文摘

基于惯性传感器的人体运动识别模式识别领域的一个新的研究方向。它进行预处理、特征选择和特征选择通过将人体惯性传感器表面的。最后,它主要分类和人类行为的识别提取的特征。有很多种摇摆在乒乓球运动。准确地识别这些运动模式摇摆运动分析具有重要意义。随着人工智能技术的发展,人体运动识别近年来取得了很多突破,从机器学习深度学习,可穿戴传感器视觉传感器。然而,没有多少工作为乒乓球运动识别,和方法仍主要是集成到传统的机器学习领域。因此,本文使用了一个加速度传感器作为一个乒乓球运动记录装置阀瓣和探讨了四种常见的摇摆运动的三轴加速度数据。传统的机器学习算法(决策树,随机森林的树,和支持向量)用于分类摇摆运动,基于集成的概念和分类算法设计。实验结果表明,本文中所开发的集成学习算法比传统的机器学习算法,和平均识别精度为91%。

1。介绍

人类行为识别技术已经在许多领域得到研究学者的关注和重要性如机器学习、分布式计算、态势感知、安全监测、和智能家居由于其独特的研究价值。例如,目的是通过人体运动信息的收集和处理分析人体运动,行为,甚至情感或使用人类的运动和行为的分析来指导智能机器人的开发和设计1]。例如,在安全监控领域,人类运动收集的数据监控摄像头安装在道路上,在等候大厅,或重要会议和大型活动场馆的用来预测特定人类行为为目的的检测安全隐患(2]。智能领域的老年护理,研究人员试图分析老年人的行为通过身体传感器和监控摄像头为目的的安全性和康复领域的机器人技术,研究共生机器人有助于使病人和辅助机器人一起工作协调(3]。但有不同病人之间的身体姿势和条件的差异,并研究病人的行为有利于使机器智能适应病人和提高他们使用它的经验,从而更好的帮助病人恢复(4]。有许多应用程序类似的人类行为识别和分析的情况下,可以看到,人类行为识别具有广泛的应用和前景。

传感器技术的不断发展以及人工智能的研究人类行为识别带来了技术创新和希望许多领域(5]。作为社会活动的一个组成部分,体育有特殊地位,和体育运动和行为的研究具有重要意义为改善传统的运动训练,竞争,竞技体育管理和组织。例如,在专业运动训练,掌握一些动作元素的程度直接影响运动员是否能方法的极限性能,也影响运动员是否能有效地避免运动伤害,所以科学综合分析运动员的技术动作可以帮助运动员快速改善他们的表现(6]。人类行为识别基于惯性传感器的模式识别领域的一个新兴研究方向;在本质上,人类行为的惯性信号是由一个或多个惯性sensor-integrated首先收集设备,和惯性数据通过无线通信传输到服务器处理设备如无线个域网,然后,惯性数据预处理通过在线或离线方法,如去噪和特征提取和特征选择,最后,分析了惯性数据基于获得的功能(如图1)。最后,操作是根据获得的信号特征分类(7]。主要有两种类型的人类运动采集方法,得到了很多研究者的关注:基于视频的人体运动识别和惯性传感器人体运动识别。虽然视频方法开始之前,有成熟的算法,它仍然遭受无法解决的缺陷,如对环境和其他因素和侵犯个人隐私8]。相比之下,人类运动惯性传感器识别有显著的优势9]。当使用惯性传感器来收集人类日常运动数据,不受限于外部环境(如天气和活动范围),不需要考虑外部设备如摄像机(10]。因此,当收集数据的测量对象,参与者可以根据个人习惯,自由移动和数据从而获得更接近真实的情况下,训练和分类算法模型更适用于实际的环境。

