殷曉玲，陳曉江，夏啟壽，何娟，張鵬艷，陳峰

?

基于智能手機(jī)內(nèi)置傳感器的人體運(yùn)動(dòng)狀態(tài)識(shí)別

殷曉玲1,2，陳曉江1，夏啟壽1,2，何娟1，張鵬艷1，陳峰1

（1. 西北大學(xué)信息科學(xué)與技術(shù)學(xué)院，陜西 西安 710127；2. 池州學(xué)院數(shù)學(xué)與計(jì)算機(jī)學(xué)院，安徽 池州 247000）

針對(duì)目前智能手機(jī)識(shí)別人體運(yùn)動(dòng)狀態(tài)種類少、準(zhǔn)確率低的問(wèn)題，提出一種利用加速度傳感器和重力傳感器分層識(shí)別人體運(yùn)動(dòng)狀態(tài)的方案。首先，利用加速度和重力加速度的關(guān)系計(jì)算出與手機(jī)方向無(wú)關(guān)的慣性坐標(biāo)系下的線性加速度；其次，根據(jù)人體運(yùn)動(dòng)頻率的變化范圍和線性加速度矢量來(lái)確定腳步的波峰和波谷位置；最后，提取線性加速度在時(shí)域上的特征向量，使用層次支持向量機(jī)方法分層識(shí)別人體運(yùn)動(dòng)狀態(tài)。實(shí)驗(yàn)結(jié)果表明，該方法能有效識(shí)別人體6種日常運(yùn)動(dòng)狀態(tài)，準(zhǔn)確率達(dá)到93.37%。

運(yùn)動(dòng)狀態(tài)識(shí)別；層次支持向量機(jī)；智能手機(jī)傳感器；時(shí)域特征

1 引言

隨著智能手機(jī)的不斷發(fā)展，智能手機(jī)中嵌入了各式各樣的傳感器，如重力傳感器、加速度傳感器和陀螺儀等，使手機(jī)的功能變得越來(lái)越強(qiáng)大。利用智能手機(jī)中的傳感器對(duì)人體運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別，正在成為相關(guān)領(lǐng)域的研究熱點(diǎn)。該類研究是通過(guò)手機(jī)中的傳感器采集與人體活動(dòng)相關(guān)的數(shù)據(jù)來(lái)識(shí)別手機(jī)攜帶者的運(yùn)動(dòng)狀態(tài)。

在人體運(yùn)動(dòng)狀態(tài)識(shí)別方面，智能手機(jī)與其他可穿戴設(shè)備相比具有不受外部環(huán)境限制、不需要額外增加設(shè)備、不妨礙日常生活等優(yōu)點(diǎn)。智能手機(jī)除了用于健康監(jiān)控、智能家居、智能監(jiān)控外，還可以在病人監(jiān)護(hù)、運(yùn)動(dòng)評(píng)估和交通行為監(jiān)測(cè)等方面挖掘其應(yīng)用價(jià)值。

現(xiàn)有的研究在人體運(yùn)動(dòng)狀態(tài)識(shí)別類型和識(shí)別精度方面均取得了不錯(cuò)的效果，但是只有少數(shù)研究者考慮了智能手機(jī)放置位置[1-3]對(duì)人體運(yùn)動(dòng)狀態(tài)識(shí)別的影響。運(yùn)動(dòng)傳感器對(duì)身體位置的敏感性是智能手機(jī)進(jìn)行運(yùn)動(dòng)狀態(tài)識(shí)別的挑戰(zhàn)之一。在大多數(shù)研究中，均將手機(jī)放置的位置保持不變，因?yàn)槲恢玫淖兓赡軐?dǎo)致運(yùn)動(dòng)狀態(tài)識(shí)別性能的下降。

有些傳感器對(duì)方向的變化很敏感，例如加速度傳感器和陀螺儀，手機(jī)放置的方向會(huì)影響運(yùn)動(dòng)狀態(tài)識(shí)別效果[4-5]。由于缺乏方向獨(dú)立性，用戶需要將手機(jī)置于特定的方向，限制了用戶使用智能手機(jī)的方式。因此，為了方便用戶使用，運(yùn)動(dòng)狀態(tài)識(shí)別方案應(yīng)該與手機(jī)方向無(wú)關(guān)，手機(jī)可以在任意方向識(shí)別人體的運(yùn)動(dòng)狀態(tài)。方向無(wú)關(guān)性主要通過(guò)以下2種方法實(shí)現(xiàn)：1) 使用與方向無(wú)關(guān)的特征向量，如使用加速度矢量和而不是其各自的三軸值來(lái)計(jì)算特征向量，因?yàn)榧铀俣仁噶亢偷拇笮?duì)于方向的變化不敏感，但這種方法對(duì)運(yùn)動(dòng)狀態(tài)的識(shí)別有一定的影響；2) 使用信號(hào)轉(zhuǎn)換，將智能手機(jī)的坐標(biāo)系轉(zhuǎn)換成慣性坐標(biāo)系來(lái)抵消方位變化[6]，與方法1)相比，如果能夠?qū)崿F(xiàn)準(zhǔn)確轉(zhuǎn)換，將有利于提高人體運(yùn)動(dòng)狀態(tài)識(shí)別的準(zhǔn)確率。

在運(yùn)動(dòng)狀態(tài)識(shí)別中特征向量的提取起著至關(guān)重要的作用。從傳感器數(shù)據(jù)中提取的特征向量主要有時(shí)域特征向量和頻域特征向量2類。提取頻域特征向量時(shí)需要進(jìn)行傅里葉變換[7]，計(jì)算負(fù)載較大。數(shù)據(jù)采集時(shí)，由于受環(huán)境的干擾，采集到的數(shù)據(jù)存在抖動(dòng)和噪聲脈沖，影響特征向量的最大值或最小值。

針對(duì)以上問(wèn)題，本文從手機(jī)攜帶方式、與手機(jī)方向的無(wú)關(guān)性和時(shí)域特征向量3個(gè)方面進(jìn)行研究，使用層次支持向量機(jī)（H-SVM，hierarchical support vector machine）方法對(duì)日常生活中具有代表性的運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別，為生活健康提供監(jiān)控。根據(jù)文獻(xiàn)[8]可知，人的心臟代謝的健康與中等運(yùn)動(dòng)強(qiáng)度有一定的關(guān)系。因此，本文將靜止（站立/靜坐）、行走、跑步、上樓、下樓和騎行6種日常運(yùn)動(dòng)狀態(tài)作為研究對(duì)象，具有較高的研究?jī)r(jià)值。本文選擇胸口、上臂、褲前袋、褲后袋和腰部這5個(gè)日常生活中人們常放置手機(jī)的部位作為手機(jī)攜帶方式。根據(jù)線性加速度特征向量的取值和對(duì)人體運(yùn)動(dòng)的先驗(yàn)知識(shí)，先對(duì)6種運(yùn)動(dòng)狀態(tài)進(jìn)行分層，再采用H-SVM方法對(duì)運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別。

本文的主要貢獻(xiàn)如下。

1) 根據(jù)人體運(yùn)動(dòng)狀態(tài)的特征，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)分層識(shí)別人體運(yùn)動(dòng)狀態(tài)系統(tǒng)。當(dāng)用戶使用不同的手機(jī)攜帶方式并且在手機(jī)隨機(jī)擺放的情況下，系統(tǒng)能有效識(shí)別出日常生活中用戶的6種運(yùn)動(dòng)狀態(tài)。

2) 提出了一種手機(jī)坐標(biāo)系與慣性坐標(biāo)系的實(shí)時(shí)轉(zhuǎn)換算法。通過(guò)手機(jī)坐標(biāo)系下加速度和重力加速度之間的關(guān)系，精確計(jì)算慣性坐標(biāo)系下人體運(yùn)動(dòng)的線性加速度，避免了只使用線性加速度轉(zhuǎn)換導(dǎo)致的轉(zhuǎn)換精度不高的問(wèn)題[9-12]，轉(zhuǎn)換后的運(yùn)動(dòng)數(shù)據(jù)真實(shí)反映了人體的運(yùn)動(dòng)狀態(tài)，而且與手機(jī)放置方向無(wú)關(guān)，提高了用戶使用手機(jī)的自由度。

3) 設(shè)計(jì)了尋找慣性坐標(biāo)系下線性加速度的最大波峰點(diǎn)和最小波谷點(diǎn)的腳步識(shí)別算法。利用人體日常運(yùn)動(dòng)頻率為1~3 Hz[13]的特性，提高了腳步識(shí)別算法的計(jì)步準(zhǔn)確率，有效計(jì)算時(shí)間窗口內(nèi)腳步的最大值均值和最小值均值，提高了運(yùn)動(dòng)狀態(tài)識(shí)別的準(zhǔn)確率。

