一种基于压力和三轴加速度传感器的人体运动姿态识别方法
技术领域
本发明涉及到一种基于压力和三轴加速度传感器的人体运动姿态识别方法。
技术背景
目前，市场上存在大量的电子产品能够识别人体的运动姿态，如智能手环和智能手表等，并据此计算佩戴者的运动时间、运动量和消耗的卡路里。但现有的大部分电子产品都是仅利用附带的三轴加速度传感器来识别人体的运动姿态，识别准确率不高，精度也难以提高。另外，越来越多的人在运动锻炼活动时佩戴弹性绷带、小腿套等护小腿装备，这类装备具有肌肉防护、关节防护、抗疲劳等功能，能够有效保护小腿，并帮助佩戴者高效恢复。本发明提出一种基于压力传感器和三轴加速度传感器的人体姿态识别方法，在护小腿装备上嵌入压力传感器与三轴加速度传感器，实现跑、走、站、坐和躺等人体运动姿态的识别。
发明内容
为了克服现有人体运动姿态识别方法的不足，本发明提出一种基于压力传感器和三轴加速度传感器的人体运动姿态识别方法。
本发明所采用的技术方案是：
一种基于压力和三轴加速度传感器的人体运动姿态识别方法，所述方法包括以下步骤：
步骤1、在人体小腿处佩戴嵌入压力和三轴加速度传感器的护小腿装备，护小腿装备能够通过短距离无线通信技术与智能终端连接并进行数据传输；
步骤2、护小腿装备每隔t0时间采集一次数据，并每隔t时间将采集的n压力采样值x和三维加速度值(ax,ay,az)数据发送到智能终端，
步骤3、智能终端对接收到的n个压力采样值、三维加速度值数据进行处理，得到人体运动姿态识别模型所需的特征信息：压力值、三维加速度的信号幅度以及与参考加速度值的距离度量，所述数据处理的实现过程如下：
(3.1)上述特征信息中，压力值包括当前时间间隔t内的压力平均值
(3.2)上述特征信息中，三维加速度的信号幅度SM(Signal Magnitude)为方向无关的量，其反映加速度数据的变化幅度，先计算出当前时间间隔t内三维加速度采样值每个维度的平均值，计算公式为：
(3.3)上述特征信息中，三维加速度与参考加速度值的距离度量为欧氏距离，根据下列公式计算三维加速度与参考加速度值的距离度量di：
上述公式中
步骤4、将特征信息输入到预先训练好的人体运动姿态识别模型，得到人体运动姿态的识别结果。
进一步，在所述(3.1)中，线性函数f＝ax+b通过如下方法测试得到：设定最小加压值为fmin、最大加压值为fmax、增长幅值为d，则采样个数
再进一步，所述步骤4中，人体运动姿态识别模型是基于采集的压力与三维加速度数据集使用决策树、支持向量机、朴素贝叶斯和K邻近等分类算法训练得到，是一种非视觉手段的人体运动姿态识别模型。
本发明的技术构思为：运动锻炼是人们日常生活的重要活动，本发明在护小腿装备上嵌入压力与三轴加速度传感器，实时采集护小腿装备的压力与三维加速度数据，并通过短距离无线通信技术将数据发送到智能终端上，智能终端对数据进行处理并使用预先训练好的模型识别人体运动姿态，可进一步用于各种运动行为的统计。
本发明的有益效果主要表现在：本发明在传统三轴加速度传感器识别模型的基础上，增加压力传感器辅助识别，有效提高了人体运动姿态识别的准确率。
附图说明
图1为本发明基于压力和三轴加速度传感器的人体运动姿态识别的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于压力和三轴加速度传感器的人体运动姿态识别方法，本实施例使用的短距离无线通信技术为蓝牙技术，用户在运动锻炼过程中佩戴附带压力和加速度传感器的护小腿装备，使用智能手机打开蓝牙连接护小腿装备，然后开启数据采集。护小腿装备周期性的采集压力和加速度传感器的实时数据，并使用识别模型得到人体的运动姿态。所述人体运动姿态的识别方法包括以下步骤：
步骤1、在人体小腿处佩戴嵌入压力和三轴加速度传感器的护小腿装备；
步骤2、护小腿装备每隔t0时间采集一次数据，并每隔t时间将采集的n个压力采样值x和三维加速度值(ax,ay,az)数据发送到智能终端，
表1
步骤3、智能终端对接收到的n个压力采样值、三维加速度值数据进行处理，得到人体运动姿态识别模型所需的特征信息：压力值、三维加速度的信号幅度以及与参考加速度值的距离度量，所述数据处理的实现过程为：
(3.1)先根据线性函数f＝ax+b，将压力采样值x转换为压力值f，其单位为毫米汞柱；然后根据公式
在本实施例中，线性函数为f＝0.061x+13.28，其通过如下方法测试得到：设定最小加压值为20(即水银汞柱高度为20毫米)、最大加压值为60、增长幅值为5，则采样个数n＝9，连续采集水银汞柱高度分别为fk＝20+5k(k＝0,1,…,8)对应的n个压力采样值(x0,x1,…,x8)，将数据点集合{(xk,fk)|k＝0,1,…,8}进行线性拟合，如数据点集合为{(110.16,20),(192.13,25),(274.10,30),(356.07,35),(438.03,40),(520.00,45),(601.97,50),(683.93,55),(765.90,60)}，则确定a＝0.061和b＝13.28；
(3.2)先计算出当前时间间隔t内三维加速度采样值每个维度的平均值，计算公式为：
(3.3)根据下列公式计算三维加速度与参考加速度值的距离度量di：
步骤4、将特征信息输入到预先训练好的人体运动姿态识别模型，得到人体运动姿态的识别结果。
本发明实施例中，所述人体运动姿态识别模型是基于预设的特征信息训练集和分类算法训练得到。其中预设的训练集是使用采集的压力和三维加速度实际数据集得到，即在人体小腿处佩戴附带压力和三轴加速度传感器的护小腿装备重复做跑、走、站、坐和躺等5个动作，并从采集的数据提取出所需要的特征信息用于训练。
本发明实施例中，对于分类算法的选取是通过比较不同分类算法的识别准确率，选出识别准确率最高的分类算法。本实施例比较了4种常用分类算法的识别准确率，表2是仅基于三维加速度进行识别的准确率比较，表3是基于压力与三维加速度进行识别的准确率比较。可以看出，增加压力传感器辅助识别，能够有效提高人体运动姿态识别的准确率，识别准确率最高的为决策树算法。
表2
表3
本实施例中，压力和三轴加速度传感器采集数据的频率为每秒钟50次，即每隔0.02秒采集一次数据，人体不同运动状态之间转换的时间设置为0.64秒，该时间为人体从坐的状态转变为站的状态所需的一般时间。人体默认情况下所处的状态为坐。
本技术领域中的普通技术人员应当认识到，以上内容仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上实例的变化、变型都将落在本发明的权利要求书范围内。
