面向人體運動模式的SVM識別方法

摘 要：隨著社會智能化技術的不斷發(fā)展，人體運動識別技術在生活中運用得越來越廣泛，尤其是在運動領域。此外，在智能可穿戴設備的發(fā)展趨勢下，IMU（Inertial Measuring Unit）技術也將被廣泛應用于各種健康監(jiān)測和運動輔助設備中。文中從傳感器節(jié)點設計與部署、IMU系統(tǒng)誤差校準、數(shù)據(jù)預處理、SVM （Support Vector Machine）算法等方面對人體運動模式的識別展開研究。通過使用多個IMU傳感器節(jié)點構建的可穿戴數(shù)據(jù)收集系統(tǒng)，能夠捕捉到人體運動過程中的三軸加速度和三軸角速度信息，并將這些信息通過機器學習算法進行處理，從而準確地識別出人體的運動狀態(tài)。

關鍵詞：人體運動識別技術；IMU；可穿戴數(shù)據(jù)收集系統(tǒng)；機器學習；數(shù)據(jù)預處理；SVM

中圖分類號：TP391.4 文獻標識碼：A 文章編號：2095-1302（2024）05-000-05

0 引 言

運動模式是對人體日常運動的分類，例如行走、跑步、站立、靜坐等，而運動模式識別是指通過獲取人體運動信息對各種運動模式進行分類的過程。隨著社會智能化技術的不斷發(fā)展，人體運動識別技術在生活中的運用越來越廣泛，尤其是在運動領域，例如智能手環(huán)、手表、鞋墊，都配有人體模態(tài)檢測芯片，它們能夠實時監(jiān)控并記錄人類的身體活動情況。這對于用戶的健康管理和運動訓練起到了很大的幫助作用。

在上述應用中，高效精準地識別出活動模式能夠幫助我們更好地理解人類與其周圍環(huán)境之間的關系。它在本質上彌合了低級別流式傳感器數(shù)據(jù)和高級別需求導向應用之間的差距[1]。然而，由于人類行為的固有性質，人類活動在特征上與不確定性、多樣性、并發(fā)性和重疊性有關。因此，現(xiàn)實世界中的人類活動識別是一個具有挑戰(zhàn)性且有重大意義的研究課題，也吸引了來自不同領域的研究人員的注意。

截至目前有兩種方式能夠獲取人體的運動模式，分別是基于計算機圖像處理技術的人體運動識別和基于多傳感器的人體運動識別。傳統(tǒng)的運動模式識別是基于計算機圖像處理技術的，其首先通過高清攝像機捕捉識別對象，然后對捕捉對象進行跟蹤拍攝，得到一組視頻序列，最后通過對視頻序列進行分類來實現(xiàn)對運動模式的識別。然而，這種識別方式存在很多缺點和局限[2]：（1）在實際生活中，攝像機非常容易受工作環(huán)境的影響，障礙物遮擋或背景噪聲等均會影響拍攝的視頻序列質量；（2）圖像處理算法運算復雜，難以在嵌入式端實現(xiàn)，通常需要在云端運行算法，然后再回傳識別結果，因而識別實時性較差；（3）由于攝像機不具備可穿戴的特點，因而難以做到對特定目標對象的長時間跨環(huán)境持續(xù)跟蹤監(jiān)測；（4）攝像機采集的圖像數(shù)據(jù)存在個人隱私泄露現(xiàn)象；（5）硬件成本過高，沒有普適性。

在智能可穿戴設備的發(fā)展趨勢下，慣性測量單元（Inertial Measuring Unit， IMU）技術也將被廣泛應用于各種健康監(jiān)測和運動輔助設備。IMU是一個由慣性傳感器構成的傳感器組件，包括加速度計和速率陀螺儀。IMU不僅在運輸車輛中被廣泛使用，而且在諸如移動電話、游戲機、掃地機器人等民用領域也占有極大市場[3]。因此基于微機電系統(tǒng)（Micro Electro Mechanical Systems， MEMS）的IMU，憑借其體積小、重量輕、功率低、價格低的優(yōu)勢實現(xiàn)了大規(guī)模生產(chǎn)。

