[发明专利]一种基于可穿戴设备的动作识别方法

摘要

本发明公开了一种基于可穿戴设备的动作识别方法。采用单个惯性传感器节点采集数据，相比多个节点方案佩戴更加方便舒适。通过差分阈值值检测方法自动切分完整的动作数据，有效降低了非动作数据的干扰。基于对五种动作特征的分析，提取标均值、标准差、峰度、偏度、最小值为识别分类特征值，对特征进行降维处理，降低了特征信息的冗余度。对于存在的线性不可分问题，设计了更加简单的核函数，降低了计算复杂度。多分类过程采用多级SVM实现，相比传统的1V1策略，本设计减少了子SVM数量，同时根据重心距离的大小对分类优先级进行调整，提高了分类准确度，为以惯性数据特征为基础的可穿戴动作识别设计提供了一种有效的方案。 1

主权项

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