曹爾凡， 崔建偉

(東南大學(xué) 儀器科學(xué)與工程學(xué)院，江蘇 南京 210096)

手臂運(yùn)動(dòng)識(shí)別技術(shù)廣泛地應(yīng)用于眾多領(lǐng)域，包括殘疾人康復(fù)、運(yùn)動(dòng)員的動(dòng)作分析、VR應(yīng)用等[1-3]。比如在助殘領(lǐng)域，對(duì)于失去手部的殘疾人，通過采集并分析他們手臂運(yùn)動(dòng)的相關(guān)信息，判斷手臂與日常活動(dòng)相對(duì)應(yīng)的運(yùn)動(dòng)狀態(tài)，將識(shí)別出的手臂動(dòng)作標(biāo)簽作為信號(hào)，去觸發(fā)與手臂動(dòng)作相匹配的機(jī)械假手張合操作，可以幫助完成殘疾人的日常抓握行為。人的手臂動(dòng)作識(shí)別常見的方法包括計(jì)算機(jī)視覺處理[4]、肌電信號(hào)處理[5]和可穿戴式MEMS傳感器等。計(jì)算機(jī)視覺識(shí)別對(duì)硬件要求高，攝像設(shè)備不便于佩戴，在本文應(yīng)用的助殘場(chǎng)景里具有一定局限性。肌電信號(hào)識(shí)別硬件成本較低、攜帶方便，然而受肌肉狀態(tài)影響大，識(shí)別效果不穩(wěn)定。

MEMS傳感器具有功耗低、成本低、便于攜帶等優(yōu)點(diǎn)，是目前研究的熱點(diǎn)[6]。張俊杰等[7]通過采集手臂關(guān)鍵節(jié)點(diǎn)的加速度和角速度值，對(duì)數(shù)據(jù)進(jìn)行時(shí)域特征計(jì)算，采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種方法進(jìn)行動(dòng)作識(shí)別，總識(shí)別率可達(dá)90%。這種方法硬件設(shè)備用量少，便于穿戴，有一定的識(shí)別精度，但是傳感器的加速度、角速度信號(hào)存在振蕩等不穩(wěn)定因素，導(dǎo)致從中提取的時(shí)域特征也不穩(wěn)定，從而影響識(shí)別效果?；诙鄠鞲衅魅诤系姆椒苡行У靥岣咦R(shí)別的精度和可靠性，如Wang等[8]在老年人手腕部位佩戴加速度傳感器并結(jié)合環(huán)境傳感器對(duì)17種日常人體活動(dòng)進(jìn)行識(shí)別，總識(shí)別率達(dá)到96.82%。該方法使用環(huán)境傳感器輔助加速度傳感器對(duì)人體動(dòng)作進(jìn)行識(shí)別，彌補(bǔ)了加速度傳感器時(shí)域特征不穩(wěn)定的缺陷，達(dá)到了很好的識(shí)別效果。但環(huán)境傳感器不便于穿戴，特別是在助殘應(yīng)用領(lǐng)域并不方便。

人類在完成不同動(dòng)作時(shí)有自然形成的習(xí)慣，可以設(shè)想手臂的運(yùn)動(dòng)軌跡有可能隱含人的動(dòng)作意圖，借此可進(jìn)一步提高M(jìn)EMS傳感器對(duì)人手臂運(yùn)動(dòng)的識(shí)別率。受此啟發(fā)，基于助殘假手的應(yīng)用背景，研究了將MEMS傳感器與手臂運(yùn)動(dòng)軌跡相結(jié)合的手臂運(yùn)動(dòng)識(shí)別方法。

為了彌補(bǔ)傳感器時(shí)域特征不穩(wěn)定的缺點(diǎn)，本文在虛擬交互環(huán)境中建立了3D手臂模型，將傳感器角度數(shù)據(jù)映射至手臂模型，完成手臂動(dòng)作復(fù)現(xiàn)，獲取穩(wěn)定的軌跡特征。為了滿足助殘手連續(xù)精細(xì)動(dòng)作的識(shí)別需求，提出了一種有效動(dòng)作數(shù)據(jù)分割算法，剔除連續(xù)動(dòng)作信號(hào)中的無(wú)效數(shù)據(jù)，分割出有意義的數(shù)據(jù)窗口。最后設(shè)計(jì)了支持向量機(jī)算法對(duì)預(yù)定義的5種手臂動(dòng)作進(jìn)行了分類識(shí)別實(shí)驗(yàn)。

