[发明专利]一种有效的人体行为识别系统

说明书

技术领域

本发明创造涉及人体行为识别领域，具体涉及一种有效的人体行为识别系统。

背景技术

对于人体行为的有效识别在当今生活、安全以及医疗生活等领域都具有重要的意义，生活中，尤其是老人和幼儿的人体行为类别识别，可以实现日常的监护并且在发生摔倒等危险行为时进行第一时间抢救，医学上，通过对病人的人体行为类别的识别和分析，可以为病情诊断和治疗提供依据。

近年来，对人体行为识别多采用图像处理技术和加速度分析方法，对于应用图像处理技术进行人体行为识别时往往存在数据量大，计算复杂以及不能对人体进行实时监护等缺点，因此，本发明采用加速度传感器采集人体运动时产生的加速度数据，从加速度数据中提取人体运动的特征向量，根据特征向量进行人体行为识别。

发明内容

针对上述问题，本发明旨在提供一种有效的人体行为识别系统。

本发明创造的目的通过以下技术方案实现：

一种有效的人体行为识别系统，包括数据采集模块、数据处理模块、特征提取模块和人体行为识别模块，所述数据采集模块包括传感器采集单元和数据传输单元，所述传感器采集单元采用三轴加速度传感器采集人体运动时产生的加速度数据，所述数据传输单元采用ZigBee无线通信技术，用于将采集得到的加速度数据传输到数据处理模块，所述数据处理模块对采集得到的数据进行处理，所述特征提取模块从处理后的加速度数据中提取加速度信号特征，组件特征集合，所述人体行为识别模块采用RBF神经网络构建分类器，根据上述获得的特征集合进行人体行为识别。

优选地，所述数据处理模块采用一种改进的小波阈值去噪法对采集得到的加速度数据进行处理，具体包括：

a.选取小波阈值去噪法中的阈值τ，则τ的计算表达式为：

式中，μ为高斯白噪声的标准方差，N为信号的长度，j为分解尺度；

b.提出一种改进的阈值函数，具体为：

式中，v_(j,k)为原始的小波系数，v′_(j,k)为去躁后得到的小波系数，τ为阈值。

优选地，所述特征提取模块用于从处理后的加速度数据中提取加速度信号特征，组建特征集合，具体为：

式中，x_i1、x_i2……x_in分别代表加速度数据的均值、方差、均方根、FFT系数、频谱能量、频域熵、功率谱密度和数据变化率的加速度信号特征。

优选地，所述数据变化率根据Y轴加速度数据进行计算，具体包括：

a.定义i时刻采集得到的Y轴的数据为l_i，则计算Y轴的数据的斜率为：

式中，l_i为i时刻采集得到的加速度Y轴数据，l_i+k为i+k时刻采集得到的数据，v_j为l_i+k和l_i之间的斜率；

b.根据上述所得的数据之间的斜率计算数据变化率r_j，具体为：

r_j＝|v_j+1-v_j|

式中，v_j为数据斜率，r为数据变化率。

优选地，所述人体行为识别模块用于根据上述所得的特征集合进行人体行为识别，主要包括：

a.制定待识别人体行为类别的参量值，具体为：

式中，q₁、q₂、……、q₈分别为平地走、上坡、下坡、快跑、慢跑、上楼、下楼和摔倒这8种人体行为类别的参量值；

b.采用RBF神经网络构建分类器，用于根据所述特征向量识别人体行为类别，其采用一种改进的遗传算法训练RBF神经网络，定义i时刻的特征集合作为RBF神经网络的输入变量，则RBF神经网络的实际输出为则其适应度函数为：

式中，α＝0.73、β＝0.27，H为隐藏神经元个数，L为输入层神经元个数，h为输入样本个数,_i为RBF神经网络的实际输出，q_i为待识别人体行为类别的参量值；

c.计算RBF神经网络实际输出和对应人体行为类别标量值的最小均方根误差，具体为：