基于手机加速度传感器的人体行为识别_衡霞.pdf

近年来随着信息科学和传感器技术的进步，基 于传感器的行为识别获得了极大的发展，其中基于 可穿戴传感器的人体行为识别具 有 极 其 广 泛 的 应 用前景。例如在智能家居、老人或病人监护等领域 使用可穿戴式传感器可以实时获 得 用 户 的 行 为 数 据，从而快速准确的判断出当前用户的活动情况。 文［１］中使用在右脚踝和左大腿固定两个加速 度传感器 采 集 数 据 来 研 究 人 体 行 为 识 别 方 法；文 ［２］提出一种在人体不同位置固定多个加速度传感 器来进行老年人跌倒检测；文［３］采用将两个加速 度传感器分 别 佩 戴 在 右 手 臂 的 前后来解决交互式 游戏中的上肢动作识别问题。这些研究将多个传 感器固定在实验者身上来进行行为感知，在实际应 用中将给用户的生活带来不便。 目前智能手机的多种内置传感器如加速度传 感器、陀螺仪、磁力计、方向传感器等可以对不同的 运动、方向和外部环境进行感知，特别在监测设备 的移动和位置变化时，能获得较精确的原始三维数 据［４］。鉴于手机传感器的这种便携性和高性能，本 文提出一种 基 于 智 能 手 机 采 集 用户行为数据来进第１９卷第６期 衡霞，王忠民：基于手机加速度传感器的人体行为识别 行行为识别与分析的方法。该 方 法 通 过 对 三 维 加 速度信号进行处理及特征提取获得特征矩阵，采用 支持向量机分类器进行分类识别。 随着信息技术和传感器技术的迅猛发展，基于传感器的行为识别技术在智能应用中扮演着越来越重要的角色。在这一领域，智能手机由于其便携性和普及性，成为了行为识别技术的有力平台。特别是智能手机内置的加速度传感器，它能够提供精确的三维空间数据，这使得其在监测人体运动方面具有得天独厚的优势。本文介绍了一种基于智能手机加速度传感器的行为识别方法，该方法利用加速度数据进行特征提取，并通过支持向量机（SVM）分类器实现高效准确的行为识别。 在传统的行为识别应用中，可穿戴传感器虽然能够实时监测用户的动作，但它们通常需要固定在人体的特定部位，这样的操作在长期佩戴时可能会给用户带来不便，甚至影响行为的自然表现。为了改善这些问题，基于智能手机的行为识别研究应运而生。智能手机作为日常生活中不可或缺的设备，内置的多种传感器如加速度传感器、陀螺仪等，可以方便地获取用户的行为数据，而不必额外佩戴专门的设备。 文章中提及的方法，首先需要对手机加速度传感器采集到的原始数据进行预处理，这包括滤除噪声和提取有效信号。预处理是为了确保后续分析的准确性，因为它能够减少误差和干扰，保证数据的质量。在这个阶段，可能会用到数字信号处理技术，如低通滤波器，来减少高频噪声的影响。 处理后的数据可以用于提取一系列统计特征，包括标准差、四分位差、信号幅度、偏度、峰度和相关系数等。这些特征的选择是基于它们能够有效地反映人体运动的动态特性，以及在不同行为模式下的表现差异。例如，跑步时的加速度信号幅度会比站立时大，而峰度值可能更能反映快速变化的运动状态。通过这些特征，可以构建一个特征矩阵，用于后续的分类识别。 分类器的选择对于行为识别系统的性能至关重要。本文采用了支持向量机（SVM）作为分类器。SVM是一种成熟的机器学习算法，特别适合处理小样本数据和高维数据的分类问题。通过学习不同行为特征矩阵的模式，SVM能够区分出如站立、走路、跑步、上楼和下楼等不同的行为状态。 在实验中，该方法在不同的实验者身上进行了测试，平均识别正确率达到87.17%，这表明了该方法在实际应用中的可行性和准确性。通过对行为的准确识别，可以进一步应用于智能家居控制、健康监护、交互式游戏等多个领域。例如，在智能家居中，通过识别家中成员的行为模式，可以智能调节灯光和温度；在健康监护中，可以监测老人或病人的活动状态，及时发现问题；在交互式游戏中，可以实现更加直观和灵活的游戏互动。 然而，该技术仍有进一步完善的空间。未来研究可以探索更多复杂行为的识别，比如跳舞或做家务等。同时，通过优化特征选择和提升分类器的性能，可以提高行为识别的准确率和实时性，最终实现一个更加智能和无缝集成的行为监控系统。 总体来说，基于智能手机加速度传感器的人体行为识别技术，不仅提高了用户使用上的舒适度和便利性，还拓展了行为识别技术的应用范围。随着技术的不断进步，我们有理由相信，未来的行为识别技术将在智能生活中扮演更加重要的角色。