在普通的体育运动,一些运动爱好者也希望能够分析的帮助下他们的动作可穿戴设备或传感器如视频增强运动的经验和奖励。例如,在乒乓球运动的球员往往是不同的,但与众不同。在准备乒乓球比赛,教练通常分析对手的运动特征通过视频材料在这场比赛之前,希望能找到对手的弱点在攻击和防御,以找到一个策略来战胜对手。此外,教练会安排监护人有类似风格的球员提前适应对手的风格和练习克服对手的比赛风格。因此,研究如何识别乒乓球波动至少有两层含义:第一,它能模型,识别,并分析波动更科学、准确地指导训练和比赛乒乓球;第二,它可以指导智能的开发可穿戴手镯和乒乓球机器人。在本文中,我们以识别波动的乒乓球为研究目标,研究如何识别波动通过可穿戴式加速度传感器。此外,传统的机器学习算法(决策树,随机森林和支持向量机)应用于摇摆动作分类,基于集成概念和分类算法设计。集成学习算法能有效区分四种类型的波动,和实验结果表明,本文设计的集成学习算法优于传统的机器学习算法和实现平均识别精度为91%。

2。相关工作

运动员的肢体动作识别属于人类行为识别的研究范畴,和人类行为识别可以追溯到1990年代。在过去的二十年里,从身体的传感器来建立各种可穿戴传感器(11),从传统的基于机器学习的方法来设计复杂的深入学习网络模型(12),人类行为识别领域的研究人员已经经历了许多突破和尝试。目前,常用以下三种研究方法对人类行为识别:方法,建立环境传感器的方法、和可穿戴传感器的方法,13]。在早期的研究中,应用方法主导领域(14),实现人类行为识别的一个或多个摄像机安装在环境。基于视频的连续帧图像数据,人类的轮廓,骨头,或者感兴趣的点,可以跟踪提取,然后,机器学习或深度学习模型训练认识到人类活动。虽然视频方法可以提供丰富的视觉信息,文章(15),应该投入更多的关注结合可穿戴传感器确保分类是准确的。首先,隐私是第一个问题,人们对相机,担心信息泄露或被监视,从而很难在实际应用中推广应用方法。

第二个是环境的限制使用。需要使用的方法建立在特定环境中包含一个相机,和相机的位置通常是固定的,这使得它难以建立方法在户外使用(16]。再次,建立方法更受环境的影响,如照明、黑斑、天气和其他因素会影响应用性能的方法。最后,应用方法计算昂贵,更少的可伸缩的,并且难以实时集成和小型化。环境传感器方法通常是简单的想法,和方法多用于智能家居研究[17等),分析人类活动或行为通过检测变化在人或物体的位置位于距离传感器,例如,通过距离,传感器可以检测人们是否在一个特定的地方。对象的位置检测,以确定是否对对象执行相应的动作。的原则,显然,这样的方法可以获得一个信息,和可以实现的功能相对简单。设计这样的系统需要许多的位置传感器在环境中,所以应用程序也非常有限18]。

除了以上两种方法,可穿戴传感器方法也是人类行为的主要“位置”识别研究。可穿戴传感器是规模较小,分布广泛,携带方便,独立的环境。研究人员可以使用一个或多个传感器收集人类对人体运动数据在任何时间和地点,从而释放它们约束的使用和隐私。视觉方法相比,可穿戴传感器还可以提供丰富的数据信息。这是因为可穿戴传感器更加多样化,研究人员可以安排几个multitype传感器对人体对人体运动信息的收集。此外,随着传感器技术的发展,可穿戴设备的成本逐渐减少,使其更容易被提升在实际应用19]。可穿戴传感器,顾名思义,是所有传感器的通用术语,可以方便地放置在人体穿着或携带。基于可穿戴传感器的人体运动识别方法收集人类运动生理和其他信息通过传感器来完成人类运动的分析和识别。与不同的可穿戴传感器,研究人员可以获得三种类型的信息:环境信息,惯性信息、位置信息和生理信号的信息。

