度數(shù)據(jù)用于做 后續(xù)處理。
[0037] 本實(shí)施例中，將36個存儲有三軸加速度數(shù)據(jù)的txt格式文件都上傳至PC機(jī)，由PC 機(jī)讀取txt文件中的數(shù)據(jù)。
[0038] 然后執(zhí)行步驟S2,在所述PC機(jī)上利用預(yù)處理模塊處理所述三軸加速度數(shù)據(jù)：選取 若干個三軸加速度數(shù)據(jù)為一個窗，然后對每一個窗內(nèi)的三軸加速度數(shù)據(jù)進(jìn)行特征提取，獲 得多維的輸入數(shù)據(jù)集。
[0039] 該步驟中對所述三軸加速度的預(yù)處理主要包括窗長度截取和特征提取。
[0040] 窗長度提?。罕緦?shí)施例中，采樣頻率為50Hz，根據(jù)該采樣頻率，選取50個三軸加速 度數(shù)據(jù)為一個窗，即每秒預(yù)測一次行為。這樣，將采集的三軸加速度數(shù)據(jù)以50為窗長度進(jìn) 行分段截取。
[0041] 特征提?。簩γ總€窗內(nèi)的三軸加速度信號進(jìn)行特征提取，提取的特征包括：窗長 度內(nèi)每個軸加速度數(shù)據(jù)的均值、標(biāo)準(zhǔn)差、三軸之間的相關(guān)系數(shù)、信號強(qiáng)度。其中，
[0042] 窗長度內(nèi)每個軸加速度數(shù)據(jù)的均值為
其中％表示在第i窗內(nèi)的均值 矢量，mx(i)、my(i)和％(1)分別表示每個軸加速度數(shù)據(jù)在第i窗內(nèi)的均值。
[0043] 窗長度內(nèi)每個軸加速度數(shù)據(jù)的標(biāo)準(zhǔn)差：
表示在第i窗內(nèi)的標(biāo)準(zhǔn)差矢量，n表示窗長度，在本實(shí)施例中n= 50,axi (t)表示在第i窗 內(nèi)t時刻的x軸的加速度數(shù)據(jù)。同理可計算出sy(i)和sz(i)。
[0044] 三軸間的相關(guān)系數(shù)
同理可計算出pxz(i)和pyz(i)。
[0045] 信號強(qiáng)度：sm(i) =mji)+my ⑴+mz(i)。
[0046] 這樣，經(jīng)過特征提取后便得到了維數(shù)為10的輸入數(shù)據(jù)集，作為后面分類算法中的 訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)使用。
[0047] 接著執(zhí)行步驟S3,通過所述輸入數(shù)據(jù)集訓(xùn)練出識別精度高于一設(shè)定值的高斯過程 分類器模型，將所述高斯過程分類器模型以及步驟S2中預(yù)處理模塊移植至Android平臺后 安裝在所述移動設(shè)備中。
[0048] 本實(shí)施例中個，所述設(shè)定值選擇為90 %。
[0049] 請參閱附圖3,選取步驟S2中所述輸入數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)作為測試數(shù)據(jù)；同時 選取步驟2)中部分所述輸入數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，然后將所述訓(xùn)練數(shù)據(jù)輸入高斯過程分 類器中訓(xùn)練出用于區(qū)分走、跑、站、躺四種行為的高斯過程分類器模型，之后再將選取的所 述測試數(shù)據(jù)輸入訓(xùn)練出的所述高斯過程分類器模型中，獲得人體行為的識別精度；
[0050] 若所述人體行為的識別精度小于設(shè)定值90%，則繼續(xù)重復(fù)上述步驟，從原始輸入 數(shù)據(jù)集中另外選取部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)，來獲得人體行為識別精度。若所述人體行為識 別精度大于或等于設(shè)定值90 %，則將所述高斯過程分類器模型以及步驟S2中預(yù)處理模塊 移植至Android平臺上，之后安裝至所述移動設(shè)備中。
[0051] 需要說明的是，由于以上處理加速度數(shù)據(jù)的過程都是在PC機(jī)上利用MATLAB進(jìn)行 仿真的，因此，如要實(shí)際應(yīng)用，需要把步驟S3訓(xùn)練出的相對精度較高的高斯過程分類器模 型和S2中原始加速度預(yù)處理算法模塊移植到Android平臺上，然后把程序安裝到手機(jī)上以 便測試使用。