1 手臂動(dòng)作識(shí)別系統(tǒng)框架設(shè)計(jì)

本文使用的數(shù)據(jù)手套包含了3個(gè)九軸MEMS傳感器和5個(gè)彎曲傳感器，其中3個(gè)MEMS傳感器分別佩戴在手臂的大臂、小臂、手背部位，5個(gè)彎曲傳感器依附于5根手指處，如圖1所示。

圖1 傳感器佩戴位置

圖1中，X0、Y0、Z0為參考坐標(biāo)系方向，X0指向肩部，Y0指向手臂前方，Z0指向手背外側(cè)。X1～X3、Y1～Y3、Z1～Z3分別為3個(gè)MEMS傳感器的初始三軸方向，與參考坐標(biāo)系一致。彎曲傳感器為長(zhǎng)條形的壓阻傳感器，可測(cè)量手指的彎曲程度。

整個(gè)動(dòng)作識(shí)別系統(tǒng)的總體框圖如圖2所示。主控單片機(jī)采集大臂、小臂、手背3個(gè)部位的三軸加速度、角速度、磁強(qiáng)度信號(hào)并進(jìn)行四元數(shù)解算，得到俯仰角、偏航角、橫滾角的三軸姿態(tài)角度數(shù)據(jù)。再通過串口將原始數(shù)據(jù)、解算好的角度數(shù)據(jù)上傳至計(jì)算機(jī)中。計(jì)算機(jī)將數(shù)據(jù)復(fù)制為兩份，一份用于虛擬環(huán)境的手臂動(dòng)作復(fù)現(xiàn)，獲取手臂模型軌跡數(shù)據(jù)，提取軌跡特征，另一份用于時(shí)域特征提取。最后將傳感器時(shí)域特征和軌跡特征輸入支持向量機(jī)算法模型，完成手臂動(dòng)作的分類識(shí)別。

圖2 手臂動(dòng)作識(shí)別系統(tǒng)總體設(shè)計(jì)框圖

2 手臂模型動(dòng)作復(fù)現(xiàn)與軌跡數(shù)據(jù)獲取

常見的獲取手臂運(yùn)動(dòng)軌跡信息的方法是通過對(duì)手臂建立坐標(biāo)系，基于手臂旋轉(zhuǎn)姿態(tài)角對(duì)手臂末端位置進(jìn)行矩陣解算，得到運(yùn)動(dòng)軌跡[9-10]。采用了虛擬交互技術(shù)，通過建立3D手臂模型，綁定傳感器姿態(tài)數(shù)據(jù)，實(shí)現(xiàn)動(dòng)作復(fù)現(xiàn)，并可以從虛擬環(huán)境中直接讀取手臂模型的軌跡信息。這種方法的好處在于可以減少傳統(tǒng)方法解算軌跡所需要的巨大計(jì)算量，同時(shí)能直觀地看到手臂運(yùn)動(dòng)狀態(tài)。

首先參照文獻(xiàn)[11]的方法，將手臂模型簡(jiǎn)化為棍狀模型，通過建立關(guān)節(jié)層級(jí)關(guān)系、添加骨骼蒙皮、添加碰撞器組件等步驟[11]，建立虛擬手臂模型，如圖3所示。

圖3 虛擬手臂模型

手臂模型在虛擬環(huán)境中的運(yùn)動(dòng)由四元數(shù)驅(qū)動(dòng)。模型在虛擬空間中的姿態(tài)變化基于四元數(shù)在新的時(shí)刻相對(duì)于上一時(shí)刻四元數(shù)的更新，即四元數(shù)的狀態(tài)轉(zhuǎn)移。四元數(shù)的實(shí)時(shí)狀態(tài)轉(zhuǎn)移使用二階龍格-庫(kù)塔法實(shí)現(xiàn)[12]，首先對(duì)四元數(shù)關(guān)于時(shí)間求微分方程：

(1)

計(jì)算得到

(2)

式中，ωx、ωy、ωz為角速度三軸分量。接著將四元數(shù)套用到二階龍格-庫(kù)塔方程中，形成四元數(shù)狀態(tài)轉(zhuǎn)移方程：

(3)

式中，Q為四元數(shù)；K1為t到t+T時(shí)刻四元數(shù)微分斜率初始端點(diǎn)；K2為斜率末尾端點(diǎn)。通過求T時(shí)間內(nèi)的四元數(shù)微分平均斜率來(lái)估計(jì)T時(shí)刻后的四元數(shù)狀態(tài)，完成狀態(tài)轉(zhuǎn)移。

