[发明专利]一种基于智能手机多传感器融合的人体活动识别方法

摘要

一种基于智能手机多传感器融合的人体活动识别方法属于智能人机交互领域，本发明利用智能手机集成的惯性传感器、磁力计和气压计等多模态传感器，提出了融合智能手机多模态传感器的人体活动识别方法。本发明的主要内容为：(1)建立基于笛卡尔坐标系的人体活动模型以及多传感器融合的人体活动识别框架；(2)人体进行日常活动，实验者通过携带智能手机采集多传感器数据；(3)通过数据预处理对原始传感器数据进行去躁、特征提取和选择；(4)设计基于Stacking的多模态数据融合集成RSK‑Stacking算法对最优的人体活动数据集进行训练得到人体活动识别模型，进而对人体活动进行识别。

主权项

1.基于智能手机多传感器融合的人体活动识别方法，其特征在于，包括以下步骤：/n(1)建立人体活动模型/n将智能手机头部朝下、垂直放置在用户裤子右前方的口袋里，基于笛卡尔坐标系的人体活动模型；其中，a_x、a_y和a_z分别代表智能手机沿x轴、y轴和z轴获取的加速度数据；ω_x、ω_y和ω_z分别代表人体躯干绕x轴、y轴和z轴运动时的角速度数据；m_x、m_y和m_z分别代表x轴、y轴和z轴的地磁数据；此外，气压计感知当前环境下的气压；选定人的裤子前方右口袋为坐标原点，人体的正右方为x轴的正方向，正上方为y轴的正方向，正前方为z轴的正方向；/n在3轴加速度计、陀螺仪和磁力计分别感知的3维数据基础上，按照公式(1)分别计算加速度、角速度和磁力的合值；合值仅反映加速度、角速度和磁力的幅度值变化，与方向无关；/n /n(2)人体活动数据预处理/n采用中值滤波算法对多模态数据过滤和去躁，然后再对数据进行归一化，以提高训练速度和识别的准确度；采用公式(2)将原始数据归一化到[-1,1]之间；针对磁力计和气压计，采用公式(3)将它们采集的原始数据归一化到[-1,1]之间；公式(2)(3)中，x代表传感器的原始数据，x_mean代表原始数据的平均值，range代表加速度或陀螺仪的量程范围，x_var代表原始数据的方差，x_scale代表归一化之后的数据；/n /n /n采用滑动窗口技术对归一化后的人体活动数据进行分割；将手机传感器的采样频率定为50Hz，滑动窗口大小设定为2s，即用一个容量为100个样本点的滑动窗分割传感器信号，相邻滑动窗按50％进行交叉重叠；选用人体活动数据的均值、方差、标准差、峰度、均方根、最大值、最小值和能量谱密度作为人体活动的特征并采用PCA对特征向量进行降维；/n(3)设计了基于多传感器融合的人体活动识别算法RSK-Stacking/n给定T个初级学习算法S₁,S₂......S_T和一个元层学习算法S，骤如下：/n训练阶段：初级学习层采用K折交叉检验方法训练基层学习器；将初始训练数据集D＝{(x₁,y₁),(x₂,y₂).....(x_h,y_h)}随机划分成k个大小相似的子数据集D₁,D₂.....D_k,D_j表示第j折的子数据集，j＝1,2.....k；接下来进行k次迭代，每次迭代时，将作为S_t算法的输入数据集，其中t＝1,2.....T，第t个学习算法S_t在上训练得到初级学习器L_t^(j)；L_t^(j)对D_j中的每个样本x_i进行预测，预测结果表示为L_t^(j)(x_i)；/n当T个模型进行完上述操作之后，得到T个模型对D_j中所有样本的预测结果；x_i产生的次级训练样例x'＝(L₁^(j)(x_i),L₂^(j)(x_i),....,L_T^(j)(x_i))，标记为y_i，当k次迭代完成之后，得到T个模型对所有样本的预测结果最后将D'作为次级学习算法S的输入数据，得到次级学习器L'＝S(D')；/n测试阶段：每个学习算法S_t在K折训练集上产生k个初级学习器L_t^(j)，j＝1,2,....,k，这k个学习器在测试集D_test中的每一个样本x上产生k个预测结果(L_t⁽¹⁾(x),L_t⁽²⁾(x),....,L_t^(k)(x))，将这k个结果按照公式(4)取平均值：/n /n测试样例x输入T个学习算法得到预测值将其输入次级学习器L'，最终得到预测结果/n