基于时间序列分析的人体运动行为模式识别研究

【摘要】：人体运动行为识别作为人工智能和智能家居领域研究的一部分,一直以来备受国内外各界人士的广泛关注。通信网络的发展使得物联网技术作为传输媒介实现智能家居、智能医疗、健康保健及恢复、助老助残等方面的人机交互迈向了一个新的高度,但是它只是实现人机交互的中间一环,无法采集人体运动的实际信息。人体运动行为识别是人机交互控制的一个重要体现,如何采集人体运动有效信息经传输媒介达到人机交互式控制进而对人体日常活动进行实时有效监测和识别是一个重要的研究课题。伴随微电子技术、通信技术、SoC、半导体技术和集成电路等嵌入式技术的发展,使得集成有无线通讯模块的加速度传感器在人体运动实时采集和监测识别领域得到了一定程度的应用,与此同时也存在很多实际难题亟待完善和解决。基于此,本文以人体运动识别为研究对象,围绕人体加速度信号的采集、信号预处理、时间序列特征提取、模型训练识别方法等方面提出了基于时间序列分析的人体运动行为模式识别方法的研究与实现,主要研究工作包括:1、为了满足时间序列分析的要求,本文设计了特定地加速度数据采集平台,并建立了人体日常运动中常见动作变化的数据样本集,这是进行研究的重要基础和先决条件。2、针对人体加速度信号中的重力加速度分量,本文采用频率为5Hz的一阶低通滤波器剔除人体运动加速度信号中的重力分量,为后续数据处理提供基础,实际结果表明,通过这种方法能够有效的将重力分量与相关表征人体运动的加速度分量分离开。3、本文针对小波阈值降噪传统算法的缺陷,提出了一种改进型的小波阈值降噪算法,很好地解决了传统小波阈值降噪算法的振荡、固定衰减以及平滑性等问题,进而达到滤除所采集的加速度信号中噪声信号的目的。4、本文根据人体运动加速度信号随人体运动动作状态转移而实时变化形成一个加速度时间序列的特性提出了一种加速度时间序列分析的特征提取方法。并将提取的特征值序列作为输入对隐马尔科夫模型(HMM)进行训练识别,结果表明这种方法能够快速有效区分人体日常生活的各种静态运动行为模式。5、根据LSTM长短时记忆模型在处理时间序列问题方面的优势,本文我们将LSTM模型引入人体运动行为识别系统的模型训练和识别,结果表明该模型能够学习到更完备的人体运动加速度时间序列长相关性信息,对人体日常生活不同行为模式之间转移过程进行有效识别,在HMM基础上进一步完善了本文所提出人体运动行为识别系统。