除了使用哪个传感器,传感器布局的研究认识到人类活动,使用分类算法分类不同的行动也是研究的主要焦点。电流传感器动作识别方法大致可分为两类:一是知识,另一个是数据驱动的。知识的方法,在一个抽象的知识模型的行动需要首先构造分类,然后,构建知识模型用于行动的认可。公共知识模型施工方法是本体建模方法。本体建模方法的特点是语义清晰,逻辑简洁,又容易解释,但这种方法不能处理人类行为在时间维度的关系,和这种方法通常需要设计师具有丰富的领域知识和经验,所以它并没有被广泛推广,很少有相关研究文献。知识相比,基于模型的方法,广泛采用数据驱动的方法和实际应用。数据驱动的方法通常需要大量的训练的运动数据,和本质上的方法探讨了运动本身的特异性的数据来识别不同的运动类型。数据驱动的方法不需要繁琐的数学建模的动作或广泛的领域经验的设计师。目前,数据驱动的行动分类算法可以分为三类:监督学习方法,无监督学习方法和semisupervised学习方法。监督学习使用训练数据和标签,无监督学习方法不需要训练样本包含标签信息,和semisupervised学习方法只包含标签数据的一部分。

3所示。球员Swing识别

3.1。数据采集

乒乓球运动模式识别基于加速度传感器需要技术和特征提取和模式识别等理论,除了传感器等硬件设备。在以前的研究中,虽然不同的识别系统和框架形成了由于硬件设备,类型的识别运动,应用场景,等等,这些框架有许多相似之处识别系统的基本设计过程(20.]。在设计系统时,收集到的数据是第一次预处理,连续数据序列分割成单个数据段使用窗口分割技术在噪声消除。然后,每个数据段的特征值计算,构造特征向量,如果特征向量的维数过高,过滤特性是必需的。最后,这些特征向量用于使一组训练数据训练分类器,在培训完成后,操作集的分类器可以识别几种。动作识别系统主要分为5个模块:数据采集、数据预处理、特征提取、特征筛选和识别和分类(如图2)。

随着传感器技术的发展,许多人体参数可以通过不同类型的传感器,如温度传感器可以测量人体的温度、脉搏传感器可以记录脉搏跳动的数量,和加速度可以收集人体的运动数据。本文中的数据采集模块使用加速度传感器,集成了硬件加速传感器,使用硬件角速度传感器和硬件磁强计,所有这些支持16位精度的输出。此外,它可以通过集成电路与嵌入式处理器总线(IIC)接口的数据传输速率高达400 k赫兹/ s和良好的动态响应特性。传感器数据采集设置为200 Hz,这并不是太大,就足以捕捉的细节四运动模式。实验期间收集的数据以文本格式存储在记忆卡与传感器和数据存储设备中嵌入手镯。列中存储的数据的格式: 代表 - - - - - -轴加速度, - - - - - -轴加速度, - - - - - -轴加速度, - - - - - -轴角速度, - - - - - -轴角速度, - - - - - -分别轴角速度。在这个实验中, - - - - - -轴, - - - - - -轴, - - - - - -轴加速度数据作为原始样品。为了使设计的分类算法具有良好的分类能力,这个实验充分考虑个人的运动数据的差异不同的年龄和性别。10男性和女性参与这个实验的数据收集,和他们的年龄集中在18岁至45岁之间。收集到的数据是使用相同的手镯戴样式(例如,所有右撇子,垂直控制)。数据收集后,我们标记的正手攻击,反手推,正手,反手卷样品与数字1,2,3,4,分别以区分四运动训练分类器。

3.2。数据预处理

当收集四种乒乓球运动数据的智能可穿戴设备,它可能是由于硬件电路,传动噪音,和人体抖动,所以收集的数据不仅有效的人体运动信息,还包含各种噪音。如果这个原始数据直接用于提取运动特征,有效性、可靠性和识别系统的精度将大大减少。具体的参数可以从传感器收集的原始数据,由用户连续数据序列生成运动经过一段时间,和一般的数据长度是数十万甚至数百万,和直接特征提取将大大增加计算成本。