2 研究背景及相關(guān)工作

基于傳感器的運(yùn)動(dòng)狀態(tài)識(shí)別，國(guó)內(nèi)外學(xué)者已經(jīng)有了較長(zhǎng)時(shí)間的研究。文獻(xiàn)[14]把單個(gè)加速度傳感器固定在人體的骨盆附近，對(duì)人體站立、跑步和刷牙等9種運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別，并取得了較好的效果。文獻(xiàn)[15]在室內(nèi)使用多個(gè)傳感器組建傳感器網(wǎng)絡(luò)，識(shí)別人體在室內(nèi)的多種活動(dòng)。文獻(xiàn)[16]提出了基于單個(gè)加速度傳感器系統(tǒng)，可以識(shí)別出5種運(yùn)動(dòng)狀態(tài)，識(shí)別的準(zhǔn)確率達(dá)到94%。文獻(xiàn)[17]通過(guò)可穿戴的多個(gè)傳感器設(shè)備，對(duì)人體的運(yùn)動(dòng)狀態(tài)進(jìn)行實(shí)時(shí)識(shí)別，并根據(jù)運(yùn)動(dòng)狀態(tài)來(lái)計(jì)算人體運(yùn)動(dòng)時(shí)的能量消耗。文獻(xiàn)[18]提出一種分級(jí)預(yù)測(cè)模型對(duì)人體靜態(tài)、動(dòng)態(tài)和過(guò)渡活動(dòng)進(jìn)行分類，能識(shí)別人體的15種活動(dòng)，并取得了令人滿意的識(shí)別精度。

以上研究面臨的一個(gè)共同問(wèn)題就是需要獨(dú)立的設(shè)備并且佩戴在身體的某個(gè)特定部位，這樣會(huì)增加成本并給行動(dòng)帶來(lái)不便，另外，還需要對(duì)多個(gè)傳感器數(shù)據(jù)進(jìn)行分析整合，帶來(lái)較大的計(jì)算開銷，實(shí)時(shí)性較差，很難達(dá)到真正意義上的普及。

文獻(xiàn)[19]使用Android設(shè)備識(shí)別出高精度的活動(dòng)，但是識(shí)別精度與Android設(shè)備放置的方向有關(guān)。文獻(xiàn)[20]在智能手機(jī)中完成數(shù)據(jù)采集、特征向量提取和分類識(shí)別，識(shí)別步行、跑步、騎車、開車、坐/站5種日常活動(dòng)，但是采集數(shù)據(jù)時(shí)手機(jī)需放在固定的位置，并且使用了42個(gè)特征向量，增加了手機(jī)的負(fù)載。文獻(xiàn)[21]提出智能手機(jī)采集腰部數(shù)據(jù)檢測(cè)摔倒模型，但手機(jī)必須固定在腰部位置。文獻(xiàn)[22]采用線性加速度傳感器和陀螺儀對(duì)方向進(jìn)行校正，使識(shí)別的準(zhǔn)確率提升到93%，但與文獻(xiàn)[21]相同，采樣時(shí)手機(jī)固定在某一特定的位置。文獻(xiàn)[23]對(duì)加速度傳感器數(shù)據(jù)進(jìn)行離散小波變換，將每層高低頻的能量作為運(yùn)動(dòng)特征，使用樸素貝葉斯和多層感知器的分類方法對(duì)7種運(yùn)動(dòng)（靜止、行走、跳、沖刺跑、擊球、截球、運(yùn)球）分類，識(shí)別的準(zhǔn)確率最高達(dá)到87%，同樣，該方法需將傳感器固定于身體特定位置才能進(jìn)行識(shí)別，降低了靈活性。文獻(xiàn)[24]研究了數(shù)據(jù)采集與傳感器位置的無(wú)關(guān)性，但識(shí)別精度不及固定傳感器的方法。文獻(xiàn)[25]將動(dòng)作傳感器在時(shí)序前后采集的數(shù)據(jù)作為上下文來(lái)改進(jìn)用戶活動(dòng)識(shí)別，提高了動(dòng)作識(shí)別的精度，但是實(shí)驗(yàn)的數(shù)據(jù)來(lái)自固定于胸前的傳感器。文獻(xiàn)[26]對(duì)比智能手機(jī)中三軸加速度傳感器和陀螺儀在單獨(dú)使用和聯(lián)合使用情況下對(duì)走、上樓、下樓、坐、站和躺6種狀態(tài)的識(shí)別，提出了一種新的特征選擇方法，構(gòu)造了一個(gè)具有較好泛化能力的在線活動(dòng)識(shí)別器，降低了智能手機(jī)的功耗，但是沒(méi)有對(duì)跑步和騎行運(yùn)動(dòng)狀態(tài)進(jìn)行研究，同時(shí)選擇了運(yùn)動(dòng)數(shù)據(jù)在頻域上的特征向量，增加了手機(jī)負(fù)載。文獻(xiàn)[27]聯(lián)合使用手機(jī)內(nèi)置傳感器和手腕運(yùn)動(dòng)傳感器，得到更多的上下文信息，識(shí)別了13種生活中復(fù)雜的運(yùn)動(dòng)，但是系統(tǒng)增加了額外的傳感器。文獻(xiàn)[28]使用線性加速度傳感器的標(biāo)準(zhǔn)差作為特征向量識(shí)別站立、行走和跑步3種運(yùn)動(dòng)狀態(tài)，準(zhǔn)確率達(dá)到98%以上，但是識(shí)別的運(yùn)動(dòng)狀態(tài)較少。文獻(xiàn)[29]采用傳感器在時(shí)域、頻域和時(shí)頻域上的特征向量，用近鄰算法、隨機(jī)森林算法和支持向量機(jī)算法對(duì)手機(jī)在不同攜帶方式下不同的運(yùn)動(dòng)狀態(tài)進(jìn)行分析。文獻(xiàn)[30]把運(yùn)動(dòng)狀態(tài)分為上樓、下樓、走路、跑步、靜坐和站立6類，在驗(yàn)證系統(tǒng)的識(shí)別效果時(shí)只用了3組用戶的實(shí)驗(yàn)數(shù)據(jù)，而且沒(méi)明確手機(jī)的攜帶方式，同時(shí)缺少了騎行這一常見(jiàn)的運(yùn)動(dòng)。

針對(duì)以上問(wèn)題，本文采用智能手機(jī)中的線性加速度和重力加速度來(lái)識(shí)別生活中常見(jiàn)的6種運(yùn)動(dòng)狀態(tài)。

3 數(shù)據(jù)采集及處理

本節(jié)使用手機(jī)加速度傳感器和重力傳感器采集人體運(yùn)動(dòng)狀態(tài)數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行校準(zhǔn)、平滑、分割、與手機(jī)方向無(wú)關(guān)性處理。圖1為人體運(yùn)動(dòng)狀態(tài)識(shí)別系統(tǒng)的結(jié)構(gòu)。

圖1 人體運(yùn)動(dòng)狀態(tài)識(shí)別系統(tǒng)的結(jié)構(gòu)

3.1 數(shù)據(jù)采集

本文在Android設(shè)備上開發(fā)了一個(gè)數(shù)據(jù)采集應(yīng)用程序，應(yīng)用程序可以安裝在Android 4.0以上的設(shè)備上。在程序運(yùn)行時(shí)，每隔30 ms讀取加速度傳感器和重力傳感器三軸數(shù)據(jù)，然后將其以明文方式存儲(chǔ)在手機(jī)本地test文件夾中。在測(cè)試階段，將原始數(shù)據(jù)傳輸?shù)胶蠖朔?wù)器。實(shí)驗(yàn)使用5種不同型號(hào)的智能手機(jī)進(jìn)行數(shù)據(jù)采集，如表1所示。

表1 實(shí)驗(yàn)中使用手機(jī)型號(hào)

本實(shí)驗(yàn)邀請(qǐng)了在校的20位大學(xué)生作為實(shí)驗(yàn)者，其中男性15名，女性5名，年齡分布在18~22歲，體重45~80 kg，身高155~180 cm。數(shù)據(jù)采集時(shí)，將5部手機(jī)分別放置在實(shí)驗(yàn)者的胸口、上臂、褲前袋、褲后袋和腰部這5個(gè)部位。為使每部手機(jī)都能采集到不同部位的運(yùn)動(dòng)狀態(tài)，每位實(shí)驗(yàn)者在同一種運(yùn)動(dòng)狀態(tài)中進(jìn)行5輪數(shù)據(jù)采集，每完成一輪數(shù)據(jù)采集后，循環(huán)更換手機(jī)位置，共收集每位實(shí)驗(yàn)者的30輪數(shù)據(jù)（5輪采集，6種運(yùn)動(dòng)狀態(tài)）。

