您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（工学版）》

山东大学学报 (工学版) ›› 2018, Vol. 48 ›› Issue (6): 56-66.doi: 10.6040/j.issn.1672-3961.0.2018.202

• 机器学习与数据挖掘 • 上一篇    下一篇

基于线性加速度的多节点人体行为识别

李兴1(),侯振杰1,梁久祯1,常兴治2   

  1. 1. 常州大学信息科学与工程学院, 江苏 常州 213164
    2. 常州信息职业技术学院常州市大型塑料件智能化制造重点实验室, 江苏 常州 213164
  • 收稿日期:2018-05-25 出版日期:2018-12-20 发布日期:2018-12-26
  • 作者简介:李兴(1992—)，男，江苏徐州人，硕士研究生，主要研究方向为行为识别.E-mail:lixing03201012@qq.com
  • 基金资助:
    国家自然科学基金项目(61063021);江苏省产学研前瞻性联合研究项目(BY2015027-12);江苏省物联网移动互联技术工程重点实验室开放课题项目(JSWLW-2017-013)

Multi-node human behavior recognition based on linear acceleration

Xing LI1(),Zhenjie HOU1,Jiuzhen LIANG1,Xingzhi CHANG2   

  1. 1. College of Information Science and Engineering, Changzhou University, Changzhou 213164, Jiangsu, China
    2. Changzhou Key Laboratory of Large Plastic Parts Intelligence Manufacturing, Changzhou College of Information Technology, Changzhou 213164, Jiangsu, China
  • Received:2018-05-25 Online:2018-12-20 Published:2018-12-26
  • Supported by:
    国家自然科学基金项目(61063021);江苏省产学研前瞻性联合研究项目(BY2015027-12);江苏省物联网移动互联技术工程重点实验室开放课题项目(JSWLW-2017-013)

RichHTML

7

PDF (PC)

531

摘要：

针对当前基于加速度人体行为识别方法中存在的行为数据易受重力加速度影响以及空间信息欠缺等问题,提出一种基于线性加速度的多节点人体行为识别算法。通过分段双向去除重力加速度算法,去除传感器加速度中的重力加速度得到线性加速度;使用滑动均值滤波器滤除线性加速度与传感器加速度的颤抖运动,并对两种加速度中的冗余动作进行裁剪;分别从两种加速度中提取不同关节点数据间的动态时间规整算法(dynamic time warping, DTW)距离特征以及7种常规时域特征;利用支持向量机对人体行为进行分类。试验结果表明,该方法能有效提高人体行为识别的准确性。

关键词: 多节点, 线性加速度, DTW距离特征, 支持向量机

Abstract:

Focused on the issue that the behavior data in the current acceleration-based human behavior recognition method was affected by the gravitational acceleration and the lack of spatial information, a multi-node human behavior recognition algorithm based on linear acceleration was proposed. The linear acceleration was obtained by removing gravitational acceleration using segmented bi-directionally removal of gravitational acceleration algorithm. The tremor motion signal was filtered by a sliding averaging filter for linear acceleration and sensor acceleration, and the redundant actions in the two accelerations were cropped. The dynamic time warping (DTW) distance features between different joint points and seven conventional time domain features were extracted from two accelerations. The support vector machine was employed to recognize the human behavior. Experimental results showed that this method could effectively improve the accuracy of human behavior recognition.

Key words: multi-node, linear acceleration, DTW distance feature, support vector machine

中图分类号: 

  • TP391

图1

行为示意图"

图2

本研究算法流程图"

图3

分段双向去除重力加速度算法"

图4

静止时三轴角度信号"

图5

传感器加速度滤波前后对比"

图6

线性加速度滤波前后对比"

图7

抬手动作线性加速度"

图8

放手动作线性加速度"

表1

初始特征集"

加速度类型 单节点特征 两两关节点间特征
手腕 肘部
传感器加速度 7特征 7特征 DTW距离特征
线性加速度 7特征 7特征 DTW距离特征

图9

不同参数组合下冗余动作裁剪方法的识别率"

表2

2种算法的识别率与运行效率"

方法类别 识别率/% 提取时间/s 训练时间/s 测试时间/s 总的时间/s
原始方法 85.33 0.002 1 0.008 0 0.004 6 0.014 7
本研究方法 98.89 0.004 5 0.008 0 0.003 9 0.016 4

表3

特征集优选结果"

加速度 单节点特征 两两关节点间特征
手腕 肘部
传感器加速度 2、5、6 1~7 8~10
线性加速度 1~7 1、2、4~6 8~10

表4

A1方法试验结果"

基础方法 识别率/%
添加A1方法前 添加A1方法后
A0 85.33 93.78
A0+A2 85.78 94.67
A0+A2+A3 88.44 95.33
A0+A2+A3+A5 92.44 97.78

表5

A2方法试验结果"

基础方法 识别率/%
添加A2方法前 添加A2方法后
A0 85.33 85.78
A0+A1 93.78 94.67
A0+A1+A3 94.44 95.33
A0+A1+A3+A4 94.89 95.56
A0+A1+A3+A4+A5 97.56 98.89

