[发明专利]一种基于加速度信号的日常活动识别方法

摘要

本发明公开了一种基于加速度信号的日常活动识别方法，包括加速度信号的采集，重力加速度分量和活动加速度分量的分离，活动强度的计算，信号低频能量的计算和加速度轴偏转角度的计算。活动强度是区分用户静态和动态活动的重要指标，加速度信号的低频能量能进一步区分动态活动的种类，加速度轴偏转角度有助于判断静态时的人体姿态。通过上述特征组合训练多分类器，可识别生活中常见的八种活动类型，分别为走、下楼梯、上楼梯、跑、跳、坐、站和躺。

主权项

1.一种基于加速度信号的日常活动识别方法，其特征在于，所述识别方法包括信号采集、信号特征计算、多分类器训练和日常活动识别四个组成部分；加速度信号采集于人体正面右侧髋部的x、y、z三轴方向，其中x轴为垂直方向，y轴为左右方向，z轴为前后方向；加速度信号被划分为5秒时长的数据片段，信号特征计算基于5秒时长的数据片段；信号特征组合包括活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度五维特征；信号特征计算之前，需要分离x、y、z三轴加速度信号的活动加速度分量和重力加速度分量；其中，活动加速度分量用于计算活动强度和轴低频能量；重力加速度分量用于计算轴偏转角度；分离加速度信号中的活动加速度分量和重力加速度分量步骤如下：步骤101：对加速度信号进行3点中值滤波，消除高频噪声；步骤102：对加速度信号进行滤波，滤波得到的信号为重力加速度分量；步骤103：活动加速度分量为加速度信号与重力加速度分量之差；信号特征活动强度的计算步骤如下：步骤201：计算得到y轴和z轴的活动加速度分量，分别记为yA和zA；步骤202：活动强度信号特征x轴低频能量的计算步骤如下：步骤301：计算得到x轴的活动加速度分量，记为xA；步骤302：去除xA的均值，即x′A＝xA‑mean(xA)；步骤303：对x′A求离散傅立叶变换，得到频谱强度系数；步骤304：对5Hz以下的频谱强度系数求和，得到x轴低频能量；信号特征x轴偏转角度、y轴偏转角度和z轴偏转角度的计算步骤如下：步骤401：计算得到x轴、y轴和z轴的重力加速度分量，分别记为xG、yG和zG；步骤402：分别对xG、yG和zG求反余弦，得到角度序列θx、θy和θz；步骤403：分别取θx、θy和θz的中值，得到x轴、y轴和z轴的偏转角度；即tiltx＝median(acos(xG))，tilty＝median(acos(yG))和tiltz＝median(acos(zG))；多分类器训练步骤如下：步骤501：采集人体在行走、下楼梯、上楼梯、跑步、跳、坐、站和躺八种日常活动时的三轴加速度信号；步骤502：用长度5秒，重叠4秒的时间窗将加速度信号划分为5秒时长的数据片段，建立数据集；步骤503：计算数据集的五维特征组合，包括活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度，建立训练特征集；步骤504：将训练特征集中的每一维特征归一化至0～1区间；步骤505：使用归一化的训练特征集训练多分类器；日常活动的识别步骤如下：步骤601：采集人体加三轴速度信号；步骤602：用长度5秒，重叠4秒的时间窗截取数据片段；步骤603：计算数据片段的五维特征组合，包括活动强度、x轴低频能量、x轴偏转角度、y轴偏转角度和z轴偏转角度；步骤604：使用训练特征集归一化参数对特征组合进行归一化；步骤605：使用训练好的多分类器识别数据片段对应活动类别。