在實(shí)驗(yàn)設(shè)置中，上樓和下樓運(yùn)動(dòng)狀態(tài)是在8層教學(xué)樓的樓梯上完成的，行走和騎行運(yùn)動(dòng)狀態(tài)是在學(xué)校的運(yùn)動(dòng)場(chǎng)完成的，靜止?fàn)顟B(tài)是在教室內(nèi)完成的。為了確保每個(gè)實(shí)驗(yàn)的運(yùn)動(dòng)數(shù)據(jù)接近正常生活，本文沒(méi)有控制運(yùn)動(dòng)的速度和手機(jī)放置的方向，每2輪實(shí)驗(yàn)之間讓實(shí)驗(yàn)者休息并改變5部手機(jī)的攜帶位置和方向。每輪數(shù)據(jù)采集的持續(xù)時(shí)間不少于2 min，共收集6 000 min的數(shù)據(jù)進(jìn)行驗(yàn)證。

3.2 數(shù)據(jù)校準(zhǔn)

由于傳感器在制造和安裝過(guò)程中存在一定的偏差，影響傳感器數(shù)據(jù)的準(zhǔn)確獲取[31]。為了盡可能地減少傳感器獲取數(shù)據(jù)的固有偏差，保證數(shù)據(jù)的準(zhǔn)確性和不同加速度傳感器之間數(shù)據(jù)的一致性，國(guó)內(nèi)外學(xué)者針對(duì)三軸加速度傳感器的校準(zhǔn)進(jìn)行了研究。文獻(xiàn)[32]使用最大似然求解方法，對(duì)加速度傳感器進(jìn)行自動(dòng)校正，提高了加速度傳感器的校準(zhǔn)精度。文獻(xiàn)[33]先對(duì)原始加速度傳感器數(shù)據(jù)進(jìn)行預(yù)處理，再使用遺傳算法最優(yōu)化求解校準(zhǔn)參數(shù)，簡(jiǎn)化了傳統(tǒng)標(biāo)定方法步驟。文獻(xiàn)[34]利用當(dāng)?shù)刂亓铀俣茸鳛闃?biāo)定基準(zhǔn)，使用線性最小二乘法對(duì)加速度傳感器進(jìn)行校準(zhǔn)。文獻(xiàn)[35]使用高斯?牛頓迭代法對(duì)加速度傳感器進(jìn)行校準(zhǔn)。本文針對(duì)加速度傳感器和重力加速度傳感器軸上的輸出的數(shù)據(jù)，使用縮放矩陣和偏置矩陣校準(zhǔn)加速度數(shù)據(jù)矢量[,,]T，如式(1)所示。其中，為3×3的縮放矩陣，11、22、33為加速度傳感器的標(biāo)度系數(shù)，s(≠)為加速傳感器的安裝誤差系數(shù)，矩陣校正加速度傳感器的零位偏差。

靜止時(shí)，加速度傳感器數(shù)據(jù)和重力傳感器數(shù)據(jù)三軸輸出值、、的平方和等于當(dāng)?shù)刂亓铀俣鹊钠椒?，如?2)所示，對(duì)應(yīng)的線性加速度矢量和為0 m/s2，但是手機(jī)獲取的線性加速度輸出并不總是滿足這一條件。

通過(guò)采集靜止?fàn)顟B(tài)下加速度傳感器和重力加速度傳感器輸出值，利用差分進(jìn)化的混合粒子群優(yōu)化（DE-PSO, differential evolution of particle swarm optimization）算法求解非線性方程組[36]，構(gòu)造目標(biāo)函數(shù)如式(3)所示。

其中，i為靜止?fàn)顟B(tài)下測(cè)試的數(shù)據(jù)數(shù)量，g0為當(dāng)?shù)氐闹亓铀俣?，通過(guò)最小化目標(biāo)函數(shù)即可得到S和B。靜止?fàn)顟B(tài)下加速度傳感器數(shù)據(jù)和重力傳感器數(shù)據(jù)如圖2所示，靜止?fàn)顟B(tài)下加速度數(shù)據(jù)校準(zhǔn)前后對(duì)比如圖3所示，經(jīng)過(guò)校準(zhǔn)后靜止?fàn)顟B(tài)下加速度數(shù)據(jù)接近9.81 m/s2，滿足對(duì)數(shù)據(jù)進(jìn)一步處理的需求。與高斯–牛頓迭代法相比，DE-PSO算法運(yùn)行速度較快，仿真時(shí)間較短，誤差較小，適合智能手機(jī)中加速度傳感器數(shù)據(jù)的校準(zhǔn)。

圖3 手機(jī)靜止?fàn)顟B(tài)下加速度傳感器數(shù)據(jù)校準(zhǔn)前后對(duì)比

3.3 數(shù)據(jù)濾波

經(jīng)過(guò)校準(zhǔn)處理后，線性加速度矢量和應(yīng)能夠真實(shí)地體現(xiàn)人體運(yùn)動(dòng)狀態(tài)。本文研究的運(yùn)動(dòng)狀態(tài)除靜止?fàn)顟B(tài)外，其他的運(yùn)動(dòng)狀態(tài)都是周期運(yùn)動(dòng)。以行走為例，從一側(cè)腳跟落地開始到其再次落地構(gòu)成了一個(gè)步態(tài)周期，雙腳交叉依次進(jìn)行，由此引起手機(jī)加速度傳感器數(shù)據(jù)變化應(yīng)該呈現(xiàn)類似于正弦波型，如圖4所示。圖5展示了用戶攜帶手機(jī)運(yùn)動(dòng)時(shí)，某一段時(shí)間內(nèi)加速度傳感器數(shù)據(jù)變化情況，與理想狀態(tài)波形有較大的差別。由于傳感器數(shù)據(jù)的不穩(wěn)定性，即使手機(jī)處于靜止?fàn)顟B(tài)，其數(shù)據(jù)也普遍存在抖動(dòng)現(xiàn)象，有時(shí)候甚至?xí)嬖诿}沖。本文采取滑動(dòng)加權(quán)均值辦法對(duì)傳感器數(shù)據(jù)抖動(dòng)和脈沖噪聲進(jìn)行處理，降低此類噪聲對(duì)傳感器數(shù)據(jù)的影響。滑動(dòng)加權(quán)均值辦法是在一個(gè)包含21個(gè)數(shù)據(jù)點(diǎn)的窗口內(nèi)，用窗口內(nèi)的幾個(gè)數(shù)據(jù)點(diǎn)的權(quán)重比之和代表該值的大小，實(shí)現(xiàn)數(shù)據(jù)的平滑處理，如式(4)所示。

圖4 理想狀態(tài)下步伐的加速度數(shù)據(jù)

圖5 加速度傳感器的原始數(shù)據(jù)

其中，n為窗口中數(shù)據(jù)的長(zhǎng)度，α、β為權(quán)重?；瑒?dòng)加權(quán)均值濾波可以對(duì)數(shù)據(jù)抖動(dòng)進(jìn)行有效的處理，平滑效果與窗口2k+1和權(quán)重α的取值都有關(guān)，在α一定的情況下，2k+1越大，平滑效果越好，失真的程度也就越高，而窗口起始和結(jié)束的k個(gè)數(shù)據(jù)的平滑與β的取值有關(guān)。當(dāng)α=0.2，β=0.8時(shí)，k分別取3、7和11時(shí)平滑的效果如圖6所示；當(dāng)k=7，β=0.8時(shí)，α分別取0.2、0.6和0.9時(shí)平滑的效果如圖7所示。通過(guò)多次實(shí)驗(yàn)并與卡爾曼濾波比較，選取α=0.2，β=0.8，k=7能夠得到較好的平滑效果，如圖8所示。與卡爾曼濾波相比，這種濾波方法的降噪性能不夠好，但計(jì)算過(guò)程簡(jiǎn)單快捷，這意味著智能手機(jī)的計(jì)算負(fù)載更輕。與圖5相比，采集到的原始數(shù)據(jù)經(jīng)過(guò)平滑處理之后，數(shù)據(jù)質(zhì)量和平滑度都有了明顯的提高。

圖7 α取不同值時(shí)加權(quán)濾波

圖8 過(guò)濾后的加速度數(shù)據(jù)

3.4 數(shù)據(jù)分割

經(jīng)過(guò)校準(zhǔn)和濾波處理后的傳感器時(shí)序數(shù)據(jù)雖然已接近理想狀態(tài)，但是數(shù)據(jù)序列較長(zhǎng)。如果對(duì)時(shí)序數(shù)據(jù)中每個(gè)采樣點(diǎn)都進(jìn)行特征向量計(jì)算，雖然單次計(jì)算的時(shí)間最短，但是隨著檢測(cè)次數(shù)的增多，會(huì)導(dǎo)致總的檢測(cè)時(shí)間過(guò)長(zhǎng)，嚴(yán)重影響系統(tǒng)的實(shí)時(shí)性，所以必須對(duì)數(shù)據(jù)進(jìn)行分割處理。數(shù)據(jù)分割是保證實(shí)時(shí)性和準(zhǔn)確性的基礎(chǔ)。

