[发明专利]一种基于可穿戴设备的动作识别方法

权利要求书

1.一种基于可穿戴设备的动作识别方法，其特征在于，包括以下步骤：

第一步：通过惯性传感器采集动作三维加速度Acc和三维角速度数据Arg，引入差分阈值检测法截取动作发生时的相关数据，并通过如下公式进行计算差分值Δ_K；

△_K＝|X_K-X_K-M|+|Y_K-Y_K-M|+|Z_K-Z_K-M|

第二步：对三维加速度Acc与三维角速度Arg提取的均值、标准差、峰度、偏度、最小值得到每个动作的三十维特征信息，通过计算样本中特征相关性对特征信息进行降维处理，得到降维后的特征信息；

第三步：根据第二步中经过降维的特征信息，使用改进的支持向量机算法进行分类操作，通过设计核函数k(x_i，x)，降低分类算法的计算时间；

第四步，通过第三步中支持向量机以实现二分类问题，对于多分类问题采用SVM分类策略，从而降低多分类计算量并提高分类准确度。

2.根据权利要求1所述的基于可穿戴设备的动作识别方法，其特征在于：针对第二步中的动作特征采用如下方式进行提取并进行降维处理：

1)、提取特征值中均值表达式如下：

均值表达式如下：

在式中N为一个动作测量点数，x_i为第i个点测量值；

标准差计算表达式如下：

式中N为动作测量点数，为样本均值；

峰度K计算表达式如下：

式中N为动作测量点数，为样本均值，σ为标准差，f_i为样本间隔；

偏度SK计算表达式如下：

式中N为动作测量点数，为样本均值，σ为标准差；

最小值既动作采样点中最小的数值，采用5个采样点的均值作为稳定的最小值特征；

2)、采用引入去相关性分析法进行降维处理，设定特征样本集是m*n矩阵A，其中n是特征维数，m是训练集数量，将矩阵A的每一列减去其均值得到矩阵A₁，则矩阵A₁每一列均值为0，之后计算A₁的协方差矩阵B＝A₁^T*A₁，B为n*n维矩阵；

计算协方差矩阵B的特征值和特征向量为：

B＝V*S*V^-1

其中S为对角矩阵，对角元素为B的特征值，V中纵向量为S对角元素对应的B的特征向量，矩阵V是n*n维矩阵，矩阵S是n*n维矩阵；根据特征值所占比例，从矩阵V中选出前p列向量(p＜n)组成矩阵M，M为n*p维矩阵；通过A₂＝A*M，得到m*p维矩阵A₂，将特征维度从n降到p维，通过减少相关性强的特征维度完成特征简化。

3.根据权利要求1所述的基于可穿戴设备的动作识别方法，其特征在于：对支持向量机算法核函数的选择进行构建与和验证比较：

采用如下式构造核函数k_n(x_i，x)，

建后的核函数k_n(x_i，x)通过如下式满足Mercer条件：

由(7)式可知k(x，y)为转移不变函数，转移不变函数可作为核函数的充要条件是k(x)的傅里叶变换大于零，如下式：

由k_n(x_i，x)的傅里叶变换可知K(x)的傅里叶变换大于等于零；即k_n(x_i，x)可以作为核函数使用。

4.根据权利要求1所述的基于可穿戴设备的动作识别方法，其特征在于：所述的支持向量机为二分类学习机，采用分类策略步骤如下：

第一步，计算行走、下蹲起立、跳跃、上楼、下楼五类动作训练样本的重心，其计算方法如下：

其中n为每一类训练样本的数量，对每一个维度进行以上计算，求出样本的重心；

第二步，计算第一步中行走、下蹲起立、跳跃、上楼、下楼五类动作中每一类之间的重心距离，其计算方法如下：

R(o₁，o₂)＝||o₁-o₂|| (10)

式中o₁和o₂是两个重心点，R为两重心距离；

二分类学习机设计四个子SVM分类器SVM1、SVM2、SVM3、SVM4；将跳跃、下蹲起立动作分为A类，跳跃、上楼与下楼动作分为B类；

SVM1子分类器区分出五个动作中的A类与B类；

SVM2子分类器对A类中跳跃与下蹲动作进行区分，B类中重心距离相接近的行走与上楼动作分为B₁类；

SVM3子分类器将B₁类与下楼动作进行区分；

SVM4子分类器行走与上楼动作进行区分，即SVM分类器实现了五类动作的识别。