將手臂模型導(dǎo)入U(xiǎn)nity虛擬平臺(tái)，將上述公式求得的實(shí)時(shí)四元數(shù)數(shù)據(jù)綁定至相應(yīng)模型碰撞器，完成動(dòng)作復(fù)現(xiàn)，效果如圖4所示。

圖4 動(dòng)作復(fù)現(xiàn)效果圖

由圖4可以看出，手臂模型的動(dòng)作與真實(shí)手臂基本一致。本文建立的虛擬手臂模型旨在能夠獲取手臂的動(dòng)作意圖，勾畫出基本運(yùn)動(dòng)趨勢(shì)，不要求動(dòng)作能夠精確復(fù)現(xiàn)。

完成動(dòng)作復(fù)現(xiàn)后，手臂模型的運(yùn)動(dòng)狀態(tài)能夠基本代表真實(shí)手臂運(yùn)動(dòng)狀態(tài)，此時(shí)就可以從虛擬環(huán)境中直接獲取手臂模型的軌跡數(shù)據(jù)。常見獲取手臂運(yùn)動(dòng)軌跡的方法為了便于計(jì)算，大多以小臂末端作為軌跡的計(jì)算對(duì)象。本文充分發(fā)揮虛擬模型的優(yōu)勢(shì)，以右手大拇指末端的坐標(biāo)數(shù)據(jù)作為采集對(duì)象，軌跡范圍從手臂延伸到手指，提高了軌跡的精確度。采集部位與Unity坐標(biāo)系方向如圖5所示。

圖5 軌跡數(shù)據(jù)采集部位與坐標(biāo)系方向

經(jīng)過一個(gè)動(dòng)作周期，即可對(duì)位置坐標(biāo)形成動(dòng)作軌跡路線，圖6為“喝水”動(dòng)作的軌跡路線。

圖6 “喝水”動(dòng)作軌跡路線

3 傳感器與軌跡數(shù)據(jù)處理

加速度、角速度能反映手臂運(yùn)動(dòng)的幅度與劇烈程度，軌跡數(shù)據(jù)能反映手臂運(yùn)動(dòng)的位移趨勢(shì)，因此選用3個(gè)MEMS傳感器的加速度、角速度作為時(shí)域特征的數(shù)據(jù)源，虛擬環(huán)境中提取出的軌跡數(shù)據(jù)作為軌跡特征的數(shù)據(jù)源，數(shù)據(jù)采集頻率為50 Hz。在提取特征前需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。

3.1 原始數(shù)據(jù)預(yù)處理

首先使用滑動(dòng)平均濾波法對(duì)原始數(shù)據(jù)濾波進(jìn)行處理，去除振蕩毛刺。

(4)

式中，Yk為k時(shí)刻濾波后信號(hào)值；Xk+i為k時(shí)刻滑動(dòng)窗口內(nèi)第i個(gè)原始信號(hào)值。為保證濾波效果良好且原始數(shù)據(jù)損失較小，滑動(dòng)窗口大小w設(shè)置為10個(gè)采樣點(diǎn)。

從虛擬環(huán)境中采集到的拇指末端坐標(biāo)為三軸分量。為了直觀清晰地獲取軌跡特征，以手臂自然下垂于褲縫的位置為所有手臂動(dòng)作的起點(diǎn)，讓三軸坐標(biāo)值對(duì)設(shè)定的起點(diǎn)值計(jì)算差的平方和，得出手臂運(yùn)動(dòng)時(shí)拇指末端相對(duì)于起點(diǎn)的直線位移值，作為表示動(dòng)作軌跡的物理量，以便于后續(xù)的動(dòng)作分割工作和特征提取。位移值計(jì)算公式為

(5)

式中，Dk為k時(shí)刻大拇指末端相對(duì)于起點(diǎn)的位移值；Xk、Yk、Zk分別為k時(shí)刻拇指末端的三軸坐標(biāo)值；X0、Y0、Z0分別為拇指末端的三軸起點(diǎn)值。圖7(a)為“喝水”動(dòng)作中一個(gè)動(dòng)作周期內(nèi)的模型末端原始三軸坐標(biāo)值，圖7(b)為式(5)計(jì)算后的位移值。

圖7 “喝水”動(dòng)作位移值的獲取

由圖7(b)可以看出，計(jì)算出的手臂位移值變化趨勢(shì)明顯，且沒有振蕩波動(dòng)現(xiàn)象，穩(wěn)定性較好。

3.2 動(dòng)作片段分割算法設(shè)計(jì)