本文采取滑動(dòng)窗口機(jī)制，將待處理的長(zhǎng)時(shí)序數(shù)據(jù)序列分割成若干個(gè)短的時(shí)序數(shù)據(jù)序列，然后對(duì)分割后的若干個(gè)短的數(shù)據(jù)序列進(jìn)行相應(yīng)的特征向量計(jì)算。數(shù)據(jù)序列的分割會(huì)帶來(lái)分割窗口邊緣的關(guān)鍵數(shù)據(jù)受損，影響數(shù)據(jù)的準(zhǔn)確性。本文采取重合窗口與動(dòng)態(tài)窗口相結(jié)合的方法，即帶有50%重合的滑動(dòng)窗口策略，如圖9所示?；瑒?dòng)窗口設(shè)為1.5 s[37-38]，用窗口內(nèi)數(shù)據(jù)的均值代替滑動(dòng)窗口的值，然后利用各個(gè)滑動(dòng)窗口的特征值向量進(jìn)行運(yùn)動(dòng)狀態(tài)的識(shí)別和劃分。

3.5 與手機(jī)方向無(wú)關(guān)性處理

在數(shù)據(jù)采集過(guò)程中，本文方案不要求手機(jī)按照某一方向攜帶。手機(jī)的方向不同，加速度傳感器三軸分別受到重力的影響就不同。文獻(xiàn)[9]假設(shè)某段時(shí)間內(nèi)手機(jī)方向不發(fā)生改變，用此段時(shí)間內(nèi)加速度的均值和加速度的關(guān)系，計(jì)算加速度傳感器的方向，這樣就可以獲得線性加速度在鉛垂面和水平面上的加速度分量。在實(shí)際應(yīng)用中，手機(jī)可能隨時(shí)改變方向，用加速度的均值計(jì)算加速度傳感器方向存在較大誤差，影響線性加速度在水平面和鉛垂面上分量的準(zhǔn)確性。本文采用加速度傳感器數(shù)據(jù)和重力傳感器數(shù)據(jù)計(jì)算人體運(yùn)動(dòng)在水平面和鉛垂面上的線性加速度，算法的時(shí)間復(fù)雜度為(1)，如算法1所示。

圖9 滑動(dòng)窗口示意

算法1 坐標(biāo)轉(zhuǎn)換算法

Step3 計(jì)算重力加速度矢量和

Step4 計(jì)算慣性坐標(biāo)系下線性加速度

4 特征向量選擇及運(yùn)動(dòng)狀態(tài)分析

特征向量選擇是人體運(yùn)動(dòng)狀態(tài)識(shí)別的重要環(huán)節(jié)，其目的是在原始數(shù)據(jù)中選擇有效的特征變量，獲得待研究對(duì)象的本質(zhì)屬性，從而準(zhǔn)確描述待研究的對(duì)象。特征向量選擇直接影響到整個(gè)模型的識(shí)別性能。首先，根據(jù)ReliefF算法[39]選擇有效的特征變量；然后，利用腳步識(shí)別算法計(jì)算腳步的波峰和波谷值；最后，根據(jù)腳步的波峰和波谷值計(jì)算相應(yīng)的特征向量值。

4.1 特征向量選擇

從已有的研究成果看，目前，應(yīng)用最廣泛的特征主要包括2類，即時(shí)域特征向量和頻域特征向量。時(shí)域特征向量計(jì)算復(fù)雜度相比頻域特征向量低，在人體行為識(shí)別的應(yīng)用中有較理想的體現(xiàn)。時(shí)域上的特征向量包括最大值、最小值、中位數(shù)、平均值、標(biāo)準(zhǔn)差、方差、偏度、峰度、直方圖信息、均方根、自回歸系數(shù)、互相關(guān)系數(shù)、過(guò)零率、上四分位數(shù)和下四分位數(shù)等。

本文方案只使用時(shí)域上的特征向量，有效地降低了算法的復(fù)雜度。根據(jù)ReliefF算法計(jì)算特征向量的權(quán)重，采用慣性坐標(biāo)系下線性加速度在水平方向、垂直方向和矢量和方向的最大值均值、最小值均值、平均值、標(biāo)準(zhǔn)差、最大值均方根、四分位差、偏度和峰度共24個(gè)時(shí)域特征向量。

計(jì)算最大值均值和最小值均值時(shí)，需要用腳步識(shí)別算法來(lái)確定腳步的波峰和波谷位置，然后計(jì)算腳步在不同的方向上的波峰和波谷值。最大（?。┲稻凳侵笗r(shí)間窗口內(nèi)腳步波峰（谷）的平均值。在計(jì)算最大（?。┲稻禃r(shí)，需要獲取時(shí)間窗口內(nèi)運(yùn)動(dòng)的步數(shù)。文獻(xiàn)[11]采用固定時(shí)間閾值辦法實(shí)現(xiàn)正常運(yùn)動(dòng)狀態(tài)的步數(shù)統(tǒng)計(jì)，運(yùn)動(dòng)狀態(tài)變化較大會(huì)導(dǎo)致計(jì)步精度下降[40]。本文提出了尋找最大波峰點(diǎn)和最小波谷點(diǎn)的腳步識(shí)別算法，如算法2所示。首先，尋找時(shí)間窗口內(nèi)線性加速度的最大波峰點(diǎn)和最小波谷點(diǎn)，即時(shí)間窗口內(nèi)某一腳步的波峰點(diǎn)和某一腳步的波谷點(diǎn)，然后分別以此最大波峰點(diǎn)和最小波谷點(diǎn)為起點(diǎn)，在距此波峰或波谷前后0.33~1 s范圍內(nèi)查找最大波峰點(diǎn)或最小波谷點(diǎn)，此點(diǎn)即為下一腳步或前一腳步的波峰或波谷。以新的波峰或波谷為起點(diǎn)，繼續(xù)尋找下一腳步或前一腳步的波峰點(diǎn)或波谷點(diǎn)，直到時(shí)間窗口內(nèi)所有腳步的波峰或波谷都被找到。算法的時(shí)間復(fù)雜度為()2()。

算法2 腳步識(shí)別算法

輸入 線性加速度矢量和Data及相應(yīng)的時(shí)間點(diǎn)time

輸出 步數(shù)stepNum?腳步波峰值stepPeak、腳步波谷值stepTrough 和腳步峰谷值stepData

Step1 初始化stepNum、stepPeak和stepTrough

Step2 遍歷窗口內(nèi)所有數(shù)據(jù)點(diǎn)，找出最大波峰點(diǎn)maxpoint和最小波谷點(diǎn)minpoint，更新stepNum、stepPeak和stepTrough

Step3 在時(shí)間窗口內(nèi)，以maxpoint為起點(diǎn)，在距離maxpoint 0.33~1 s時(shí)間范圍內(nèi)，查找下一個(gè)腳步波峰點(diǎn)，更新stepNum和stepPeak，以新的波峰為起點(diǎn)繼續(xù)查找下一個(gè)腳步的波峰點(diǎn)，直到窗口內(nèi)所有的腳步波峰點(diǎn)被查找到

Step4 在時(shí)間窗口內(nèi)，以minpoint為起點(diǎn)，在距離minpoint 0.33~1s時(shí)間范圍內(nèi)，查找下一個(gè)腳步波谷點(diǎn)，更新stepNum和stepTrough，以新的波谷為起點(diǎn)繼續(xù)查找下一個(gè)腳步的波谷點(diǎn)，直到窗口內(nèi)所有的腳步波谷點(diǎn)被查找到

stepData= stepPeak ∪stepTrough

4.2 運(yùn)動(dòng)狀態(tài)分析

通過(guò)前期數(shù)據(jù)采集和處理，可以得到每一種運(yùn)動(dòng)狀態(tài)的慣性坐標(biāo)系下線性加速度的24個(gè)時(shí)域特征向量。本文對(duì)慣性坐標(biāo)系下線性加速度矢量和的特征向量做如下分析。

為區(qū)分不同的運(yùn)動(dòng)狀態(tài)，繪制出6種運(yùn)動(dòng)狀態(tài)的最大值均值圖，如圖10所示。由圖10可知，跑步的最大值均值最大，靜止和騎行運(yùn)動(dòng)的最大值均值最小，行走、上樓和下樓的值在以上兩者之間。同樣地，繪制出6種運(yùn)動(dòng)狀態(tài)的最小值均值、平均值和標(biāo)準(zhǔn)差的特征向量圖，如圖11~圖13所示?？梢钥闯觯@3種特征向量與最大值均值有相似的變化規(guī)律。通過(guò)以上分析可以把運(yùn)動(dòng)狀態(tài)分成3類，即跑步為一類，行走、上樓和下樓為一類，而靜止和騎行為一類。