[0052] 最后進(jìn)行步驟S4,進(jìn)行實(shí)時測試，由被測人員手持安裝有所述高斯過程分類器模 型和預(yù)處理模塊的移動設(shè)備，并佩戴加速度傳感器，通過移動設(shè)備獲得人體行為的預(yù)測結(jié) 果之后將所述預(yù)測結(jié)果傳給PC機(jī)，從而實(shí)現(xiàn)被測人員實(shí)時行為的觀察。
[0053] 本實(shí)施例中，如圖4所示，在進(jìn)行實(shí)時測試時，測試人員手持已經(jīng)安裝好在 Android平臺上實(shí)現(xiàn)的人體行為識別系統(tǒng)程序（預(yù)處理模塊和高斯過程分類器模型），同時 把加速度傳感器固定在身體的前腰右部，手機(jī)需要打開藍(lán)牙和3G網(wǎng)絡(luò)。之后測試人員隨機(jī) 做走、跑、站、躺四種動作，在PC機(jī)上觀察測試人員的實(shí)時行為。在測試過程中，加速度傳感 器通過藍(lán)牙把原始三軸加速度數(shù)據(jù)傳給手機(jī)，每秒傳一次，手機(jī)接收到原始三軸加速度后 首先把這一秒內(nèi)的數(shù)據(jù)當(dāng)成一個窗的數(shù)據(jù)進(jìn)行特征提取，然后把處理后的數(shù)據(jù)（10維）輸 入高斯過程分類器模型預(yù)測行為，最后把預(yù)測結(jié)果通過3G網(wǎng)絡(luò)傳給PC機(jī)，觀測人員在PC 機(jī)上可以實(shí)時觀察測試人員的行為。
[0054] 綜上所述，本發(fā)明提供一種人體行為實(shí)時識別方法，包括步驟：首先，利用移動設(shè) 備采集加速度傳感器中的三軸加速度數(shù)據(jù)并上傳至PC機(jī)；然后，利用PC機(jī)上的預(yù)處理模塊 對所述三軸加速度數(shù)據(jù)進(jìn)行預(yù)處理，包括窗長度截取和特征提取；接著利用預(yù)處理后的數(shù) 據(jù)訓(xùn)練精度較高的高斯過程分類器模型，并將所述高斯過程分類器模型和預(yù)處理模塊移植 Android平臺上，之后安裝到移動設(shè)備中，最后進(jìn)行人體行為的實(shí)時測試和觀察。本發(fā)明的 方法可以有效地應(yīng)用于實(shí)際中各種環(huán)境，如應(yīng)急救援和醫(yī)療保健環(huán)境等，通過克服傳統(tǒng)方 法遠(yuǎn)程數(shù)據(jù)傳輸時因數(shù)據(jù)量太大而造成的阻塞問題，減少手機(jī)處理的數(shù)據(jù)量、降低能量消 耗，實(shí)現(xiàn)高效、準(zhǔn)確、實(shí)時地遠(yuǎn)程監(jiān)控人體行為。
[0055] 所以，本發(fā)明有效克服了現(xiàn)有技術(shù)中的種種缺點(diǎn)而具高度產(chǎn)業(yè)利用價值。
[0056] 上述實(shí)施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟 悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對上述實(shí)施例進(jìn)行修飾或改變。因 此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完 成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。
【主權(quán)項(xiàng)】
1. 一種人體行為實(shí)時識別方法，其特征在于，所述人體行為實(shí)時識別方法至少包括： 1) 由被測人員佩戴加速度傳感器，利用移動設(shè)備從所述加速度傳感器中采集所有被測 人員在不同行為下的三軸加速度數(shù)據(jù)，并將所述三軸加速度數(shù)據(jù)上傳至PC機(jī)； 2) 在所述PC機(jī)上利用預(yù)處理模塊處理所述三軸加速度數(shù)據(jù)：選取若干個三軸加速度 數(shù)據(jù)為一個窗，然后對每一個窗內(nèi)的三軸加速度數(shù)據(jù)進(jìn)行特征提取，獲得多維的輸入數(shù)據(jù) 集； 3) 通過所述輸入數(shù)據(jù)集訓(xùn)練出識別精度高于一設(shè)定值的高斯過程分類器模型，將所述 高斯過程分類器模型以及步驟2)中預(yù)處理模塊移植至Android平臺后安裝在所述移動設(shè) 備中； 4) 進(jìn)行實(shí)時測試，由被測人員手持安裝有所述高斯過程分類器模型和預(yù)處理模塊的移 動設(shè)備，并佩戴加速度傳感器，通過移動設(shè)備獲得人體行為的預(yù)測結(jié)果之后將所述預(yù)測結(jié) 果傳給PC機(jī)，從而實(shí)現(xiàn)被測人員實(shí)時行為的觀察。2. 