在基于IMU的運動模態(tài)檢測方法中，經(jīng)過訓練的活動識別器的性能在很大程度上取決于分類模型的選擇和相應特征子集的選擇。因此，研究人員在探索有效和高效的分類模型方面進行了大量工作。常用的分類模型包括樸素貝葉斯、k-近鄰、神經(jīng)網(wǎng)絡、決策樹、支持向量機、隨機森林、隱馬爾可夫模型和條件隨機場。目前，基于IMU的運動模態(tài)檢測算法都采用了平面分類器，將所有待預測的活動都處理在同一水平上。平面分類器一般需要先構建一個分類器，以忽略活動之間的層次關系為代價，在一個步驟中區(qū)分所有預定義的活動。另一方面，有些人體運動會產(chǎn)生非常相似的傳感器讀數(shù)，這使得活動模式難以區(qū)分。針對這種情況的一個解決方案是設計一個更細粒度的分類模型來逐步對類似的活動進行分類。在特征工程方面，現(xiàn)有的大多數(shù)工作旨在提取豐富的時域和頻域特征，以更好地表征原始傳感器信號。這些方法往往包含不相關和冗余的特征，這導致分類器的泛化能力較差，并降低了識別精度[4-6]。緩解這一問題的一種可行方法是使用特征選擇方法識別判別特征的子集。目前，有大量的特征選擇方法可用，研究人員已經(jīng)探索了其中的許多方法來構建活動識別器。但大多數(shù)方法都需要在測試者身上佩戴多個傳感器，以獲取高精度的人體運動數(shù)據(jù)，這無疑增加了系統(tǒng)使用成本。

本文為了降低可穿戴人體運動檢測設備成本并保證模式檢測精度，提出一種傳感器布置方案，并對前端數(shù)據(jù)進行預處理，結合支持向量機（Support Vector Machine， SVM）算法，實現(xiàn)低成本高精度人體運動模式檢測。

1 傳感器節(jié)點的部署與選擇

1.1 節(jié)點設計

本設計的最小硬件系統(tǒng)設計主要包含傳感器模塊、微處理器模塊、電源模塊通信鏈路。系統(tǒng)整體的框架如圖1所示。

1.2 節(jié)點部署

該設計的信息感測單元是MEMS傳感器?？紤]到本設計的應用場景，系統(tǒng)設計需要滿足高精度、小尺寸、低功耗和易穿戴的要求。為了使用最小數(shù)量的傳感器單元來設計具有最高精度的模式識別系統(tǒng)，我們需要找到最佳的放置節(jié)點。IMU單元用于測量下肢節(jié)段的角速度和線加速度，作為直接的生物力學變量。同時，使用IMU的直接輸出，間接計算矢狀面上的下肢關節(jié)和節(jié)段傾斜度。輸出經(jīng)過幾個信號調節(jié)階段以去除噪聲和偏置。此外，通過傳感器的本體校準消除了對原始數(shù)據(jù)的錯位影響。由于每條腿的生物力學信號（變量）的相應特征存在冗余，僅捕獲下肢一側的運動就足夠了。因此，結合Hanavan人體模型，分析生活中常見運動模式的異同[7-8]，得出以下結論：人體運動模式表達的最佳位置是腰部和大腿。由此確定了傳感器節(jié)點的部署位置，如圖2所示，圖中標注五角星的位置即 MEMS傳感器的放置位置。

2 IMU系統(tǒng)誤差校準

在理想的慣導坐標系中，三軸加速度計坐標系（λx軸、λy軸、λz軸）和三軸陀螺儀坐標系（ξx軸、ξy軸、ξz軸）是完全重合的，由于存在設計和加工誤差，二者會存在一個誤差角度，如圖3所示。同時還會產(chǎn)生標度因子和零偏誤差，這些是影響坐標結果精度的主要因素。本設計利用多目標捕獲定位信息的算法，先采集多種靜態(tài)條件下三軸的加速度值即λx、λy、λz，作為加速度計模型參數(shù)的求解條件；再利用校準后的數(shù)據(jù)輔助校準角度參數(shù)，優(yōu)化系統(tǒng)參考坐標系。