圖10 6種運(yùn)動(dòng)狀態(tài)下的最大值均值

圖11 6種運(yùn)動(dòng)狀態(tài)下的最小值均值

圖12 6種運(yùn)動(dòng)狀態(tài)下的平均值

圖13 6種運(yùn)動(dòng)狀態(tài)下的標(biāo)準(zhǔn)差

下面，進(jìn)一步分析靜止和騎行運(yùn)動(dòng)狀態(tài)特征。雖然手機(jī)不一定處于水平狀態(tài)，但在靜止?fàn)顟B(tài)下加速度和重力加速度數(shù)據(jù)保持一致，兩者在傳感器三軸方向的加速度只有微弱的波動(dòng)。線性加速度矢量和反映了靜止?fàn)顟B(tài)下人體對(duì)手機(jī)的作用結(jié)果，從圖14可以看出，人體處于靜止?fàn)顟B(tài)時(shí)，最大值均值在0.1~0.2 m/s2范圍內(nèi)波動(dòng)，因?yàn)槿梭w在相對(duì)靜止?fàn)顟B(tài)下，身體仍存在一定的晃動(dòng)。騎行過(guò)程中，最大值均值在0.3~0.5 m/s2范圍內(nèi)波動(dòng)，其呈現(xiàn)的規(guī)律與靜止?fàn)顟B(tài)沒(méi)有明顯區(qū)分，但是騎行狀態(tài)最大值均值的變化范圍比靜止?fàn)顟B(tài)大，但這2種狀態(tài)的最小值均值、平均值和標(biāo)準(zhǔn)差3個(gè)特征向量的變化趨勢(shì)和變化范圍都有明顯區(qū)別，如圖15~圖17所示。從以上分析可知，靜止和騎行這2種運(yùn)動(dòng)狀態(tài)比較容易區(qū)分。

圖14 騎行和靜止?fàn)顟B(tài)下的最大值均值

圖15 騎行和靜止?fàn)顟B(tài)下的最小值均值

圖16 騎行和靜止?fàn)顟B(tài)下的平均值

圖17 騎行和靜止?fàn)顟B(tài)下的標(biāo)準(zhǔn)差

由圖10~圖13可知，行走、上樓和下樓這3種運(yùn)動(dòng)的4個(gè)特征向量之間沒(méi)有明顯區(qū)分。進(jìn)一步研究3種運(yùn)動(dòng)狀態(tài)的最大值均方根、四分位差、偏度和峰度，各特征向量如圖18~圖21所示。從圖中無(wú)法直接對(duì)這3種運(yùn)動(dòng)狀態(tài)進(jìn)行有效區(qū)分，但可以借助SVM（support vector machine）工具，把3個(gè)方向上共24個(gè)特征向量映射到高維空間進(jìn)行識(shí)別。

圖18 行走、上樓和下樓的最大值均方根

由于SVM具有樣本小、結(jié)構(gòu)風(fēng)險(xiǎn)小和非線性的特點(diǎn)，在高維模式識(shí)別中較其他傳統(tǒng)機(jī)器學(xué)習(xí)算法有明顯的優(yōu)勢(shì)，分類思想簡(jiǎn)單，分類效果較好。目前，SVM分類策略包括一對(duì)一（OVO，one-versus-one）、一對(duì)多（OVR，one-versus-rest）和H-SVM等方法。本文選擇H-SVM方法，將運(yùn)動(dòng)狀態(tài)劃分為如圖22所示的多層識(shí)別模型。利用各種運(yùn)動(dòng)狀態(tài)下的共24個(gè)特征向量和運(yùn)動(dòng)學(xué)的先驗(yàn)知識(shí)，對(duì)運(yùn)動(dòng)類別進(jìn)行劃分，每次劃分時(shí)子類別內(nèi)部的運(yùn)動(dòng)狀態(tài)具有較大的相似性，子類別之間則具有較大的區(qū)分，從而盡可能地區(qū)分不同的運(yùn)動(dòng)狀態(tài)。

圖19 行走、上樓和下樓的四分位差

圖20 行走、上樓和下樓的偏度

圖21 行走、上樓和下樓的峰度

圖22 層次向量對(duì)運(yùn)動(dòng)狀態(tài)的劃分

5 實(shí)驗(yàn)及分析

為了評(píng)估系統(tǒng)的有效性，進(jìn)行了如下實(shí)驗(yàn)。首先，用H-SVM方法驗(yàn)證不同的手機(jī)攜帶方式下6種運(yùn)動(dòng)狀態(tài)識(shí)別的準(zhǔn)確率；其次，驗(yàn)證了H-SVM、Na?ve Byes、Decision Tree和KNN識(shí)別方法對(duì)6種不同運(yùn)動(dòng)狀態(tài)的識(shí)別準(zhǔn)確率；再次，驗(yàn)證了3.2節(jié)DE-PSO算法在數(shù)據(jù)校準(zhǔn)上的優(yōu)勢(shì)，驗(yàn)證了3.5節(jié)的坐標(biāo)轉(zhuǎn)換算法和4.1節(jié)的腳步識(shí)別算法在H-SVM識(shí)別方法中的作用；最后，分析了時(shí)域特征向量和頻域特征向量計(jì)算的時(shí)間復(fù)雜度，并從多個(gè)方面將本文方法與相關(guān)文獻(xiàn)的方法進(jìn)行比較。

5.1 不同手機(jī)攜帶方式實(shí)驗(yàn)

為了對(duì)系統(tǒng)進(jìn)行全面評(píng)價(jià)和分析，本文按照5種手機(jī)攜帶方式和綜合方式（即把5種攜帶方式下采集的6種運(yùn)動(dòng)狀態(tài)數(shù)據(jù)按照運(yùn)動(dòng)狀態(tài)綜合）進(jìn)行了6組實(shí)驗(yàn)，在每一組實(shí)驗(yàn)中將6種運(yùn)動(dòng)狀態(tài)數(shù)據(jù)按照?qǐng)D22的H-SVM的分類方式劃分訓(xùn)練集，即在每種手機(jī)攜帶方式下均需要訓(xùn)練5個(gè)二分類的支持向量機(jī)，分別用于識(shí)別靜止?fàn)顟B(tài)和運(yùn)動(dòng)狀態(tài)、騎行狀態(tài)和行走/跑步狀態(tài)、行走狀態(tài)和跑步狀態(tài)、行走狀態(tài)和上/下樓狀態(tài)、上樓狀態(tài)和下樓狀態(tài)。實(shí)驗(yàn)采用十折交叉驗(yàn)證方法，將訓(xùn)練的樣本集分為10組，每次選取其中的9組作為訓(xùn)練集，剩余的一組作為測(cè)試集。使用H-SVM，選擇SVM類型為C-SVC、核函數(shù)類型為RBF（徑向基）核函數(shù)，其中損失參數(shù)為32，核函數(shù)中參數(shù)為0.5，經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，以上SVM參數(shù)能達(dá)到很好的優(yōu)化效果，提升不同運(yùn)動(dòng)狀態(tài)的識(shí)別準(zhǔn)確率。手機(jī)放置在不同位置時(shí)H-SVM方法識(shí)別不同運(yùn)動(dòng)狀態(tài)的準(zhǔn)確率如表2所示。為進(jìn)一步研究不同運(yùn)動(dòng)狀態(tài)識(shí)別的差錯(cuò)情況，表3給出了綜合方式下不同運(yùn)動(dòng)狀態(tài)的混淆矩陣，矩陣中的行表示某種運(yùn)動(dòng)狀態(tài)數(shù)量，矩陣中的列表示H-SVM方法識(shí)別某種運(yùn)動(dòng)狀態(tài)數(shù)量。

表2 手機(jī)放置在不同位置下H-SVM方法的準(zhǔn)確率

表3 綜合方式下不同運(yùn)動(dòng)狀態(tài)的混淆矩陣

從表2可以看出，在不同運(yùn)動(dòng)狀態(tài)的識(shí)別中，識(shí)別準(zhǔn)確率最高的是靜止?fàn)顟B(tài)，其次是跑步和騎行狀態(tài)，因?yàn)檫@3種運(yùn)動(dòng)狀態(tài)時(shí)間窗口內(nèi)最大值均值、最小值均值、平均值和標(biāo)準(zhǔn)差的取值范圍與其他運(yùn)動(dòng)狀態(tài)相比有明顯的區(qū)分。行走、上樓和下樓識(shí)別準(zhǔn)確率相對(duì)較低。

不同的手機(jī)攜帶方式下，運(yùn)動(dòng)狀態(tài)的識(shí)別準(zhǔn)確率不同。當(dāng)手機(jī)放置在腰部時(shí)，運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確率最高，當(dāng)手機(jī)放置在上臂時(shí)，運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確率最低，原因是手機(jī)放在腰部時(shí)采集的加速度數(shù)據(jù)最能反映人體的運(yùn)動(dòng)狀態(tài)，而手機(jī)放在上臂時(shí)，加速度數(shù)據(jù)不僅反映了人體的運(yùn)動(dòng)狀態(tài)，而且反映了上臂的運(yùn)動(dòng)狀態(tài)。綜合方式下識(shí)別的準(zhǔn)確率僅次于手機(jī)放置腰部識(shí)別的準(zhǔn)確率，但它不是手機(jī)放置不同位置的識(shí)別率的平均值，因?yàn)榫C合方式識(shí)別中訓(xùn)練數(shù)據(jù)不僅包含了測(cè)試數(shù)據(jù)，而且包含了更多的其他運(yùn)動(dòng)狀態(tài)數(shù)據(jù)，數(shù)據(jù)測(cè)試模型的頑健性較強(qiáng)，減少了異常數(shù)據(jù)的干擾。雖然綜合方式下識(shí)別準(zhǔn)確率不及手機(jī)在腰部的識(shí)別準(zhǔn)確率高，但是它很好地反映了日常生活中攜帶手機(jī)的隨意性，且準(zhǔn)確率達(dá)到93.37%。

