[发明专利]基于运动数据的动作行为识别方法

说明书

一种基于运动数据的动作行为识别方法，涉及动作识别技术领域，所解决的是现有方法识别准确率低的技术问题。该方法利用多轴传感器采集运动目标的运动数据；并将采集的运动数据分为静态、动态两类；再根据从动态数据中提取动作特征值构建动作特征值高维矩阵，再对矩阵进行降维、聚类后得到原子动作类别集合；然后利用原子动作类别集合及数据训练模型对动作特征值二维矩阵进行训练识别，得到原子特征集合；再利用原子特征的排列组合构建复杂动作矩阵；对运动目标实施行为识别时，先利用多轴传感器采集运动目标的运动数据，再利用原子特征集合及复杂动作矩阵对运动目标实施行为识别。本发明提供的方法，适用于识别运动目标的动作行为。

技术领域

本发明涉及动作识别技术，特别是涉及一种基于运动数据的动作行为识别方法的技术。

背景技术

目前，可穿戴设备在运动中的应用日益广泛，其中的一些可穿戴设备通过加速度传感器来监测人的运动步数，监测数据可以通过无线通信方式上传给手机等移动通信终端，由移动通信终端对数据进行分析。这些可穿戴设备只能识别走路振动的粗略状况，无法实现对肢体动作的识别。

现有可穿戴设备的动作识别流程如下：

A1）采用加速度传感器获得动作的加速度时序数据；

A2）将加速度时序数据按照固定时长进行分割，分割的方法各异，鉴于处理速度与处理效果的平衡性考虑，通常采用滑动窗口方法，即窗与窗之间有所交叠，一般交叠部分为窗大小的一半，在基于可穿戴设备的行为识别工作中，绝大多数的工作都使用滑动窗口技术来对数据进行分割。

A3）对原始加速度数据进行初步分析，得到比原始数据更有意义的相关特征，通常希望得到相关的统计意义的特征，一般的特征提取方法分为时域特征、频域特征两大类；

时域特征：合成加速度、计算均值、计算方差、计算众数、最大最小值、值域范围、过均值点个数、信号幅值面积（SMA）等，其中的SMA主要用于区分静止状态和运动状态；

频域特征：数据经傅立叶变换后，所取特征有直流分量、幅度、功率谱密度、幅度统计、形状统计等；

A4）通过各种可能的途径进行聚类分析，将所有特征进行分析得出内在联系，相近的则归为一类，如此得到数个特征类别；

A5）将时序数据对应到通过建模得到的特征类别中，达到分类的效果。

现有动作识别算法所面临的问题与挑战主要有以下几个方面：

B1）类内差异性：开发对类别组内数据变异性健壮的识别系统较为困难。发生这种变异是因为不同个体对同一活动的执行可能不同，对于提供给多人或多个不同对象的动作识别系统，该系统可能会受到相当大的人际差异影响。此外，有时如果一项活动由同一个人执行，也会发生数据内部变异。有几个因素会影响活动的表现，例如压力，疲劳，或活动所处的情绪或环境状态。

B2）NULL类问题：通常，数据时间序列只有几个部分与动作识别系统相关。 鉴于相关数据和不相关数据的这种不平衡性，需识别的动作很容易地与具有相似模式但与动作识别系统无关的活动（所谓的NULL类）混淆。明确地建模NULL类是很困难的。

B3）动作识别可读性：动作识别系统设计的首要问题就是对被测试动作进行定义及清晰认识其具体特征。目前的技术仍没有做到像语音识别领域那样，赋予动作较清晰的定义与区分。

B4）类的不平衡性：人体动作有时间长短之分，有复杂程度之分，这些都导致了对于动作的识别分类的计算复杂度呈指数级上升。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种能减小类内差异性及杂类数据影响，并且动作识别可读性高，识别准确率高的基于运动数据的动作行为识别方法。