人體運動信息獲取及物理活動識別研究.pdf

1、人的物理活動具有可感知性、非侵犯性以及受環(huán)境影響小等特點，在上下文環(huán)境中能體現(xiàn)人的意圖，是生物特征研究的一個新興領域，在普適計算、虛擬現(xiàn)實、運動訓練和醫(yī)療保健等眾多領域有廣闊的應用前景。人體運動信息可通過加速度等慣性傳感器采集，經(jīng)過特征提取和活動建模后，運用統(tǒng)計和機器學習算法進行物理活動識別。其中，將大量的低層傳感器數(shù)據(jù)轉(zhuǎn)換為高層的物理活動信息是物理活動識別的關(guān)鍵問題。本文重點研究了人體運動信息的獲取方法、基于步態(tài)加速度的步態(tài)識別、物理

2、活動特征的自動選擇、短時物理活動識別和基于多傳感器的物理活動識別等內(nèi)容。
　　 運動環(huán)境的多樣性及物理活動的復雜性影響人體運動信息的準確獲取。為有效提取人體運動信息，設計了基于加速度傳感器的可穿戴人體運動信息采集系統(tǒng)。通過對人體運動信號的檢測與分析，研究了運動數(shù)據(jù)的位置校正與加速度信號去噪等數(shù)據(jù)預處理方法，保證了人體運動信息獲取的準確度。
　　 通過分析步態(tài)加速度的無偏自相關(guān)特性，研究了步態(tài)參數(shù)計算和步態(tài)對稱性評估方法，

3、以及行走速度與步頻、步長和步幅之間的關(guān)系。提出了一種混合時頻域特征的最近鄰步態(tài)識別算法，該方法對單步態(tài)切分得到步態(tài)代碼，采用混合時頻域特征匹配實現(xiàn)身份的識別。實驗結(jié)果顯示，最近鄰步態(tài)識別方法能消除人體行走的步態(tài)周期不確定性問題，提高了身份識別的準確率。
　　 從運動數(shù)據(jù)中提取有效特征是物理活動識別的關(guān)鍵。針對短時物理活動中加速度信號的相似性和不穩(wěn)定性等問題，提出了基于聚類特征選擇的DHMM 姿勢識別方法。該方法運用k-means

4、 聚類算法自動提取物理活動特征，并將多維特征輸入離散隱馬爾可夫模型，通過模型訓練和似然度計算，識別出不同的姿勢動作。實驗結(jié)果表明，聚類特征選擇降低了隱馬爾可夫模型的復雜度，提高了短時物理活動的識別性能。
　　 在多個傳感器節(jié)點的物理活動識別中，需要融合多特征參數(shù)以減少節(jié)點傳送的信息量。本文采用機器學習算法得到各節(jié)點的分類混淆概率，然后采用貝葉斯規(guī)則融合多節(jié)點上的分類信息，將物理活動分類為具有最大后驗概率的類別，提高了物理活動的識