基於加速度傳感器的人體行爲識別系統的設計與實現的研究

在物聯網高速發展的時代，智慧醫療的應用越來越廣泛，因此，人體行爲識別就變得越來越重要，成了目前衆多研究中必不可少的課題。人體行爲識別有基於視覺的和基於傳感器的兩個方向。本文中研究的基於加速度傳感器的人體行爲識別方法屬於後者，是人體行爲識別研究中重要的一部分。相比較基於視覺的人體行爲識別，基於傳感器的行爲識別方法具有人性化、獲取數據自由等優點。

行爲識別的描述方法有3種，分別是基於模板匹配、統計模式識別和基於語義描述。最早期的人體行爲識別方法是基於模板匹配方法，該方法常用的動態時間規整算法(DTW)已經應用於步態識別。然而，統計模式識別方法與基於模版匹配方法相比，具有更高的識別精度，所以統計模式識別方法是基於加速度傳感器的人體行爲識別的常用識別方法。統計模式識別中常用的統計識別方法分別爲：決策樹、K 近鄰、貝葉斯、SVM、神經網絡和隱馬爾科夫模型(HMM)等，隱馬爾科夫模型已經在文獻[4]中應用於長期行爲識別，文獻[5]中 SVM 算法對人體行爲識別的研究。目前加速度傳感器已經被應用於各個領域中，本文所闡述的.基於加速度傳感器的人體行爲識別系統是通過對加速度信號進行處理和信號特徵提取來獲得特徵矩陣，通過分析設計出分類器，從而將站立、行走、跑步、上樓、下樓這5種行爲有效地進行識別。

1 信號採集

要通過加速度的變化來識別人體當前的行爲，就必須有一套成熟的系統和方法來獲取人在運動時的具體數據變化情況。而這樣的系統應該具備以下要求：受環境干擾較小，耐用性強;採樣頻率足夠高;設備體積小，便於攜帶;能夠做到實時傳輸採集到的數據;設備功耗足夠低等。

2 特徵提取

特徵提取是指在加速度信號中通過信號處理挖掘出一些反應人體運動狀態的信息。特徵提取將信號採集與行爲分類連接起來，是人體運動狀態識別中的關鍵。基於近年來對於人體運動識別系統中信號特徵的統計分析我們可以將加速度特徵提取的方法歸納爲時域分析法、頻域分析法和時頻分析法 3 類。時域分析法是指從採集到的時域加速度數據中直接提取特徵矢量。常用的時域特徵有均值、方差或標準差、兩軸相關係數等。

3 分類方法

現在的研究中有很多關於人體行爲識別的方法，實際上在研究的試驗中用到的有基於模板匹配的MEI、MHI、二維網絡和 DTW，以及基於狀態空間的隱馬爾科夫及其改進模型、動態貝葉斯網絡、人工神經網絡以及支持向量機。

4 總結與展望

隨着科技的發展，加速度傳感器已經具有體積小、質量輕、功耗小、成本低、可靠性高等特點。但還是有些需要解決的問題，例如：有些傳感器需要固定在人體上，會給人的行動造成不便;實驗數據並不完全是人的自然活動;系統能夠識別的動作有限;基於加速度傳感器的算法穩定性不夠高等。

目前基於加速度傳感器的人體行爲識別的研究還不成熟，無論是硬件設備，還是算法都會有很大的發展空間，所以在這個方面的研究會有更加廣闊的未來。例如：信號採集的傳感器可以是組合傳感器，這樣可以提高算法的穩定性和廣泛性;特徵提取和行爲分類的算法還可以提高;還有就是把加速度的研究領域拓寬，儘快把實驗研究應用到使用中。