翻译与http://www.DeepL.com/Translator(免费版)为了减少噪声的影响来获得有效的数据序列,原始数据需要过滤。滤波是信号处理的一个重要组成部分;它是使用数学方法从接收信号中提取有用的信号含有噪声干扰的技术(21]。有许多过滤方法在实际应用中,如平均滤波、低通滤波、高斯滤波和卡尔曼滤波。

在本文中,使用一维高斯滤波方法。高斯滤波是一个线性平滑滤波方法,该方法可以有效地消除各种高斯噪音信号中广泛存在,并且算法所示 运动是当前的滤波器的输出值; , , 是暂时的相邻三个采样值;是高斯滤波器系数求解功能;标准偏差。高斯滤波不仅可以去除高频干扰信号也使运动数据平滑的波形。数据3和4显示波形前后过滤的数据段正手进攻方向,它可以发现高斯滤波算法的滤波效果显著。

传感器是连续数据收集的原始数据序列生成的用户动作在一段时间内,通常,数据长度是数十万甚至数百万,和直接特征提取将大大增加计算成本。为了解决这个问题,它是一种常见的实践执行窗口操作之前计算各种特征值越长传感器数据信号分割成许多数据段使用windows。根据先前的研究的经验,主要有两种类型的窗口方法常用于人体运动识别系统:滑动窗口分割和基于动作窗口分割。收集到的摇摆动作数据过滤和加工后,无效数据由于抛球或异常抖动和其他情况下可能还没有被删除,此外,本文考虑到数据序列太长,使用滑动窗口来处理数据。

滑动窗口分割使用一个固定长度的窗口部分运动信号在一段时间内获得的分成几等长数据段,和窗口的重叠率可以根据具体需求设置当窗口幻灯片反向收购的信号序列的顺序。考虑到周期性和一致性四个运动模式和最小化成本计算的要求,在4秒内获得的数据量是选为标准长度。有各种各样的乒乓球波动,只有四个研究摘要:(a)正手攻击,(b)反手推,(c)正手摩擦和(d)反手擦。为了确保窗口启动/停止运动边缘的完整性数据窗口重叠率设置为50%。运动由相同的不同主题的运动生成的数据因其体型、年龄、性别、和其他因素的不同运动幅度和数据长度,而由滑动窗口分割窗口的长度是固定的,可维护的一致性数据长度和提供方便后续计算的特征值。滑动窗口分割没有具体开始和结束的时间点,从而降低系统的算法的复杂性。然而,这个窗口分割技术也有两种类型的缺点,更多的行动数据不能出现在一个窗口;否则,动作类型标签的标签将分歧时训练数据集。

3.3。特征提取和选择

过滤和windows添加到收集数据后,发现即使是同一个人做同样的动作,形成的窗口数据并不完全相同,所以有必要进行特征提取窗口内的数据形式的定量信息,可用于比较的可变性之间信号窗口。目前,一般有两种类型的基于时域序列数据特征提取的方法,一个是统计,另一个是结构化的。统计方法,如傅里叶变换和小波变换,利用定量信息的数据窗口的特性;相反,结构化方法重点考虑窗口内的数据之间的联系。因此,选择哪一个选择取决于实际需要,即。,信号的类型。信号从加速计,波动和振动很大,所以很难执行动作识别直接根据原始数据。现有研究人类行为识别基于加速度传感器通常使用统计特征提取方法,这些方法主要考虑窗口信号的时域和频域特性。其中,时域特性主要包括均值,标准差,四分位数不同,平均绝对偏差(疯狂),相关系数在不同的轴,波的山峰,和波槽,其算法是不那么复杂和容易实现在可穿戴设备;频域分析方法首先使用快速傅里叶变换从时域变换到频域,和频域特性主要包括FFT系数,频域熵,能量谱密度,能量。FFT系数计算是复杂的和不适合可穿戴设备。 Different swings present different amplitude characteristics and change patterns in the time domain, so this paper mainly adopts the time domain analysis method to calculate the characteristic values of motion data. Twenty-two characteristic quantities are extracted from the acceleration data in , ,和方向,包括均值、方差、最大、最小值,峰值,和槽在三个方向的加速度值,两个加速度之间的相关系数三个方向的等效运动能量,时期。

