基于加速度传感器和神经网络的人体活动行为识别

龙源期刊网基于加速度传感器和神经网络的人体活动行为识别作者：张烈平匡贞伍李昆键韦克莹王政忠张声岚来源：《现代电子技术》2019年第16期摘;要：人体活动行为识别在医疗、安全、娱乐等方面有着广泛的应用，为了高效、准确地获取人体活动的行为信息，提出一种基于加速度传感器和神经网络的个人活动行为识别方法。该方法通过在个人手上佩戴加速度传感器，实时采集个人活动的行为数据;再通过BP神经网络分析相关行为数据并建立个人活动行为模型，分类识别个人的行走、坐着、躺卧、站立和突然跌倒等活动行为特征。实验结果表明，该方法能够有效检测到个人活动的行为特征参数，并可准确识别出人体活动的五种典型行为。关键词：人体活动;行为识别;特征提取;加速度传感器;BP神经网络;实验仿真中图分类号：TN711⁃34;TP391.4;;;;;;;;;;;文献标识码：A;;;;;;;;;文章编号：1004⁃373X（2019）16⁃0071⁃040;引;言近些年来，随着传感器检测器件以及人机交互等关键技术的飞速发展，人体活动行为识别广泛应用于生物医学研究、健康状况评估以及健康监护等领域[1]。人体行为识别有基于视觉的和基于传感器信号和设计的分类算法来推测人体的活动行为模式，具有成本低、灵活、可移植性好的特点。相比基于视觉的人体活动行为识别方法，基于传感器的人体活动行为识别具有广泛的应用前景[2]。活动行为识别技术可以归类为模式识别问题，常用于对人体活动行为进行分类的模式识别算法有决策树、支持向量机、最近邻法和神经网络等。其中，神经网络通过对简单的非线性函数进行数次复合，可近似为复杂的函数，在分类大规模的、有噪声污染的数据方面具有优势[3]。目前国内外已经开展了对人体行为识别的相关研究，已经取得了很多研究成果。强茂山等人提出了一种基于加速度传感器的建筑工人施工行为识别方法。该算法以钢筋工为例，利用加速度传感器在工地现场采集钢筋工施工过程中手腕处运动的加速度数据，采用支持向量机、BP神经网络和决策树三种分类算法将钢筋工的活动行为进行分类研究[4]。Mantyjarvi等人使用主成分分析和小波变换从原始传感器数据中提取特征，采用多层感知器对3种简单人体活动进行了识别[5]。AbdulhamitSubasi等人提出一种人体活动行为识别方法，采用Adaboost分类算法对采集到的人体行为活动数据进行了行为识别分类，取得了较好的识别效果[6]。本文拟以人体活动行为作为对象，利用三轴加速度传感器采集包括行走、坐着、躺卧、站立和突然跌倒等活动行为数据，以采集到的三轴加速度传感器的X轴、Y轴和Z轴方向上分龙源期刊网量的均值、标准差、峰度和任意两轴之间的相关系数作为特征值，构成人体活动行为的特征向量，用以表征其行为特征。在此基础上采用神经网络进行建模识别，实现人体活动行为的分类。1;系统整体设计本文设计的人體活动行为识别系统总体结构如图1所示。人体手上佩戴有传感器采集节点的手环，节点采集到的活动行为数据通过ZigBee无线数据发送模块将数据发送至无线数据接收模块，再通过USB接口将数据传输至计算机。计算机数据处理系统对数据进行分析建模并且判断当前人体的活动行为模式，最终识别出人体活动的行为类别。考虑到传感器采集节点需要佩戴在人体的手腕上，为不影响人体的正常活动，该节点需要具备体积小、功耗低、质量轻、价格便宜等特点。因此，本文使用MMA7361加速度传感器芯片作为活动行为特征数据的采集传感器，使用CC2530芯片作为无线数据发送模块和无线数据接收模块的处理器。MMA7361是恩智浦公司的一款加速度传感器，它是一款低功耗、低成本电容式微机械加速度传感器，具有信号调理、一阶低通滤波器、温度补偿、自检等功能，有两种灵敏度可选，输出信号为模拟信号，便于CC2530采集[7]。CC2530在单个芯片上整合了ZigBee射频前端、内存和微控制器，支持IEEE802.15.4以及ZigBee系列标准，且提供了101dB的链路质量指示，具有较好的灵敏度和强抗干扰性[8]。2;人体活动行为数据采集与特征提取2.1;数据采集方法本文将传感器采集节点佩戴在人体的手臂上以便通过MMA7361采集活动行为数据。其中，x轴的正方向沿手臂方向指向肘部;y轴正方向与x轴垂直，指向右侧;z轴正方向竖直向下;加速度数据以重力加速度g作为单位。在采集活动行为数据时，传感器采集节点通过CC2530的3个ADC端口P0.0，P0.1和P0.2分别采集MMA7361的x轴、y轴和z轴的加速度值。由于采样频率为10Hz，每组数据有50个采样值，所以传感器采集节点采集一次活动行为数据需要5s。为了减少丢包率以及减轻WSN的工作负担，传感器采集节点采集的策略设计为在5s的数据全部采集完之后一次性打包发送，而不是实时地发送每一次采集到的数据，这样更能够保证信息的完整性。实验过程中，选择10个学生进行测试，其中男生6人，女生4人。每个学生进行25次典型行为测试，形成250个测试数据组，每个测试数据组有50个采样数据。图2的3个子图分别为根据本文方法采集到的一个学生五种行为的x，y，z轴加速度曲线。从图2可以看出，对于坐着行为，三个轴上的加速度基本保持在（0.34，-0.34，0.78）左右;而躺卧行为在三个轴上的加速度基本保持在（0.06，0.05，0.93）左右;站立行为在三个轴上的加速度则基本保持在（0.84，-0.20，0.07）左右。同样，对于行走和突然跌倒两种行为，可龙源期刊网，y，z三个轴上的加速度都有不同程度的明显波动。相比于突然跌倒而言，行走时的加速度值在三个轴上的波动性更具有周期性，而突然跌倒时的加速度曲线在三个轴上的波峰和波谷更为陡峭，绝对值也更大。2.2;特征提取方法人体在坐着、躺卧和站立时，由于运动幅度较小，在MMA7361的x轴方向上的加速度波动性不明显。