由于采集到的整段動(dòng)作數(shù)據(jù)有一部分不屬于有效動(dòng)作數(shù)據(jù)，需要通過分割算法提取出有效動(dòng)作的片段。傳統(tǒng)的動(dòng)作分割方法大多是通過手動(dòng)標(biāo)識(shí)動(dòng)作起始點(diǎn)[13]，或者是設(shè)定加速度閾值判斷有效數(shù)據(jù)段[14]。手動(dòng)標(biāo)識(shí)的方法操作煩瑣，對(duì)連續(xù)動(dòng)作信號(hào)不適用，而判斷加速度閾值的方法由于加速度信號(hào)不夠穩(wěn)定的特點(diǎn)，會(huì)產(chǎn)生很多干擾點(diǎn)。本文提出一種動(dòng)作分割算法，基于3.1節(jié)得到的穩(wěn)定的手臂位移值，通過計(jì)算差分和并聯(lián)合判斷閾值得到有效動(dòng)作的起始點(diǎn)。

以“喝水”動(dòng)作為例，觀察圖7(b)，做出喝水動(dòng)作之前的一段時(shí)間，手臂的位移值處于平穩(wěn)狀態(tài)且接近于0。當(dāng)開始做出喝水動(dòng)作，手臂位移值有一個(gè)短暫且大幅度上升的趨勢(shì)，這段時(shí)間即對(duì)應(yīng)著抬臂的過程。接著喝水的這段時(shí)間對(duì)應(yīng)的位移值又較為平穩(wěn)。最后放下手臂的時(shí)間段對(duì)應(yīng)的位移值呈現(xiàn)一個(gè)短暫且大幅度下降的趨勢(shì)，至此一個(gè)動(dòng)作周期結(jié)束。因此得出這樣的規(guī)律：在每一個(gè)有效動(dòng)作片段的起始點(diǎn)之后和結(jié)束點(diǎn)之前，手臂的位移值都會(huì)有一個(gè)短時(shí)間的陡峭的上升或下降趨勢(shì)。因此可以通過判斷這兩段趨勢(shì)來(lái)確定有效動(dòng)作片段的起始點(diǎn)和結(jié)束點(diǎn)?；谏鲜龇治觯疚奶岢隽艘环N計(jì)算滑動(dòng)窗口的差分和與波峰波谷檢測(cè)相結(jié)合的動(dòng)作片段分割算法，算法流程如圖8所示。

圖8 動(dòng)作分割算法流程圖

其中差分和的計(jì)算公式為

(6)

式中，Diffk為k時(shí)刻的差分和值；Xk+i為k時(shí)刻窗口內(nèi)第i個(gè)點(diǎn)的手臂位移值；Xk+i-1為k時(shí)刻窗口內(nèi)第i-1個(gè)點(diǎn)的位移值?；瑒?dòng)窗口大小w設(shè)置為10個(gè)采樣點(diǎn)。

對(duì)于連續(xù)的“喝水”動(dòng)作位移值采用該動(dòng)作片段分割算法，分割結(jié)果如圖9所示。其中l(wèi)1、l2為閾值線，兩條閾值線中間的波峰波谷點(diǎn)均為干擾點(diǎn)；d1、d2為窗口長(zhǎng)度偏移的補(bǔ)償值；S1、E1、S2、E2為識(shí)別出的動(dòng)作起始點(diǎn)。

圖9 動(dòng)作片段分割算法結(jié)果

4 傳感器時(shí)域特征與軌跡特征提取

為傳感器數(shù)據(jù)和軌跡數(shù)據(jù)分別選取了5種能表征手臂運(yùn)動(dòng)特性的特征量。

對(duì)傳感器信號(hào)提取了均值、標(biāo)準(zhǔn)差、最大值、最小值、偏度5種時(shí)域特征。其中，均值反映了信號(hào)平均強(qiáng)度，標(biāo)準(zhǔn)差反映了信號(hào)分散程度，最大值最小值反映了信號(hào)的幅度，偏度反映了信號(hào)的偏斜方向和程度。

對(duì)于傳感器的三軸信號(hào)計(jì)算出的特征量，采取求平方和的方式得出其綜合特征量：

(7)

式中，F(xiàn)x、Fy、Fz分別為傳感器的三軸特征值分量。這種融合三軸特征值分量的方法，不僅降低了算法模型的輸入維度，同時(shí)提高了特征值的穩(wěn)定性。