为了消除方向因素,相当于运动能量是通过合成的加速度 - - - - - -, - - - - - -,和 - - - - - -轴,计算如下: 在哪里 , ,和加速度的数据吗 - - - - - -, - - - - - -,和 - - - - - -轴,相当于运动能量。等效运动能量的平均值的趋势数据集的数量,衡量运动类的整体强度。公式如下:

运动时期特征之间的平均时间间隔两个相邻波动。一般来说,获得的周期是基于信号波形,和更多的常规波形,如正弦波和余弦波,这段时间可以通过简单地计算两个相邻波峰或波谷之间的平均时间间隔。虽然运动波形周期,很难直接找到所有的波峰和波谷的波形符合周期性变化,因此本文进一步介绍了信号处理technique-autocorrelation分析方法。理论上,长度模板应该大于一个完整的摇摆。对于一般考虑,长度可以采取样品的总长度1/4倍。从1日,2日,3日,… 的数据样本,我们构造子样品数据长度相同的模板和模板进行自相关。当一段波形类似于模板示例波形,“共振”类似于声学将发生,和操作的结果将产生一个局部最大值,因为样本是一个周期性的波形,该模板将产生“共振”每一个运动周期中逆向操作。因此,也由此产生的自相关序列周期,周期等于预期的运动。自相关操作的方程如下: 运动代表着实际的信号值时刻在哪里在样本;代表的信号值在自相关模板函数;表示模板的长度。为了获得峰值更强劲和消除干扰的subpeaks周期解,样本中的数据应该看低规范化:之前每个自相关分析,样本中的数据与样本均值差的一个因素 ,和数据比意味着保存,设置和数据小于均值为零。的公式如下:

以2000年正手攻击为例,比较等效的波形运动能量等效的波形运动能量后deaveraging(如图5)。

4所示。行为分类的结果和讨论

特征提取时,有一些特性构造的特性集,可能是无关紧要的甚至是无关紧要的。这些组件冗余特性,也可以称为噪音,他们的存在不仅没有改善动作分类算法的性能也降低了识别精度。因此,特征选择在模型训练之前常常也是必要的。根据序列的特征选择和训练分类器,特征选择方法大致可分为三类:过滤、包装和嵌入。过滤方法首先选择特征训练分类器,分类器的性能并不是认为是特征选择过程中,这两个是独立的;包装器方法直接将最终的分类器的性能作为特征子集的评价标准,提高算法通过训练分类器的性能几次,有大量的计算开销,而嵌入式方法集成特征选择和分类器训练到相同的优化过程。嵌入式方法集成特征选择和分类器训练到相同的优化过程,使算法健壮的噪声,因此可以解决前两个问题的方法。有各种各样的乒乓球波动,只有四个研究摘要:(a)正手攻击,(b)反手推,(c)正手摩擦和(d)反手擦。四运动的加速度数据在一段时间内,如图所示6,横轴表示时间(s),纵轴代表加速度大小(g)。