对于行走和突然跌倒这两种行为，由于运动幅度较大，它们的加速度值在MMA7361的x轴方向上的波动性较为明显。因此可以把人体的五种活动行为分为静止和运动两大部分，静止部分包括坐着、躺卧和站立三种行为，而运动则包括行走和突然跌倒两种行为。根据前面分析可知，在静止状态下，坐着、躺卧和站立在MMA7361的三个轴上的方向性有明显的区别，可以通过提取三轴方向上的加速度分量的均值和标准差作为区分坐着、躺卧和站立三种行为的特征。对于运动状态下的行走和突然跌倒行为，由于其波动程度存在着比较明显的差异，并且在三个轴的加速度分量上都有不同程度的关联，所以通过时域特征峰度和相关系数来实现对行走和突然跌倒两种行为的有效划分。3;人体活动行为的分类识别3.1;BP神经网络分类器对于一般的模式识别问题，三层BP神经网络就可以解决问题。本文采用三层BP神经网络来进行人体活动行为的识别与分类，并使用Sigmoid作为传递函数，使用量化共轭梯度法（Trainscg）进行训练。相应的BP神经网络模型结构分析如下：1）输入层。本文通过提取加速度传感器在x，y，z三轴方向上分量的均值、标准差、峰度和任意两轴之间的相关系数作为特征值，构成一个12维的特征向量。故输入层神经元数为12个。2）隐含层。隐含层神经元数的选择关系到整个BP网络的精确度和学习效率，关于隐含层的神经元个数，其经验公式如下[10]：[m=n+l+a]（3）式中：[m]为隐含层节点数;[n]为输入层节点数;[l]为输出层节点数;[a]为介于1～10之间的常数，本文选择Matlab神经网络工具箱中的默认值10。在用式（3）得到m之后，其具体数值还需要在实验过程进行测试优选。3）输出层。本文主要研究人体活动的五种典型行为，BP神经网络对输入样本的期望输出值如表2所示，也就是说输出层的节点数选择为5。3.2;分类识别实验龙源期刊网神经网络分类器对人体活动行为进行识别和分类。实验中提取特征样本的70%作为训练样本（174个），15%作为验证样本（38个），15%测试样本（38个），考虑到按照经验公式法计算出来的m=14.125，本文对m取值为12，13，14，15，16的范围进行优化测试。在经过多次测试后，发现在隐含层节点数为15时系统达到了最佳分类效果，测试结果如图3所示。其训练样本、验证样本、测试样本的分类准确率都为100%。4;结;语根据人体活动行为的特点，本文给出一种人体活动行为识别方法，并利用仿真和实验相结合的方式对给出的识别方法进行了验证。实验结果表明，本文给出的识别方法能够较准确地识别出人体活动的五种典型行为，验证了本文提出的特征提取及识别方法的有效性。一般而言，人体活动的范围比较大，本文仅采用无线发射和接收模块以及USB接口进行数据传输，不利于較大规模人体活动的行为识别。后期研究时，尝试将其扩展为无线传感器网络模式进行分类识别，构建无线网络模式下的人体活动行为识别与监控系统，扩大其应用价值。参考文献[1]周林，雷丽平，杨龙频.基于多传感器的人体行为识别系统[J].传感器与微系统，2016，35（3）：89⁃91.ZHOULin，LEILiping，YANGLongpin.Humanbehaviorrecognitionsystembasedonmulti⁃sensor[J].Sensorsandmicrosystemtechnology，2016，35（3）：89⁃91.[2]郑增威，杜俊杰，霍梅梅，等.基于可穿戴传感器的人体活动识别研究综述[J].计算机应用，2018，38（5）：1223⁃1229.ZHENGZengwei，DUJunjie，HUOMeimei，etal.Researchreviewofhumanactivityrecognitionbasedonwearablesensors[J].Journalofcomputerapplications，2008，38（5）：1223⁃1229.[3]刘家峰，刘鹏，张英涛，等.模式识别[M].2版.哈尔滨：哈尔滨工业大学出版社，2017.LIUJiafeng，LIUPeng，ZHANGYingtao，etal.Patternrecognition[M].2nded.Harbin：HarbinInstituteofTechnologyPress，2017.[4]强茂山，张东成，江汉臣.基于加速度传感器的建筑工人施工行为识别方法[J].清华大学学报（自然科学版），2017，57（12）：1338⁃1344.龙源期刊网，ZHANGDongcheng，JIANGHanchen.Recognizingconstructionworkeractivitiesbasedonaccelerometers[J].JournalofTsinghuaUniversity（Scienceandtechnology），2017，57（12）：1338⁃1344.[5]MANTYJARVIJ，HIMBERGJ，SEPPANENT.Recognizinghumanmotionwithmultipleaccelerationsensors;[C]//2001IEEEInternationalConferenceonSystems，Man，andCybernetics.Tucson，AZ，USA：IEEE，2001：747⁃752.[6]SUBASIA，DAMMASDH，ALGHAMDIRD，etal.Sensorbasedhumanactivityrecognitionusingadaboostensembleclassifier[J].Procediacomputerscience，2018，140：104⁃111.[7]BIRYUKOVAOV，KORETSKAYAIV.Theu