3 數(shù)據(jù)預處理

3.1 異常值檢測

本系統(tǒng)前端數(shù)據(jù)通過IMU傳感器獲取，在保證元器件在額定電氣狀態(tài)下工作，一般不會出現(xiàn)數(shù)據(jù)異常，但考慮到可穿戴設備的應用場景，傳感器數(shù)據(jù)獲取過程中有可能出現(xiàn)器件掉落、電源掉電、環(huán)境噪聲過大等現(xiàn)象，系統(tǒng)前端數(shù)據(jù)就會出現(xiàn)異常值。抽象地說，異常值是指偏離預期正常行為的模式，那么正常的行為模式可以用一個區(qū)域來表示，所有正常觀測結果可視為屬于該正常區(qū)域，不屬于該區(qū)域的視為異常值。異常值檢測方法有很多種，如基于距離、基于概率分布、基于基數(shù)，這里我們用的是基于概率分布，利用統(tǒng)計學最常見的正態(tài)分布，如圖4所示。根據(jù)傳感器獲取數(shù)據(jù)的分布概率情況，判斷數(shù)值是否異常。

設數(shù)據(jù)樣本點為（x1， x2， x3， ...， xn），則均值μ與方差σ可由式（1）和式（2）計算。

（1）

（2）

正態(tài)分布模型中，在μ-3σ～μ+3σ的區(qū)間內包括了99.73%的數(shù)據(jù)樣本，若數(shù)據(jù)樣本落在上述區(qū)間則判定數(shù)據(jù)正常，如果數(shù)據(jù)樣本不在此區(qū)間內則判定數(shù)據(jù)為異常值，直接丟棄處理。綜合以上分析，本文所使用的離群點處理流程如圖5所示。離群點檢測結果如圖6所示。

3.2 數(shù)據(jù)降噪

對于采集到的數(shù)據(jù)，除了需要進行異常值檢測并剔除，還需要對數(shù)據(jù)進行降噪濾波處理，由于數(shù)據(jù)傳遞過程中可能受到機械噪聲、電子噪聲以及電磁波信號的干擾，因此降噪濾波是得到有用數(shù)據(jù)之前的必經(jīng)處理步驟。這里我們利用運放MAX9203搭建遲滯比較器實現(xiàn)數(shù)據(jù)降噪。運放供電電壓為±5 V，結合人體運動信息的一般頻率帶寬，設計電路參數(shù)，搭建的電路如圖7所示。

4 基于SVM的人體運動模式識別

4.1 SVM原理

SVM是由Vapnik引入的一種用于分類和回歸任務的基于核的機器學習模型[9-10]。近年來，支持向量機非凡的泛化能力及其最優(yōu)解和判別能力吸引了數(shù)據(jù)挖掘、模式識別和機器學習界的關注。支持向量機已被作為解決實際二進制分類問題的強大工具。

SVM是一種用于數(shù)據(jù)分類和回歸分析的強大技術。通過使用SVM直接從訓練數(shù)據(jù)中確定決策函數(shù)，使得決策邊界之間的現(xiàn)有間隔（裕度）在稱為特征空間的高維空間中最大化[11-12]。這種分類策略最大限度地減少了訓練數(shù)據(jù)的分類誤差，并獲得了更好的泛化能力。尤其是在輸入數(shù)據(jù)數(shù)量較少的情況下，SVM分類技能優(yōu)勢更為顯著。

為了進一步深入理解SVM的原理，可以結合圖8進行說明。圖中的實心圓點和空心圓點表示兩類訓練樣本，L為分類線，L1和L2表示距離分類線最近的樣本，三條直線兩兩平行。其中L1和L2之間的距離稱為分類間隔，這里用margin來表示[13-16]。

為了得到最優(yōu)分類結果，需要找到合適的分類線L的位置使margin達到最大值。

假設所有樣本坐標為（xi， yi），i=1， 2， 3， ...， n，d維空間中線性判別函數(shù)一般形式為f（x）=kx+b，分類線L方程為：

kx+b=0" " " " " " " " " " " " " " " " " " " " （3）

將判別函數(shù)f（x）歸一化，即被分類的所有樣本都滿足：

（4）

此時分類間隔就等于2/||k||。根據(jù)最優(yōu)分類面的定義，當2/||k||達到最大值，我們就得到最優(yōu)分類面，此時||k||達到最小值，則滿足（或）的分類面就是最優(yōu)分類面，L1、L2上的訓練樣本就是支持向量。