從表3可以看出，許多預(yù)測(cè)誤差是由于行走、上樓和下樓這3種活動(dòng)之間的混淆所致。由于這3種運(yùn)動(dòng)較為相似，特征向量區(qū)別不是很明顯。受到實(shí)驗(yàn)條件的限制，上樓和下樓的識(shí)別準(zhǔn)確率最低，因?yàn)闃堑乐虚g有平臺(tái)，在平臺(tái)上的運(yùn)動(dòng)狀態(tài)更接近行走。

5.2 不同的分類算法對(duì)比實(shí)驗(yàn)

為了評(píng)估本文方法的有效性，把本文的H-SVM識(shí)別方法與Naive Bayes、Decision Tree和KNN進(jìn)行對(duì)比實(shí)驗(yàn)，Naive Bayes方法中使用GaussianNB算法，Decision Tree中使用CART（classification and regression tree）算法，在KNN中使用ball-tree算法，其他參數(shù)使用默認(rèn)值。對(duì)綜合方式下的數(shù)據(jù)，采用十折交叉法對(duì)實(shí)驗(yàn)進(jìn)行驗(yàn)證，得到不同識(shí)別方法的準(zhǔn)確率，如圖23所示。

圖23 綜合方式下不同分類方法的準(zhǔn)確率

從圖23可以看出，4種不同的識(shí)別算法中，H-SVM識(shí)別率最高，因?yàn)槭褂肏-SVM方法時(shí)訓(xùn)練數(shù)據(jù)根據(jù)圖22所示對(duì)數(shù)據(jù)進(jìn)行分類，使相同類別的內(nèi)部運(yùn)動(dòng)狀態(tài)具有較大的相似性，不同類別之間具有較大的差異性，相對(duì)于其他識(shí)別方法，提高了識(shí)別準(zhǔn)確率。

5.3 DE-PSO算法和高斯?牛頓迭代法對(duì)比實(shí)驗(yàn)

為驗(yàn)證DE-PSO算法的有效性，根據(jù)文獻(xiàn)[36]方法復(fù)現(xiàn)實(shí)驗(yàn)。將手機(jī)固定在長(zhǎng)方體木塊的一個(gè)面上，然后分別將長(zhǎng)方體的6個(gè)面水平放置在桌面上，得到6種放置方式，如表4所示，采集到手機(jī)在6種放置方式下一定時(shí)間內(nèi)的加速傳感器數(shù)據(jù)，并取其平均值，得到6組加速度傳感器的測(cè)量值。使用DE-PSO算法和高斯?牛頓迭代法對(duì)采集的加速度傳感器數(shù)據(jù)進(jìn)行校準(zhǔn)，校準(zhǔn)后數(shù)據(jù)如表4所示。

表4 DE-PSO算法與高斯?牛頓迭代法對(duì)比

由表4可知，高斯?牛頓迭代法能夠?qū)崿F(xiàn)加速度數(shù)據(jù)的校準(zhǔn)，但是校準(zhǔn)結(jié)果與DE-PSO算法相比誤差較大。仿真時(shí)發(fā)現(xiàn)，高斯?牛頓迭代法運(yùn)行速度較慢，仿真時(shí)間長(zhǎng)，容易出現(xiàn)實(shí)驗(yàn)進(jìn)行不下去的現(xiàn)象，這是因?yàn)樵撍惴ū旧泶嬖诓蛔?。通過(guò)對(duì)比可知，DE-PSO算法運(yùn)行速度較快，仿真時(shí)間較短，誤差較小。

5.4 不同數(shù)據(jù)處理方法實(shí)驗(yàn)

為檢測(cè)慣性坐標(biāo)系下的線性加速度能否準(zhǔn)確反映人體運(yùn)動(dòng)狀態(tài)的變化情況，以及腳步識(shí)別算法中計(jì)步的準(zhǔn)確性，本節(jié)對(duì)與手機(jī)方向無(wú)關(guān)性算法和腳步識(shí)別算法進(jìn)行驗(yàn)證。

5.4.1 與手機(jī)方向無(wú)關(guān)性實(shí)驗(yàn)

與手機(jī)方向無(wú)關(guān)性處理的效果如何，最終體現(xiàn)在人體運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確率的高低。本文首先使用5.1節(jié)中的綜合數(shù)據(jù)，按照文獻(xiàn)[9-12]方法對(duì)數(shù)據(jù)進(jìn)行與方向無(wú)關(guān)處理，然后使用本文提出的分層識(shí)別方案對(duì)人體的運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別。同時(shí)為了驗(yàn)證3.2節(jié)數(shù)據(jù)校準(zhǔn)對(duì)人體運(yùn)動(dòng)狀態(tài)識(shí)別的影響，本文對(duì)校準(zhǔn)前后的數(shù)據(jù)進(jìn)行了對(duì)比實(shí)驗(yàn)。各種方案的識(shí)別準(zhǔn)確率的結(jié)果如表5所示。

表5 5種不同處理方法識(shí)別準(zhǔn)確率

通過(guò)表5可以看出，本文方法的運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確率最高，識(shí)別效果最好。本文利用同一采樣點(diǎn)的重力加速度與加速度關(guān)系，能夠準(zhǔn)確計(jì)算出慣性坐標(biāo)系下的線性加速度。由校準(zhǔn)前后的數(shù)據(jù)對(duì)比可知，數(shù)據(jù)經(jīng)過(guò)校準(zhǔn)后運(yùn)動(dòng)狀態(tài)識(shí)別率明顯提高。

5.4.2 腳步識(shí)別算法實(shí)驗(yàn)

為驗(yàn)證本文的腳步識(shí)別算法的實(shí)用性，實(shí)驗(yàn)時(shí)手機(jī)分別放置在胸口、上臂、褲前袋、褲后袋和腰部5個(gè)不同位置，手機(jī)方向隨機(jī)。本實(shí)驗(yàn)對(duì)10位實(shí)驗(yàn)者在每種手機(jī)攜帶方式下以不同的頻率進(jìn)行200步數(shù)據(jù)采集，得到5種手機(jī)攜帶方式共10 000步數(shù)據(jù)樣本。對(duì)采集的數(shù)據(jù)進(jìn)行校準(zhǔn)、濾波與方向無(wú)關(guān)性處理，使用慣性坐標(biāo)系下的線性加速度，應(yīng)用本文的腳步識(shí)別算法對(duì)采集數(shù)據(jù)進(jìn)行步數(shù)統(tǒng)計(jì)，實(shí)驗(yàn)結(jié)果如表6所示。本文的腳步識(shí)別算法的平均準(zhǔn)確率高于文獻(xiàn)[41-42]算法的平均準(zhǔn)確率。文獻(xiàn)[41-42]算法在計(jì)步判斷的過(guò)程中沒(méi)有對(duì)原始加速度信號(hào)進(jìn)行濾波和與方向無(wú)關(guān)性處理，在一定程度上影響了算法檢測(cè)的準(zhǔn)確率。

表6 3種腳步識(shí)別算法的計(jì)步準(zhǔn)確率

本文腳步識(shí)別算法利用人體運(yùn)動(dòng)頻率的范圍，判斷下一腳步的波峰（谷）距當(dāng)前腳步波峰（谷）的位置范圍，在此范圍內(nèi)尋找波峰（谷）的最大（?。┲担酥禐橄乱荒_步的波峰（谷）位置。因此，該算法可以更精確地計(jì)算運(yùn)動(dòng)的腳步數(shù)，減少了偽波峰對(duì)真實(shí)波峰的影響。

結(jié)果表明，經(jīng)過(guò)轉(zhuǎn)換的線性加速度能夠準(zhǔn)確、有效地反映人體運(yùn)動(dòng)狀態(tài)。腳步識(shí)別算法能夠準(zhǔn)確地計(jì)算不同運(yùn)動(dòng)狀態(tài)的腳步數(shù)，并能有效計(jì)算最大值均值和最小值均值，提高人體運(yùn)動(dòng)狀態(tài)識(shí)別的準(zhǔn)確率。

5.5 特征向量計(jì)算復(fù)雜度分析

在使用頻域特征向量時(shí)，大部分研究都使用了快速傅里葉變換（FFT, fast Fourier transform）方法，這種算法運(yùn)用數(shù)學(xué)方式把原來(lái)復(fù)雜度為(2)的樸素多項(xiàng)式乘法轉(zhuǎn)化為復(fù)雜度為(lb)。根據(jù)4.1節(jié)中的描述，可以計(jì)算出對(duì)應(yīng)的特征向量時(shí)間復(fù)雜度為()。本文采用的特征向量全部為運(yùn)動(dòng)數(shù)據(jù)時(shí)域上的特征向量，相比使用頻域上的特征向量，在算法時(shí)間復(fù)雜度上有所降低。