對(duì)軌跡位移值提取了均值、標(biāo)準(zhǔn)差、最大值、窗口寬度、差分絕對(duì)值和5種軌跡特征。其中，均值反映了動(dòng)作的平均幅度大小，標(biāo)準(zhǔn)差反映了每個(gè)采樣點(diǎn)的位移相對(duì)于均值的偏離程度，最大值表示動(dòng)作的最遠(yuǎn)位移值，窗口寬度反映了動(dòng)作的持續(xù)時(shí)間，差分絕對(duì)值和反映了位移值變化的劇烈程度。表1列出了各特征值的公式，其中，ds為樣本標(biāo)準(zhǔn)差，XS、XE分別為動(dòng)作起始點(diǎn)的索引值。

表1 選用特征值的公式定義

經(jīng)過特征量計(jì)算，得到傳感器數(shù)據(jù)的時(shí)域特征共30維，軌跡特征共5維。在實(shí)驗(yàn)階段會(huì)對(duì)單時(shí)域特征和時(shí)域+軌跡特征分別測(cè)試識(shí)別效果。

5 實(shí)驗(yàn)與結(jié)果

5.1 實(shí)驗(yàn)設(shè)計(jì)

定義了5種手臂動(dòng)作標(biāo)簽，定義規(guī)則如下。

① 選取的動(dòng)作需為日常生活常見動(dòng)作，與助殘的應(yīng)用背景相吻合。

② 選取的動(dòng)作中應(yīng)當(dāng)存在相似動(dòng)作。相似動(dòng)作的各特征值較為相近，識(shí)別難度較大。

③ 選取的有差別的動(dòng)作，既作為識(shí)別目標(biāo)，也作為干擾源，用以驗(yàn)證識(shí)別方法是否可行。

選取的5種手臂動(dòng)作標(biāo)簽和說(shuō)明如表2所示。

表2 手臂動(dòng)作標(biāo)簽選取

表2中動(dòng)作類別按動(dòng)作的相似程度劃分。其中，共性動(dòng)作是從桌子取物，下面進(jìn)行進(jìn)一步細(xì)分?！昂人眲?dòng)作的活動(dòng)范圍從起點(diǎn)到頭部，為大范圍動(dòng)作，劃為A類；“解衣服扣子”動(dòng)作范圍從起點(diǎn)到胸口，為中范圍動(dòng)作，劃為B類；“翻書”、“敲鍵盤”、“使用手機(jī)”3種動(dòng)作范圍從起點(diǎn)到桌子，為小范圍動(dòng)作，劃為C類。C類中的3種動(dòng)作屬于相似動(dòng)作，識(shí)別難度較高，本文將傳感器時(shí)域特征與運(yùn)動(dòng)軌跡特征相結(jié)合測(cè)試其分類效果。

尋找了4位志愿者進(jìn)行數(shù)據(jù)集采集，每個(gè)人對(duì)5種動(dòng)作以平穩(wěn)的速度重復(fù)做15次，一次手臂動(dòng)作周期約5 s。一共采集了4×5×15=300個(gè)樣本?；?種動(dòng)作標(biāo)簽和300個(gè)實(shí)驗(yàn)樣本，對(duì)選取的5種軌跡特征作平行坐標(biāo)圖，如圖10所示。由圖得知每種軌跡特征對(duì)于每個(gè)動(dòng)作類別分布較為集中，且不同動(dòng)作類別的同種軌跡特征存在一定間距，易于對(duì)動(dòng)作進(jìn)行分類，說(shuō)明5種軌跡特征選取合適。

圖10 5種軌跡特征平行坐標(biāo)分布

5.2 分類識(shí)別結(jié)果

使用Matlab中的Classification Learner工具箱對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和分類。將數(shù)據(jù)集中的300個(gè)樣本隨機(jī)平均分為兩份，其中150個(gè)為訓(xùn)練集，用來(lái)訓(xùn)練算法模型，另外150個(gè)作為測(cè)試集，用來(lái)測(cè)試模型的識(shí)別準(zhǔn)確度。使用能良好支持非線性分類模型的支持向量機(jī)算法(Support Vector Machines，SVM)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練[15]。對(duì)SVM模型采用5折交叉熵驗(yàn)證，使模型更穩(wěn)定，泛化能力更強(qiáng)。核函數(shù)采用高斯核模型：

(8)