基于上述分析，最優(yōu)分類面的求解可以表示成如下約束函數(shù)求解，即：

（5）

也可以表示成拉格朗日約束問題的求解：

（6）

通過對上式中的k、β求偏導得到Λ的極小值，就可以根據(jù)傳感器數(shù)據(jù)得到人體運動的確定模式。

4.2 特征提取

經(jīng)驗模態(tài)分解（Empirical Mode Decomposition， EMD）是一種針對非線性和非平穩(wěn)信號的自適應分析方法。它可以基于信號的局部特征時間尺度將復雜信號分解為固有模式函數(shù)（IMF）的集合。然而，由于模式混合的問題，它不能準確地揭示信號特征信息。為了緩解EMD中出現(xiàn)的模式混合問題，提出了集成經(jīng)驗模式分解（EEMD）[16-20]。利用EEMD，可以從信號中提取具有真正物理意義的成分。

為了提取EEMD特征，需要將有限幅度的白噪聲添加到信號中，添加的白噪聲將均勻地填充整個時頻空間。當信號被添加到均勻分布的白背景中時，不同的信號被自動投影到由白噪聲以適當?shù)膮⒖汲叨冉⒌谋尘爸?。隨著平均次數(shù)的增加，剩余噪聲會逐漸減小，可以有效改進EMD分解中容易產(chǎn)生頻率混疊的問題[21-24]。

考慮到慣性傳感器采集到的數(shù)據(jù)特征，一般為非線性非平穩(wěn)信號，因此利用EEMD分解信號并提取有效參數(shù)是運動識別的關鍵步驟。特征提取過程如下：腰部傳感器節(jié)點靠近人體重心，主要用于檢測人體整體運動趨勢；大腿部位傳感器用于檢測運動細節(jié)，如運動速度的快慢、運動的角度等。每個節(jié)點上的六軸傳感器都可以同時獲得三個軸向上的加速度信息（λx、λy、λz）和角速度信息（ξx、ξy、ξz）。

對于三軸方向的運動數(shù)據(jù)，節(jié)點可以測量x、y、z三個方向上的慣性信號分量，用于表達人體在不同方向上的運動。合加速度和合角速度用于表達肢體整體運動，計算公式如下：

（7）

（8）

4.3 分層算法

本設計檢測的模式對象主要針對人體日常生活中的基本運動模式，如站、坐、勻速走、加速跑、上下樓梯等。為了進一步提高運動信號提取特征效率，我們可以提前根據(jù)信號的特征對其進行分類。首先可以將信號分為靜態(tài)和動態(tài)。靜態(tài)運動模式如坐、躺、站；動態(tài)運動模式如走、跑等。在此基礎上，再結合角速度傳感器分析運動模式的姿態(tài)，就可以更快速地得到運動模式。運動狀態(tài)分類結果如圖9所示。

5 實驗結果

實驗中，節(jié)點采樣率為25 Hz，每次采集時間長度為5 s的數(shù)據(jù)，每種模式采集60次。圖10和圖11分別為勻速步行運動狀態(tài)下腰部和大腿部六軸傳感器加速度和角速度數(shù)據(jù)。

6 結 語

本文基于IMU對日常生活中常見的六種行人活動識別進行研究，重點研究了IMU校準、數(shù)據(jù)預處理、特征提取和分類識別算法中SVM等重要技術，并研究了IMU系統(tǒng)誤差校準方法。通過對IMU的系統(tǒng)誤差成分和導致系統(tǒng)誤差的原因進行分析，建立了三軸加速度系統(tǒng)誤差模型計和三軸角速度系統(tǒng)誤差模型，設計IMU系統(tǒng)誤差校準算法并建立算法校準流程。針對儀器噪聲、人為操作失誤等原因造成的數(shù)據(jù)異常情況，提出了與論文研究背景相關的數(shù)據(jù)預處理方法：離群點檢測、EEMD閾值數(shù)據(jù)降噪。

參考文獻

[1] LEE D，LEE S，PARK S，et al. Test and error parameter estimation for MEMS-based low cost IMU calibration [J]. International journal of precision engineering and manufacturing，2011，12：597-603.

[2] WANG A，CHEN G，WU X，et al. Towards human activity recognition：a hierarchical feature selection framework [J]. Sensors，2018，18（11）：3629.

[3] JOHANSSON G. Visual perception of biological motion and a model for its analysis [J]. Perception amp; psychophysics，1973，14：201-211.