將本文方法數(shù)據(jù)采集時(shí)手機(jī)攜帶位置、識(shí)別度運(yùn)動(dòng)狀態(tài)的數(shù)量、使用的特征向量、特征向量計(jì)算復(fù)雜度和運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確率等指標(biāo)與近幾年的文獻(xiàn)進(jìn)行比較，如表7所示。從表7可以看出，雖然本文方法的識(shí)別運(yùn)動(dòng)狀態(tài)的準(zhǔn)確率排名第二，但是其他各項(xiàng)指標(biāo)都優(yōu)于準(zhǔn)確率排名第一的文獻(xiàn)[11]的方法。

表7 本文方法和相似文獻(xiàn)方法的比較

為驗(yàn)證本文方法的優(yōu)勢(shì)，本文復(fù)現(xiàn)了表7中文獻(xiàn)的方法，使用本文中的綜合數(shù)據(jù)，采用十折交叉法對(duì)6種運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別，識(shí)別的結(jié)果如表8所示。從表8可以看出，本文提出的識(shí)別方法最優(yōu)，其次是文獻(xiàn)[12]。

表8 相似文獻(xiàn)對(duì)6種運(yùn)動(dòng)狀態(tài)識(shí)別比較

通過(guò)以上實(shí)驗(yàn)和分析可知，利用智能手機(jī)內(nèi)置的加速度傳感器和重力傳感器，采用分層識(shí)別方案，能有效地識(shí)別人體6種日常運(yùn)動(dòng)狀態(tài)。

6 結(jié)束語(yǔ)

本文研究了智能手機(jī)放置方向和位置都不確定的情況下，利用手機(jī)內(nèi)置的加速傳感器和重力傳感器采集用戶日常6種運(yùn)動(dòng)狀態(tài)數(shù)據(jù)，根據(jù)ReliefF算法提取運(yùn)動(dòng)狀態(tài)的時(shí)域特征向量，利用這些特征向量的值構(gòu)造出一個(gè)最佳的識(shí)別模型，并使用該模型識(shí)別用戶的運(yùn)動(dòng)狀態(tài)。首先，選取了日常生活中常用的5種手機(jī)攜帶方式采集用戶運(yùn)動(dòng)數(shù)據(jù)，并對(duì)采集的數(shù)據(jù)進(jìn)行有效處理；然后，利用腳步識(shí)別算法，準(zhǔn)確計(jì)算腳步的波峰和波谷值；最后，利用時(shí)間窗口內(nèi)腳步的波峰和波谷值的時(shí)域特征向量和H-SVM分類算法對(duì)人體運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文方法在保持較高的識(shí)別準(zhǔn)確率的同時(shí)，極大地提高了手機(jī)在識(shí)別人體運(yùn)動(dòng)狀態(tài)時(shí)對(duì)手機(jī)位置和方向變化的適應(yīng)能力，同時(shí)利用數(shù)據(jù)時(shí)域上的特征和滑動(dòng)加權(quán)均值有效地降低了手機(jī)的負(fù)載。本文的研究可應(yīng)用于移動(dòng)領(lǐng)域的用戶行為狀態(tài)識(shí)別、健康生活提示、隨身運(yùn)動(dòng)監(jiān)測(cè)和體感游戲等。

本文實(shí)驗(yàn)對(duì)實(shí)驗(yàn)者的選擇有一定的局限性，在后續(xù)的研究中應(yīng)該對(duì)更多的不同年齡階段的人群進(jìn)行對(duì)比實(shí)驗(yàn)，增加更多的實(shí)驗(yàn)環(huán)境，使實(shí)驗(yàn)數(shù)據(jù)更具有代表性。此外，還將進(jìn)一步優(yōu)化腳步識(shí)別算法，提高腳步識(shí)別的準(zhǔn)確率，增強(qiáng)系統(tǒng)的靈活性；進(jìn)一步增加可識(shí)別的人體運(yùn)動(dòng)狀態(tài)、識(shí)別復(fù)雜的人體行為以及人體不同的運(yùn)動(dòng)與能量消耗之間的關(guān)系，為用戶的運(yùn)動(dòng)與健康提供科學(xué)的指導(dǎo)。

[1] HENPRASERTTAE A, THIEMJARUS S, MARUKATAT S. Accurate activity recognition using a mobile phone regardless of device orientation and location[C]// International Conference on Body Sensor Networks. IEEE Computer Society, 2011:41-46.

[2] SHOAIB M, BOSCH S, INCEL O D, et al. Fusion of smartphone motion sensors for physical activity recognition[J]. Sensors, 2014, 14(6):10146-10176.

[3] GUO H, CHEN L, CHEN G, et al. Smartphone‐based activity recognition independent of device orientation and placement[J]. International Journal of Communication Systems, 2016, 29(16):2403-2415.

[4] THIEMJARUS S, HENPRASERTTAE A, MARUKATAT S. A study on instance-based learning with reduced training prototypes for device-context-independent activity recognition on a mobile phone[C]// IEEE International Conference on Body Sensor Networks. IEEE, 2013:1-6.

[5] USTEV Y E, INCEL O D, ERSOY C. User, device and orientation independent human activity recognition on mobile phones: challenges and a proposal[C]// ACM Conference on Pervasive and Ubiquitous Computing Adjunct Publication. ACM, 2013:1427-1436.

[6] LU H, YANG J, LIU Z, et al. The Jigsaw continuous sensing engine for mobile phone applications[C]// ACM Conference on Embedded Networked Sensor Systems. ACM, 2010:71-84.

[7] FIGO D, DINIZ P C, FERREIRA D R, et al. Preprocessing techniques for context recognition from accelerometer data[J]. Personal & Ubiquitous Computing, 2010, 14(7):645-662.

[8] CAMHI S M, SISSON S B, JOHNSON W D, et al. Accelerometer-determined moderate intensity lifestyle activity and cardiometabolic health[J]. Preventive Medicine, 2011, 52(5):358-360.

[9] MIZELL D. Using gravity to estimate accelerometer orientation[C]// IEEE International Symposium on Wearable Computers. IEEE, 2005:252-253.

[10] GUO H, CHEN L, CHEN G, et al. Smartphone‐based activity recognition independent of device orientation and placement[J]. International Journal of Communication Systems, 2016, 29(16):2403-2415.

[11] 李鋒,潘敬奎.基于三軸加速度傳感器的人體運(yùn)動(dòng)識(shí)別[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(3):621-631.LI F , P J K. Human motion recognition based on triaxial accelerometer[J].Journal of Computer Research and Development.2016,53(3):621-631.

[12] CHEN Z, ZHU Q, CHAI S Y, et al. Robust human activity recognition using smartphone sensors via CT-PCA and online SVM[J]. IEEE Transactions on Industrial Informatics, 2017, PP(99):1-1.

[13] 李若涵,張金藝,徐德政,等.運(yùn)動(dòng)分類步頻調(diào)節(jié)的微機(jī)電慣性測(cè)量單元室內(nèi)行人航跡推算[J].上海大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014,20(5):612-623.LI R H, ZHANG J Y, XU D Z , et al. Micro-electro-mechanical system-inertial measurement unit indoor pedestrian dead reckoning based on motion classification and step frequency adjustment[J].Journal of Shanghai University(Natural Science), 2014,20(5):612-623.

[14] RAVI N, DANDEKAR N, MYSORE P, et al. Activity recognition from accelerometer data[C]// The Twentieth National Conference on Artificial Intelligence and the Seventeenth Innovative Applications of Artificial Intelligence Conference. DBLP, 2005:1541-1546.

[15] KASTEREN T V, NOULAS A, ENGLEBIENNE G. Accurate activity recognition in a home setting[C]// International Conference on Ubiquitous Computing. ACM, 2008:1-9.

[16] CASALE P, PUJOL O, RADEVA P. Human activity recognition from accelerometer data using a wearable device[M]// Pattern Recognition and Image Analysis. Springer Berlin Heidelberg, 2011:289-296.

[17] EMMANUEL M T. Using machine learning for real-time activity recognition and estimation of energy expenditure [D]. Bosto :Massachusetts Institute of Technology, 2008: 50-57.

[18] KHAN A M, LEE Y K, LEE S Y, et al. A triaxial accelerometer-based physical-activity recognition via augmented-signal features and a hierarchical recognizer[J]. IEEE Transactions on Information Technology in Biomedicine A Publication of the IEEE Engineering in Medicine & Biology Society, 2010, 14(5):1166-1172.

[19] KWAPISZ J R, WEISS G M, MOORE S A. Activity recognition using cell phone accelerometers[J]. ACM SIGKDD Explorations Newsletter, 2011, 12(2):74-82.