表6

A3方法试验结果"

基础方法 识别率/%
添加A3方法前 添加A3方法后
A0 85.33 86.89
A0+A1 93.78 94.44
A0+A1+A2 94.67 95.33
A0+A1+A2+A4 95.11 95.56
A0+A1+A2+A4+A5 98.22 98.89

表7

A4方法试验结果"

基础方法 识别率/%
添加A4方法前 添加A4方法后
A0+A1 93.78 94.44
A0+A1+A2 94.67 95.11
A0+A1+A2+A3 95.33 95.56
A0+A1+A2+A3+A5 97.78 98.89

表8

A5方法试验结果"

基础方法 识别率/%
添加A5方法前 添加A5方法后
A0 85.33 91.33
A0+A1 93.78 95.56
A0+A1+A2 94.67 97.56
A0+A1+A2+A3 95.33 97.78
A0+A1+A2+A3+A4 95.56 98.89

图10

混淆矩阵"

表9

本研究方法与现有方法的性能对比试验"

方法 识别率/%
原始方法 85.33
文献[5]方法 94.44
本研究方法 98.89
1 MUKHOPADHYAY S C . Wearable sensors for human activity monitoring: a review[J]. IEEE Sensors Journal, 2014, 15 (3): 1321- 1330.
2 EDWARDS J . Wireless sensors relay medical insight to patients and caregivers:special reports[J]. IEEE Signal Processing Magazine, 2012, 29 (3): 8- 12.
doi: 10.1109/MSP.2012.2183489
3 KHAN A M , LEE Y K , LEE S Y , et al. A triaxial acclerometer-based physical-activity recognition via augmented-signal features and a hierarchical recognizer[J]. IEEE Transactions on Information Technology in Biomedicine, 2010, 14 (5): 1166- 1172.
4 LEE S W , MASE K . Activity and location recognition using wearable sensors[J]. Pervasive Computing IEEE, 2002, 1 (3): 24- 32.
5 CHEN Y, XUE Y. A deep Learning approach to human activity recognition based on single accelerometer[C]//IEEE International Conference on System, Man, and Cybernetics. Budapest, Hungary: IEEE, 2016: 1488-1492.
6 BRZOSTOWSKI K , DRAPALA J , GRZECH A , et al. Adaptive decision support systems for automatic physical effort plan generation: data-driven approach[J]. Journal of Cybernetics, 2013, 44 (2-3): 204- 221.
7 池小文, 倪友聪, 杜欣, 等. 基于智能手机的健身跑数据采集及演化建模[J]. 智能系统学报, 2017, 5 (12): 702- 709.
CHI Xiaowei , NI Youcong , DU Xin , et al. Smartphone-based speed acquisition and evolutionary modeling for fitness running[J]. CAAI Transactions on Intelligent Systems, 2017, 5 (12): 702- 709.
8 REHBINDER H , HU X . Drift free attitude estimation for accelerated rigid bodies[J]. Automatica, 2004, 40 (4): 653- 659.
doi: 10.1016/j.automatica.2003.11.002
9 李文锋, 姚丙萌. 基于单三轴加速度传感器的人体活动状态识别[J]. 华中科技大学学报(自然科学版), 2016, 44 (4): 58- 62.
LI Wenfeng , YAO Bingmeng . Recognition of human activities based on single triaxial accelerometer[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition), 2016, 44 (4): 58- 62.
10 王昌喜.基于加速度信息的上肢动作识别系统设计及动作质量评价方法的研究[D].合肥:中国科学技术大学, 2010.
WANG Changxi. Design of recongnition system and study of quality evaluation for upper limb movement based on acceleration[D]. Hefei: University of Science and Technology of China, 2010.
11 JOSHUA L , VARGHESE K . Accelerometer-based activity recognition in construction[J]. Journal of Computing in Civil Engineering, 2011, 25 (5): 370- 379.
doi: 10.1061/(ASCE)CP.1943-5487.0000097
12 JOSHUA L , VARGHESE K . Automated recognition of construction labour activity using accelerometers in field situations[J]. International Journal of Productivity and Performance Management, 2014, 63 (7): 841- 862.
13 SAKOE H . Two-level DP-matching:a dynamic programming-based pattern matching algorithm for connected word recognition[J]. Readings in Speech Recognition, 1990, 27 (6): 180- 187.
14 SAENPHON T , PHIMOLTARES S , LURSINSAP C . Combining new fast opposite gradient search with ant colony optimization for solving travelling salesman problem[J]. Engineering Applications of Artificial Intelligence, 2014, 35 (2): 324- 334.
15 ESCARIO J B , JIMENEZ J F , GIRON-SIERRA J M . Ant colony extended: experiments on the travelling salesman problem[J]. Expert Systems with Applications, 2015, 42 (1): 390- 410.
doi: 10.1016/j.eswa.2014.07.054
16 凌佩佩, 邱崧, 蔡茗名, 等. 结合特权信息的人体动作识别[J]. 中国图像图形学报, 2017, 22 (4): 482- 491.
LING Peipei , QIU Song , CAI Mingming , et al. Human action recognition based on privileged information[J]. Journal of Image and Graphics, 2017, 22 (4): 482- 491.
17 HOU C , NIE F , ZHANG C , et al. Multiple rank multi-linear SVM for matrix data classification[J]. Pattern Recognition, 2014, 47 (1): 454- 469.
18 IOSIFIDIS A , GABBOUJ M . Multi-class support vector machine classifiers using intrinsic and penalty graphs[J]. Pattern Recognition, 2016, 55, 231- 246.
doi: 10.1016/j.patcog.2016.02.002
19 叶明全, 高凌云, 万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48 (3): 10- 16.
YE Mingquan , GAO lingyun , WAN Chunyuan . Gene expression data classification based on artificial bee colony and SVM[J]. Journal of Shandong University(Engineering Science), 2018, 48 (3): 10- 16.
20 CHEN Chen , ZHANG Baochang , HOU Zhenjie , et al. Action recognition from depth sequences using weighted fusion of 2D and 3D auto-correlation of gradients features[J]. Multimedia Tools and Applications, 2017, 76 (3): 4651- 4669.
[1] 叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[2] 韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[3] 刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[4] 李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[5] 刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[6] 刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[7] 浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
[8] 李发权, 杨立才, 颜红博. 基于PCA-SVM多生理信息融合的情绪识别方法[J]. 山东大学学报(工学版), 2014, 44(6): 70-76.
[9] 周咏梅1，杨佳能2,阳爱民2. 面向文本情感分析的中文情感词典构建方法[J]. 山东大学学报(工学版), 2013, 43(6): 27-33.
[10] 王昊,华继学,范晓诗. 基于双联支持向量机的入侵检测技术[J]. 山东大学学报(工学版), 2013, 43(6): 53-56.
[11] 施珺,朱敏. 一种基于灰色系统和支持向量机的预测优化模型[J]. 山东大学学报(工学版), 2012, 42(5): 7-11.
[12] 赵加敏,冯爱民*,刘学军. 局部密度嵌入的结构单类支持向量机[J]. 山东大学学报(工学版), 2012, 42(4): 13-18.
[13] 潘冬寅，朱发，徐昇，业宁*. 结肠癌基因表达谱的特征选取研究[J]. 山东大学学报(工学版), 2012, 42(2): 23-29.
[14] 孙鹏,程世庆*,谢敬思,张海瑞. 预测混合生物质灰熔点的CV-GA-SVM模型[J]. 山东大学学报(工学版), 2012, 42(2): 108-111.
[15] 赵燕燕, 范丽亚. 多输出支持向量回归机在依赖时间的变分不等式中的应用[J]. 山东大学学报(工学版), 2011, 41(3): 23-30.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 程代展，李志强. 非线性系统线性化综述(英文)[J]. 山东大学学报(工学版), 2009, 39(2): 26 -36 .
[2] 王勇, 谢玉东.