根據(jù)權(quán)利要求1所述的人體行為實(shí)時識別方法，其特征在于：所述步驟1)采集所有 被測人員在不同行為下的三軸加速度數(shù)據(jù)的過程為： 1-1)在Android平臺上編寫數(shù)據(jù)采集程序，設(shè)置特定的采樣頻率，并將所述數(shù)據(jù)采集 程序安裝到所述移動設(shè)備上； 1-2)將所述加速度傳感器分別固定在若干個被測人員的前腰右部，由被測人員手持安 裝有數(shù)據(jù)采集程序的移動設(shè)備，打開藍(lán)牙，采集被測人員分別在走、跑、站、躺四種行為下的 三軸加速度數(shù)據(jù)，每種行為的三軸加速度數(shù)據(jù)存儲到移動設(shè)備的特定格式文件中。 1-3)將所述特定格式的文件上傳至PC機(jī)，以讀取所述三軸加速度數(shù)據(jù)用于做后續(xù)處3. 根據(jù)權(quán)利要求1所述的人體行為實(shí)時識別方法，其特征在于：所述步驟2)中所述特 征提取包括提取三軸加速度在每個窗內(nèi)的均值、標(biāo)準(zhǔn)差、三軸之間的相關(guān)系數(shù)以及信號強(qiáng) 度，經(jīng)過提取后獲得10維的輸入數(shù)據(jù)集。4. 根據(jù)權(quán)利要求1所述的人體行為實(shí)時識別方法，其特征在于：所述步驟3)中訓(xùn)練高 精度高斯過程分類器模型的具體過程為： 3-1)選取步驟2)中部分所述輸入數(shù)據(jù)集作為測試數(shù)據(jù)； 3-2)選取步驟2)中部分所述輸入數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，將所述訓(xùn)練數(shù)據(jù)輸入高斯過 程分類器中訓(xùn)練出用于區(qū)分走、跑、站、躺四種行為的高斯過程分類器模型，之后將所述測 試數(shù)據(jù)輸入訓(xùn)練出的所述高斯過程分類器模型中，獲得人體行為的識別精度； 3-3)若所述人體行為的識別精度小于一設(shè)定值，則重復(fù)所述步驟3-2)，若所述人體行 為識別精度大于或等于該設(shè)定值，則將所述高斯過程分類器模型以及步驟2)中預(yù)處理模 塊移植至Android平臺上，之后安裝至所述移動設(shè)備中。5. 根據(jù)權(quán)利要求1所述的人體行為實(shí)時識別方法，其特征在于：所述步驟4)中進(jìn)行實(shí) 時測試時，所述加速度傳感器通過藍(lán)牙將三軸加速度數(shù)據(jù)傳輸給移動設(shè)備，利用移動設(shè)備 對三軸加速度數(shù)據(jù)進(jìn)行特征提取形成多維數(shù)據(jù)集，再將所述多維數(shù)據(jù)集輸入訓(xùn)練出的高精 度高斯過程分類器模型中進(jìn)行行為預(yù)測，之后將預(yù)測結(jié)果通過無線網(wǎng)絡(luò)傳輸給PC機(jī)，供觀 測人員遠(yuǎn)程實(shí)時觀察被測人員的行為。6. 根據(jù)權(quán)利要求1~5任一項(xiàng)所述的人體行為實(shí)時識別方法，其特征在于：所述移動 設(shè)備為手機(jī)。
【專利摘要】本發(fā)明提供一種人體行為實(shí)時識別方法，包括步驟：首先，利用移動設(shè)備采集加速度傳感器中的三軸加速度數(shù)據(jù)并上傳至PC機(jī)；然后，利用PC機(jī)上的預(yù)處理模塊對所述三軸加速度數(shù)據(jù)進(jìn)行預(yù)處理，包括窗長度截取和特征提??；接著利用預(yù)處理后的數(shù)據(jù)訓(xùn)練出精度較高的高斯過程分類器模型，并將所述高斯過程分類器模型和預(yù)處理模塊移植并安裝至Android平臺上，之后安裝到移動設(shè)備中，最后進(jìn)行人體行為的實(shí)時測試和觀察。本發(fā)明的方法可以有效地應(yīng)用于實(shí)際中各種環(huán)境，如應(yīng)急救援和醫(yī)療保健環(huán)境等，通過克服傳統(tǒng)方法遠(yuǎn)程數(shù)據(jù)傳輸時因數(shù)據(jù)量太大而造成的阻塞問題，減少手機(jī)處理的數(shù)據(jù)量、降低能量消耗，實(shí)現(xiàn)高效、準(zhǔn)確、實(shí)時地遠(yuǎn)程監(jiān)控人體行為。
【IPC分類】G06K9/00
【公開號】CN104899564
【申請?zhí)枴緾N201510288632
【發(fā)明人】王曉梅, 馬皛源, 魏建明
【申請人】中國科學(xué)院上海高等研究院
【公開日】2015年9月9日
【申請日】2015年5月29日