[20] SIIRTOLA P, JUHA R?NING. Recognizing human activities user-independently on smartphones based on accelerometer data[J]. International Journal of Interactive Multimedia & Artificial Intelligence, 2012, 1(5):38-45.

[21] HE Y, LI Y, BAO S D. Fall detection by built-in tri-accelerometer of smartphone[C]// IEEE-EMBS International Conference on Biomedical and Health Informatics. IEEE, 2012:184-187.

[22] USTEV Y E, DURMAZ INCEL O, ERSOY C. User, device and orientation independent human activity recognition on mobile phones: challenges and a proposal[C]. The 2013 ACM Conference On Pervasive And Ubiquitous Computing Adjunct Publication. ACM, 2013: 1427-1436.

[23] MITCHELL E, MONAGHAN D, O'CONNOR N E. Classification of sporting activities using smartphone accelerometers.[J]. Sensors, 2013, 13(4):5317-5337.

[24] KHAN A M, SIDDIQI M H, LEE S W. Exploratory data analysis of acceleration signals to select light-weight and accurate features for real-time activity recognition on smartphones[J]. Sensors, 2013, 13(10): 99-122.

[25] ZHANG L, WU X, LUO D. Improving activity recognition with context information[C]// IEEE International Conference on Mechatronics and Automation. IEEE, 2015:1241-1246.

[26] WANG A, CHEN G, YANG J, et al. A comparative study on human activity recognition using inertial sensors in a smartphone[J]. IEEE Sensors Journal, 2016, 16(11): 4566-4578.

[27] SHOAIB M, BOSCH S, INCEL O D, et al. Complex activity recognition using smartphone and wrist-worn motion sensors[J]. Sensors, 2016, 16(4):426.

[28] JONGPRASITHPORN M, YODPIJIT N, SRIVILAI R, et al. A smartphone-based real-time simple activity recognition[C]// International Conference on Control, Automation and Robotics. IEEE, 2017:539-542.

[29] CHEN Y, SHEN C. Performance Analysis of Smartphone-Sensor Behavior for Human Activity Recognition[J]. IEEE Access, 2017, 5(99):3095-3110.

[30] 彭際群. 基于加速度傳感器的人體運(yùn)動(dòng)狀態(tài)識(shí)別研究[D]. 哈爾濱:哈爾濱工業(yè)大學(xué),2014. PENG J Q. The research of human activity state recognition base on accelerometers[D]. Harbin :Harbin Institute of Technology,2014

[31] GLUECK M, BUHMANN A, MANOLI Y. Autocalibration of MEMS accelerometers[C]// Instrumentation and Measurement Technology Conference. IEEE, 2012:1788-1793.

[32] 陸欣,劉忠,張宏欣,等. 三軸MEMS加速度計(jì)的最大似然校正算法[J]. 國(guó)防科技大學(xué)學(xué)報(bào), 2017, 39(5):185-191.LU X,LIU ZH,ZHANG H X, et al. Maximum likelihood calibration for MEMS triaxial accelerometer[J].Journal of National University of Defense Technology, 39(5):185-191.

[33] 楊管金子,李建辰,黃海,等,基于遺傳算法的加速度計(jì)免轉(zhuǎn)臺(tái)標(biāo)定方法[J]. 中國(guó)慣性技術(shù)學(xué)報(bào), 2017, 25(1):119-123.YANG G J Z, LI J C, HUANG H, et al. Non-turntable calibration method for three-accelerometer based on genetic algorithm[J].Journal of Chinese Inertial Technology, 2017, 25(1):119-123.

[34] 毛友澤, 張海. 無(wú)依托狀態(tài)加速度計(jì)的新型標(biāo)定方法[J]. 北京航空航天大學(xué)學(xué)報(bào), 2011, 37(1):123-126. MAO Y Z, ZHANG H. Novel Calibration method for accelerometers of in-field use[J].Journal of Beijing University of Aeronautics and Astronautics, 2011, 37(1):123-126.

[35] 桂毅. 基于高斯牛頓迭代法的MEMS加速度計(jì)標(biāo)定方法[C]//2016 IEEE Chinese Guidance, Navigation and Control Conference. 2016:3032-3036.GUI Y. Calibration of MEMS accelerometer based on gauss-newton iteration algorithm[C]//2016 IEEE Chinese Guidance, Navigation and Control Conference.2016:3032-3036.

[36] 戴邵武, 王克紅, 慶曾宏. 基于混合PSO 算法的加速度計(jì)快速標(biāo)定方法[J]. 壓電與聲光, 2015, 37(2):232-236.DAI S W,WANG K H, Qing Z H. Rapid calibration of accelerometer based on hybrid particle swarm optimization algorithm[J]. Piezoelectrics & Acoustooptics. 2015, 37(2):232-236.

[37] KRISHNAN N C, COOK D J. Activity recognition on streaming sensor data[J]. Pervasive & Mobile Computing, 2014, 10(Pt B):138-154.

[38] BANOS O, GALVEZ J M, DAMAS M, et al. Window size impact in human activity recognition[J]. Sensors, 2014, 14(4):6474-6499.

[39] ROBNIK, IKONJA M, KONONENKO I. Theoretical and empirical analysis of ReliefF and RReliefF[J]. Machine Learning, 2003, 53(1-2):23-69.

[40] LIU J, CHEN R, LING P, et al. A hybrid smartphone indoor positioning solution for mobile LBS[J]. Sensors, 2012, 12(12):17208-17233.

[41] 梁久禎, 朱向軍, 陳璟. 基于手機(jī)加速度傳感器的高精低采樣計(jì)步算法設(shè)計(jì)[J].西北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 45(5):738-744.LIANG J ZH, ZHU X J ,CHEN J. A high-accuracy and low-sampling-rate step counting algorithm design based on smartphone’s accelerometer [J].Journal of Northwest University(Natural Science Edition), 2015, 45(5):738-744.

[42] 凌海波, 楊靜, 周先存.基于手機(jī)加速度傳感器的波峰波谷計(jì)步算法研究[J].四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版), 2017, 30(3):21-25.LING H B, YANG J, ZHOU X C. Research on peak and trough step counting algorithm based on mobile accelerometer[J].Journal of Sichuan University of Science & Engineering(Natural Science Edition)，2017, 30(3):21-25.

[43] FIGO D, DINIZ P C, FERREIRA D R, et al. Preprocessing techniques for context recognition from accelerometer data[J]. Personal & Ubiquitous Computing, 2010, 14(7):645-662.

[44] ANGUITA D, GHIO A, ONETO L, et al. Human activity recognition on smartphones using a multiclass hardware-friendly support vector machine[C]// International Conference on Ambient Assisted Living and Home Care. Springer-Verlag, 2012:216-223.

Human motion state recognition based on smart phone built-in sensor

YIN Xiaoling1,2, CHEN Xiaojiang1, XIA Qishou1,2, HE Juan1, ZHANG Pengyan1, CHEN Feng1

1. School of Information Science and Technology, Northwest University, Xi’an 710127, China 2. College of Mathematics and Computer Science, Chizhou University, Chizhou 247000, China

To solve problems of low accuracy and fewer types of human motion state recognized by current smart phones, a method to do hierarchical recognition by using acceleration sensors and gravity sensors was proposed. Firstly, linear acceleration in inertial coordinate system and independent of phone direction was calculated by using the relation between acceleration and gravity acceleration. Secondly, according to the span of human motion frequency and linear acceleration vector, positions of peak and trough of footsteps were determined. Finally, feature vector of linear acceleration in time domain was extracted and human motion states were recognized hierarchically by using hierarchical support vector machine (H-SVM). The experiment shows the method can recognize six usual human motion states, while accuracy rate up to 93.37%.

motion state recognition, hierarchical support vector machine, smart phone sensor, time domain feature

TP181

A

10.11959/j.issn.1000?436x.2019057

2018?04?03；

2018?12?11

何娟，hejuan@stumail.nwu.edu.cn

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61170218, No.61272461, No.61373177）

The National Natural Science Foundation of China (No.61170218, No.61272461, No.61373177)

殷曉玲（1975? ），女，安徽樅陽(yáng)人，池州學(xué)院副教授，主要研究方向?yàn)樵朴?jì)算、信息安全、機(jī)器學(xué)習(xí)。

陳曉江（1972? ），男，陜西西安人，博士，西北大學(xué)教授、博士生導(dǎo)師，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)定位、網(wǎng)絡(luò)安全、軟件體系結(jié)構(gòu)。

夏啟壽（1975? ），男，安徽廬江人，池州學(xué)院副教授，主要研究方向?yàn)樵朴?jì)算、信息安全、機(jī)器學(xué)習(xí)。

何娟（1994? ），女，江西萍鄉(xiāng)人，西北大學(xué)碩士生，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)定位。

張鵬艷（1990? ）女，陜西西安人，西北大學(xué)碩士生，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)定位。

陳峰（1978? ），男，安徽天長(zhǎng)人，博士，西北大學(xué)助理研究員，主要研究方向?yàn)闊o(wú)線網(wǎng)絡(luò)。