[发明专利]基于自适应加速度信号分割的人体姿势实时识别方法

说明书

本发明涉及一种基于自适应加速度信号分割的人体姿势实时识别方法，其包括以下步骤，1建立运动姿势模型clasM和静止姿势模型clasML；2通过穿戴在被识别对象身上的加速度传感器获取数据；3获得信号特征值；4获取被识别对象姿势变换的边界点；5计算相邻两姿势变换边界点之间的平均三维加速度的大小，6调用运动姿势分类模型clasM或静止姿势分类模型clasML输出当前状态的识别结果。本发明能够准确的识别日常生活中常见的身体姿势，进而能够及时发现被识别对象是否有健康的日常生活习惯，是否发生了异常情况，及健康状况是否发生了变化。

技术领域

本发明属于模式识别与信息处理技术领域，具体涉及一种基于自适应加速度信号分割的人体姿势实时识别方法。

背景技术

现有的比较成熟的人体姿势识别系统，例如智能手环，智能手表等大部分主要用于记录步数、步行距离等，对身体姿势只能粗略地分类为走、跑和静止，不能具体地识别出静止姿势中的站姿、坐姿和躺姿，也不能识别出慢走和快走，另外也不具备异常情况实时分析和报警功能。

发明内容

本发明所要解决的技术问题在于提供一种基于自适应加速度信号分割的人体姿势实时识别方法，能够准确的识别日常生活中常见的身体姿势，进而能够及时发现被识别对象是否有健康的日常生活习惯，是否发生了异常情况，及健康状况是否发生了变化。

为实现上述目的，本发明的技术方案包括以下步骤，

(1)建立运动姿势模型clasM和静止姿势模型clasML：

所述运动姿势模型clasM和静止姿势模型clasML的输入均为通过加速度传感器采集的被识别对象的传感器数据；运动姿势模型clasM的输出为被识别对象在运动状态下的不同姿势，静止姿势模型clasML的输出为被识别对象在静止状态下的不同姿势；

(2)通过穿戴在被识别对象身上的加速度传感器获取数据：所述数据为Ax，Ay，Az和t；t为时间，Ax，Ay，Az分别为t时刻下人体的加速度在X、Y、Z三个轴上加速度分量值。

(3)获得信号特征值：根据步骤(2)采集到的数据，计算得到信号特征值Axyz和ΔA，将计算得到的所述信号特征值Axyz和ΔA和步骤(1)采集的信号特征值Ax，Ay，Az都存储到数组Fture,Fture[i]＝[Ax[i],Ay[i],Az[i],Axyz[i],ΔA[i]]；

其中Axyz为三维加速度；ΔA为相邻的两个Axyz之间变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度；

(4)获取被识别对象姿势变换的边界点：

4-1设定在步骤(3)得到的ΔA信号中存在第i个活动窗口w，大小为w＝2f,边界是[i,i+2f]，其中f是加速度传感器的采样频率，w是活动窗口；

4-3利用公式(5)对每个所述活动窗口计算其前半窗ΔA的平均值和后半窗ΔA的平均值，计算二者之差，并判断其是否大于等于事先定义的闽值th1，同时利用公式(6)判断该活动窗口的中间点与上一个边界点的时间差是否大于2秒钟；

4-3若公式(5)和(6)同时满足，则将该活动窗口的中间点确定为姿势变换的边界点，并保存到边界点数组bp[j]＝i+f，若不同时满足则继续进行步骤(2)；

其中i＝1,…,n，n是的长度；j＝1,…,m，m是姿势变换边界点数组bp的长度；

(5)计算相邻两姿势变换边界点之间的平均三维加速度的大小；

(6)若则调用步骤(1)建立的运动姿势分类模型clasM识别当前特征值的姿势类别，若则调用步骤(1)建立的静止姿势分类模型clasML识别当前特征值的姿势类别；最后运动姿势分类模型clasM或静止姿势分类模型clasML输出当前状态的识别结果。