Crossvalidation和评估方法基于统计方法通常用于人类行为识别的研究来评估分类算法的性能。特定算法的分类效果可以提出一个模糊矩阵的形式,它揭示了程度不同的行动可能会相互混淆。如果有种行为分类,然后混淆矩阵是一个表。以最常见的二元分类问题为例,混淆矩阵表所示。在表中,TP是正确的积极的,这意味着样本的数量预测积极类作为正类,即。正确的预测;FN假阴性,这意味着预测正类负类样本的数量,即。错误的预测;FP是假阳性,这意味着预测负类作为正类样本的数量,即。错误的预测;TN是真实的负面,这意味着样本预测的数量-类-类,即。,正确的预测。基于加速度传感器数据,本文设计一个集成学习乒乓球swing行动强分类器识别。整个设计过程的集成学习,很容易发现,集成学习具有以下特点:第一,这个过程是繁琐的,并且每个subclassifier需要设计在构建集成之前学习分类器;第二,集成学习方法需要特征提取和选择基于人类的经验,和特征提取的优点和缺点往往需要大量的实验验证在实际应用;第三,集成学习的分类器之间的联系。 The performance of the classifiers cannot be absolutely guaranteed because of the relatively weak association between the classifiers. The time width of the sliding window in this experiment is set to 4 seconds, and the sampling frequency of the device is 200 Hz, so each sample consists of 800 sampling points, i.e., the值是800。每一个操作是一个示例 矩阵。在所有获得的数据样本,其中80%由随机方法作为训练样本,共计4000为四种类型的行为(1000),剩下的20%作为测试样本,共计1000为四种类型的行为(250)。与集成学习四个波动的标签设置为1,2,3,4,训练数据标签使用离散的一个炎热的编码,这是适合crossentropy的形式定义的误差函数,和这个定义方法使标签之间的距离更加合理。计算损失,更有利于解决参数。solo-heat编码方法四个波动如图7在下面。

对于乒乓球swing识别任务,输入数据是三维加速度数据的某些序列长度。本章的目的是形成一个乒乓球swing识别网络通过不断训练相同样本长度的三轴加速度数据,最后,给出一个序列长度的三维加速度数据作为输入,设计网络可以预测是否属于某个摇摆动作和响应的信心。为了实现这一目标,被认为是序列长度 。序列卷积的概念要求网络有一个感性的大小 ,也就是说,网络的输出序列的每个元素的推断结果输入序列的长度 。TCN的因果和零卷积设计模型为这个观点提供了一种可能性,在因果卷积序列感知的基础上,和零知觉可以完成的任务感知输入大序列长度。

另外,剩余的设计卷积阻止时间序列网络性能退化和保证网络训练的结果。在实验中,首先确定激活函数,和乙状结肠,双曲正切,和陆函数作为激活函数,和目标函数的收敛图所示8。通过比较实验结果,我们发现目标函数收敛于乙状结肠时约0.40函数作为激活函数,使用双曲正切函数时约0.32,0.23的时候陆函数作为激活函数。可以看出,对于动作识别任务,陆再保险的收敛函数作为激活函数更好。因为网络模型的初始化值会影响网络的性能,例如,网络的学习速率模型会影响目标函数的收敛速度,是否能收敛到最小值。当学习速率太小,目标函数的收敛性将是缓慢的,使网络训练太低效和消耗太多的资源;当学习速率设置太大,它将导致目标函数无法收敛到一组阈值,但振荡。推球是最低的。在整体分类性能方面,集成分类器的识别准确率平均达到91%,这是最好的性能高于其他三个分类模型。

5。结论

本文使用一个加速度传感器作为一个乒乓球运动记录装置阀瓣和探讨了四种常见的摇摆运动的三轴加速度数据。人体动作识别领域受益于传感器技术的兴起和发展,虽然应用方法都占主导地位,仍有很多的传感器空间方法。与应用方法相比,基于传感器方法更灵活,具有良好的识别性能的日常运动如散步,跑步,和步行上下楼梯。因此,本文应用传感器日常乒乓球运动和人类行为识别方法设计为四种类型的分类行为识别模型在乒乓球正手攻击,反手推,正手摩擦,反手擦。在这篇文章中,加速度传感器作为乒乓球摇摆采集设备,和四种常见的三轴加速度数据波动。传统的机器学习算法(决策树,随机森林,和支持向量机)应用于摇摆动作分类,基于集成概念和分类算法设计。集成学习算法能有效区分四个波动,和实验结果表明,本文设计的集成学习算法优于传统的机器学习算法和达到平均识别精度为91%。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项工作是支持的湖南第一师范大学物理教育。