式中，x′為核函數(shù)中心；‖x-x′‖2為向量x到向量x′的歐氏距離；σ為帶寬，控制核函數(shù)作用范圍。高斯核函數(shù)是SVM算法常用核函數(shù)，將輸入空間映射到高維空間，再用超平面對(duì)不同類樣本進(jìn)行劃分。

為了驗(yàn)證提出的軌跡特征對(duì)識(shí)別結(jié)果的影響，對(duì)傳感器時(shí)域特征和傳感器時(shí)域特征+軌跡特征分別訓(xùn)練算法模型，兩種模型的特征值輸入維數(shù)分別為30維和35維，輸出均為5維。經(jīng)過模型訓(xùn)練與測(cè)試集驗(yàn)證，得到結(jié)果。表3和表4分別為傳感器時(shí)域特征和時(shí)域+軌跡特征的分類結(jié)果混淆矩陣。其中縱列為標(biāo)簽，橫行為預(yù)測(cè)結(jié)果，M1～M5分別為喝水、解衣服扣子、翻書、敲鍵盤、使用手機(jī)5種動(dòng)作，P為識(shí)別率。

表3 傳感器時(shí)域特征下的動(dòng)作識(shí)別混淆矩陣

表4 時(shí)域+軌跡特征下的動(dòng)作識(shí)別混淆矩陣

從表3可以看出，喝水、敲鍵盤、使用手機(jī)3種動(dòng)作的識(shí)別率為100%，解衣服扣子的識(shí)別率為96.88%。而翻書與敲鍵盤屬于C類中的相似動(dòng)作，單傳感器時(shí)域特征下，10次翻書動(dòng)作被錯(cuò)識(shí)別為敲鍵盤動(dòng)作，識(shí)別率僅為69.70%，識(shí)別效果較差，總識(shí)別率僅為92.67%。在傳感器時(shí)域特征的基礎(chǔ)上加上軌跡特征訓(xùn)練模型，如表4所示，喝水、敲鍵盤、使用手機(jī)3種動(dòng)作識(shí)別率仍為100%，解衣服扣子也提高到了100%。對(duì)于單傳感器時(shí)域特征下識(shí)別效果較差的翻書動(dòng)作，融合軌跡特征后只有1次將翻書動(dòng)作錯(cuò)識(shí)別為敲鍵盤動(dòng)作，識(shí)別率提高到了96.97%，總識(shí)別率提高到了99.33%。由此可以驗(yàn)證所提出的傳感器時(shí)域特征與軌跡特征結(jié)合的手臂動(dòng)作識(shí)別方法的可行性，且對(duì)于相似動(dòng)作，軌跡特征的加入大幅度提高了識(shí)別率，驗(yàn)證了基于虛擬手臂模型獲取的軌跡特征對(duì)手臂動(dòng)作識(shí)別具有一定意義。

6 結(jié)束語(yǔ)

基于數(shù)據(jù)手套和虛擬手臂模型，提出了一種手臂動(dòng)作識(shí)別方法。通過虛擬環(huán)境中手臂模型對(duì)真實(shí)手臂動(dòng)作的復(fù)現(xiàn)，獲取了手臂的軌跡數(shù)據(jù)，并提出了一種基于差分和加波峰波谷檢測(cè)的動(dòng)作片段分割算法，正確地獲取了有效手臂動(dòng)作數(shù)據(jù)片段。最后提取傳感器時(shí)域特征和軌跡特征，使用支持向量機(jī)算法完成了對(duì)5種手臂動(dòng)作標(biāo)簽的識(shí)別。在傳感器時(shí)域特征下，總識(shí)別率為92.67%，融合了軌跡特征后，總識(shí)別率提高了6.66%，達(dá)到了99.33%，驗(yàn)證了提出的手臂動(dòng)作識(shí)別方法的可行性，且證明了基于虛擬手臂模型獲取的軌跡特征能有效提高識(shí)別準(zhǔn)確率。

提出的手臂動(dòng)作識(shí)別方法也存在一定的不足。由于手臂模型的靜止參考坐標(biāo)系是固定的，因此本系統(tǒng)無(wú)法對(duì)身體在運(yùn)動(dòng)狀態(tài)下的手臂動(dòng)作進(jìn)行識(shí)別，存在一定的局限性。今后的工作也會(huì)針對(duì)手臂模型、識(shí)別算法加以改進(jìn)，讓本文方法適應(yīng)復(fù)雜狀態(tài)下的手臂運(yùn)動(dòng)。