出動態(tài)的三軸加速度信號。

3.2 特征點(diǎn)的提取及樣本庫的制作[14]

通過翻閱大量的文獻(xiàn)，大致將加速度信號的特征分為時域特征、頻域特征和時頻特征這三類。該文分別使用了時域特征、頻域特征各提取三個特征點(diǎn)。應(yīng)用時域特征方法時，將預(yù)處理后的三軸加速度信號取模的操作，保留全部信息，得到模值后分別求取模值的均值，應(yīng)用MATLAB函數(shù)prctile分別求取數(shù)據(jù)低于25%，75%的特征點(diǎn)。應(yīng)用頻域特征方法時，論文找出加速度變化最大的那一個軸作為求取頻域特征的樣本（本文取Y軸），分別求取低于5Hz的尖峰頻率，及其數(shù)量，0-5Hz的皮頻譜積分值。本文驗(yàn)證到底幾個特征點(diǎn)可以得到較高的預(yù)測效果，六個特征點(diǎn)組成了18種組合（1，12，123，1234，12345，123456，2，23，234，2345，23456，3，34，345，3456，4，45，456）隨機(jī)組合，分別進(jìn)行測試。

3.3 算法說明

樣本庫是由10000*6的輸入數(shù)據(jù)和10000*1的輸出數(shù)據(jù)組成，分成9600*6的訓(xùn)練集和400*6測試集驗(yàn)證。這個9600個數(shù)據(jù)包含了直線走路，跑步，上樓，下樓，原地踏步五個動作。將9600個樣本用MATLAB函數(shù)randperm（），隨機(jī)打亂。用cputime計算GRNN和PNN的分類識別的時間，利用函數(shù)newGRNN（）和newPNN（）神經(jīng)網(wǎng)絡(luò)模型的建立，再用函數(shù)sim（）進(jìn)行分類識別。endprint

4 運(yùn)動識別并仿真

圖6是三軸加速度原始數(shù)據(jù)圖，收集了直線走路，跑步，上樓，下樓，原地踏步五個動作。

為了分類識別方便，故在算法中將直線走路，上樓，下樓，跑步，原地踏步，分別設(shè)置為1，2，3，4，5。從圖7可以看出，其仿真結(jié)果GRNN為90。1%，PNN為91。2%。

從圖8可以看到，GRNN不一定在六個特征值處會得到最佳的預(yù)測，而是部分特征就可以得到較高得預(yù)測精度。在算法中，判斷了18個模型之后，選擇了精度最高的作為輸出。

從圖9可以看出，GRNN和PNN所用的時間都是極短，不到1秒的時間內(nèi)，就把模型搭建好，訓(xùn)練9600個樣本，同時預(yù)測400個樣本，效果是很不錯的。

5 總結(jié)與展望

在本文中，搭載了一個MPU6050加速度收集裝置與處理三軸加速度數(shù)據(jù)的CC2541藍(lán)牙芯片，數(shù)據(jù)傳輸?shù)缴衔粰C(jī)端MATLAB后，進(jìn)行原始數(shù)據(jù)的小波變換濾波處理，為了充分利用三軸加速度數(shù)據(jù)，將其取模值后提取六個特征值，利用了廣義神經(jīng)網(wǎng)絡(luò)（GRNN）和概率神經(jīng)網(wǎng)絡(luò)（PNN）進(jìn)行了運(yùn)動姿態(tài)的識別判斷，包括正常走路，跑步，上樓，下樓，停頓動作。實(shí)驗(yàn)結(jié)果顯示其準(zhǔn)確率達(dá)到了90.1%（GRNN），91.2%（PNN），且識別速度很快，都在1秒以下。

該文的方法中，準(zhǔn)確率都達(dá)到了90%以上，但是還是可以有改進(jìn)的空間，進(jìn)一步提升準(zhǔn)確率。在將來，我們將會提出另一個算法限學(xué)習(xí)機(jī)（Extreme Learning Machine ，ELM）[15]，因其算法的特性，就是求解一個方程組，只要求解出系數(shù)矩陣，理論上其算法可以將準(zhǔn)確率提升到100%。

參考文獻(xiàn)：

[1] Lee S W，Mase K.Activity and Location recognition using wearable sensors[J].IEEE Pervasive Computing ，2002，1（3）：24-32.

[2] Ailisto K， Lindholm.M， Mantyjarvi.J，etal.Identifying people from gait pattern with accelerometers[C]//Proceeding of SPIE， Biometric Technolog y for Human identification Ⅱ . Orlando， FL， United States， 2005： 7-14.

[3] Gafurov D， Snekkenes E， Bours P. Spoof attacks on gait authentication system [J]. IEEE Transactions on Information Forensics and Security， 2007，2（3）：491-502.

[4] LIU Rong， ZHOU Jianzhong， LIU Ming， et al. A wearable acceleration sensor system for gait recognition [C]//Proceeding of 2nd IEEE Conference on Industrial Electronics and Applications. Harbin， China， 2007： 2654-2569.

[5] 李鋒，潘敬奎.基于三軸加速度傳感器的人體運(yùn)動識別[J].計算機(jī)研究與發(fā)展，2016，53（3）：622.

[6] 王犇，袁濤，梁燦.基于加速度特征點(diǎn)提取的步態(tài)身份認(rèn)證[J].北京：清華大學(xué)學(xué)報，2009，49（10）：1601-1604.

[7] 2.4-GHz Bluetooth? 低能耗和私有片載系統(tǒng) （Rev. D）.[2013年7月30日]

http：//www.ti.com.cn/product/cn/CC2541/technicaldocuments

[8] MPU-6000 and MPU-6050 Product Specification Revision 3.4[2013年8月19日]

https：//store.invensense.com/datasheets/invensense/MPU6050_DataSheet_V3%204.pdf

[9] 駱昕.基于廣義回歸人工神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別研究[D].西安，西安科技大學(xué)，2013.

[10] 石翠萍，三維步態(tài)識別[D].揚(yáng)州，揚(yáng)州大學(xué)，2007.

[11] 陳猛，基于PNN測井剩余油飽和度的監(jiān)測[D].荊州，長江大學(xué)，2013.

[12] 雷可軍，基于小波變換與PNN神經(jīng)網(wǎng)絡(luò)相結(jié)合的指紋識別系統(tǒng)[D].長沙，湖南大學(xué)2007.

[13] 彭志科，盧文秀，褚福磊，等.新的基于小波變換的振動信號消噪方法 [J]. 機(jī)械工程學(xué)報，2006，42（4）：18-22，31.

[14] 徐川龍.基于三維加速度傳感器的人體行為識別[D].杭州，浙江工業(yè)大學(xué)，2013.

[15] 王智慧，BP神經(jīng)網(wǎng)絡(luò)與ELM算法研究[D].杭州，中國計量大學(xué)，2012.endprint