大流量管道煤气的控制技术研究

[J]. 山东大学学报(工学版), 2009, 39(2): 70 -74 .
[3] 刘新1 ，宋思利1 ，王新洪2 . 石墨配比对钨极氩弧熔敷层TiC增强相含量及分布形态的影响[J]. 山东大学学报(工学版), 2009, 39(2): 98 -100 .
[4] 胡天亮,李鹏,张承瑞,左毅 . 基于VHDL的正交编码脉冲电路解码计数器设计[J]. 山东大学学报(工学版), 2008, 38(3): 10 -13 .
[5] 田芳1,张颖欣2,张礼3,侯秀萍3,裘南畹3. 新型金属氧化物薄膜气敏元件基材料的开发[J]. 山东大学学报(工学版), 2009, 39(2): 104 -107 .
[6] 陈华鑫, 陈拴发, 王秉纲. 基质沥青老化行为与老化机理[J]. 山东大学学报(工学版), 2009, 39(2): 125 -130 .
[7] 赵延风1,2, 王正中1,2 ,芦琴1,祝晗英3 . 梯形明渠水跃共轭水深的直接计算方法[J]. 山东大学学报(工学版), 2009, 39(2): 131 -136 .
[8] 李士进,王声特,黄乐平. 基于正反向异质性的遥感图像变化检测[J]. 山东大学学报(工学版), 2018, 48(3): 1 -9 .
[9] 王汝贵,蔡敢为 . 两自由度可控平面连杆机构机电耦合系统的超谐波共振分析[J]. 山东大学学报(工学版), 2008, 38(3): 58 -63 .
[10] 赵科军 王新军 刘洋 仇一泓. 基于结构化覆盖网的连续 top-k 联接查询算法[J]. 山东大学学报(工学版), 2009, 39(5): 32 -37 .
版权所有 © 2018 《山东大学学报(工学版)》编辑部　
地址: 济南市山大南路27号（250100）　 电话: 0531-88366735　 E-mail: xbgxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发