[4] SINGH K，UPADHYAYA S. Outlier detection：applications and techniques [J]. International journal of computer science issues，2012，9（1）：307.

[5] HODGE V，AUSTIN J. A survey of outlier detection methodologies [J]. Artificial intelligence review，2004，22：85-126.

[6] CERVANTES J，GARCIA-LAMONT F，RODRíGUEZ-MAZAHUA L，et al. A comprehensive survey on support vector machine classification：applications，challenges and trends [J].Neurocomputing，2020，408：189-215.

[7] LEI Y，HE Z，ZI Y. Application of the EEMD method to rotor fault diagnosis of rotating machinery [J]. Mechanical systems and signal processing，2009，23（4）：1327-1338.

[8]薛洋. 基于單個加速度傳感器的人體運動模式識別[D]. 廣州：華南理工大學，2011.

[9]常虹. 基于多特征融合的人體運動姿態(tài)識別技術研究[D].天津：河北工業(yè)大學，2018.

[10]盧光磊，張明社.一種對車載慣導中平動加速度干擾的處理方法[J].空間電子技術，2019，16（2）：83-87.

[11]劉生忠. 基于MIMU的人體運動模式識別方法研究[D].南京：東南大學，2019.

[12] MA H T，ZHANG X，YANG H，et al. SVM-based approach for human daily motion recognition [C]// TENCON 2015-2015 IEEE Region 10 Conference. [S.l.]：IEEE，2015：1-4.

[13]馬語晗，趙輝. 基于特征選擇加權支持向量機的運動模式識別[J]. 傳感器世界，2018，24（9）：28-33.

[14]林述琦，吳華宇，林娟.基于運動生物力學的優(yōu)化運動鞋功能設計[J].美術大觀，2013，26（4）：112.

[15] JENITTA J，RAJESWARI A. Denoising of ECG signal based on improved adaptive filter with EMD and EEMD [C]// 2013 IEEE Conference on Information amp; Communication Technologies. [S.l.]：IEEE，2013：957-962.

[16]田真. 基于插值思想的高維稀疏數(shù)據(jù)離群點檢測方法研究[D].蘭州：西北師范大學，2020.

[17]褚麗恒，郭曉澤，宋國杰，等. 基于聚類方法的高速公路逃費甄別與分析[C]//第八屆中國智能交通年會論文集.北京：電子工業(yè)出版社，2013：61-68.

[18]胡春生，趙匯東. 基于腕部IMU數(shù)據(jù)采集的人體運動模式識別[J]. 寧夏大學學報 （自然科學版），2021，42（1）：45-50.

[19]孫偉，姜偉，黃恒，等. EEMD降噪的行人活動識別方法[J].導航定位學報，2021，9（3）：41-47.

[20]劉韜，徐愛功，隋心.慣性導航EEMD區(qū)間閾值降噪方法[J].測繪學報，2018，47（7）：907-915.

[21]姜偉. 基于MIMU的人體運動模式識別方法研究[D].阜新：遼寧工程技術大學，2021.

[22]施啟軍，潘峰，龍福海，等.特征選擇方法研究綜述[J].微電子學與計算機，2022，39（3）：1-8.

[23]羅紅郊，馬曉琴，孫妍，等.基于RFE特征選擇的PSO-SVM用電量預測算法[J].電子設計工程，2023，31（20）：172-176.

[24]田豆，李鳳蓮，張雪英，等.特征選擇融合深度強化學習分類模型的構建及應用[J].電子設計工程，2022，30（12）：93-97.

作者簡介：張 含（1994—），女，碩士，南京理工大學紫金學院助教，研究方向為MEMS慣性導航。

包祖超（2002—），男，本科，南京理工大學紫金學院，研究方向為嵌入式系統(tǒng)、光電信息科學與工程。

朱文馨（2002—），女，本科，南京理工大學紫金學院，研究方向為傳感器技術、物聯(lián)網(wǎng)技術。

陳志康（2002—），男，本科，南京理工大學紫金學院，研究方向為嵌入式開發(fā)、光電信息科學與工程。

董子涵（2003—），男，本科，南京理工大學紫金學院，研究方向為電子信息工程。

收稿日期：2023-05-11 修回日期：2023-06-08

基金項目：2021年江蘇省大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目