文摘
可穿戴传感器监测系统构建一个跳远起飞识别网络模型基于不同的数字特征提取方法(一维数字特征提取方法,二维数字特征提取方法、特征提取方法结合一维数字化和递归)。进行了实验验证和分析样本数据处理,和识别的影响,利弊的四个方法。首先,运动传感器行为收集基于Android系统的软件设计,并指定集合时间和频率在同一时间。此外,对于多传感器行为识别的问题,提出了一个有效的结果融合方法。在多传感器行为识别系统,构建一个并行处理架构有利于改善行为识别的速度。维持或增加行为识别的速度,结果融合方法起着至关重要的作用。最后,本文分析了多任务的过程行为识别和结构剩余模型,该模型可以有效地整合多任务结果,充分挖掘数据信息。实验结果表明,对于锻炼量的监测,我们使用步数统计数据中提取特征值可以区分活动类型基于人类运动的特点。本文提出了自主学习的方法找到最优样本训练集样本,避免过度拟合问题的发生。识别的11种跳远起飞,平均准确率达到98.7%。 The average replacement method is used to count the number of steps, which provides a data reference for the user’s daily exercise volume.
1。介绍
微电子和传感器技术的不断进步和深入学习理论的不断发展,跳远起飞识别基于可穿戴设备已成为一个新兴的研究方向。本研究可以更好地反映人类运动的本质,而计算机视觉。跳远起跳识别而言,跳远起飞识别基于可穿戴设备不是由特定的场景和时间限制,低能耗和低成本,更适合推广(1]。跳远起飞是一种表达方式,人们通过感知周围环境的反应。从macroperspective,它包括头部的姿势和运动过程,四肢和躯干。作为模式识别而言,跳远起飞识别指的是分析和识别行为模式和行为类型的观察到的人,和使用自然语言来描述他们(2- - - - - -4]。近年来,人类行为识别基于可穿戴设备取得了很大的进展,但仍然面临许多需要解决的紧迫问题,比如如何提取特征描述能力强和如何设计一个端到端的跳远起飞分析系统。行为识别技术应用到体育竞赛可以帮助运动员分析角度,速度,等等,以便更好地理解自己的运动特点和提高专业运动员的专业技能(5]。通过收集运动员参与竞争的行为数据,做postmatch分析和指导,并找出自己的不足,这将有助于提高游戏的性能,为全国体育产业(6- - - - - -8]。
此外,可穿戴运动识别已收到广泛关注等一系列领域的研究者的游戏控制、视频监控、室内定位和导航、虚拟现实,疲劳驾驶检测、运动跟踪、个人特征识别,和城市化的计算。在实际应用程序中,因为目标视频信息的采集需要的支持视频捕捉设备,这类设备通常有一个固定的位置,功耗高,和大的尺寸。因此,这种方法适用于固定的场景。行为识别更合适,不适合长期、连续起飞跳远记录(9- - - - - -11]。Marcu [12)提出了一个当地稀疏分类方法和分布式稀疏的行为识别方法。13000选择训练样本数据,在最好的情况下识别率达到93%。高潮(13)结合稀疏表达和压缩传感理论和作为能源效率的一个重要措施。1300年行动序列作为训练样本,选择和个人独立的验证方法也使用。使用随机投影方法压缩数据,识别率可以达到89%时数据不会被压缩。当数据压缩比为0.1,利用伯努利和高斯随机矩阵压缩数据,识别率可以达到85%以上。你们(14结合特征提取和识别算法的改进。首先,GA算法提取的特征数据,然后RVM算法用于识别行为。最终的识别率可以达到99%。它的识别率高于其他两种算法。然而,它使用的验证方法是三倍crossvalidation,它不是一个独立的验证方法。此外,它使用的数据量明显大于前两篇文章。随着研究的发展,能源消费是考虑作为研究重点。Koldenhoven [1519]使用传感器来延长整个网络的工作时间通过动态调整传感器的工作条件。锅(16)集中在特征提取和选择、定制一系列的物理特征,结合传统特色形成的数据集,并提取特征通过ReliefoF,证监会,SFS算法,结果表明,所定义的行为识别特性有显著的影响。同时,介绍了多层识别结构和交叉方法用于验证。当多层识别结构是用来区分9种日常行为,可以获得93%的识别率。同时,自定义功能,特殊的物理意义是用于验证的有效性提出功能通过使用各种分类算法在公共数据挖掘工具(17- - - - - -19]。
针对时频域特性问题,基于传感器的行为识别的功能主要是利用数字信号处理,提出了一种相关特性。在多传感器系统中,根据跳远起飞的特点,有不同的位置传感器节点的数据之间的相关性。相关特性是不同位置传感器信息的结合,可以更好地反映人体运动的特点。这个特性可以有效地挖掘现有数据中的潜在信息,提高识别率的行为。基于传感器的行为识别的研究主要解决系统能耗的问题从两个方面20.- - - - - -22]。首先,通过提高系统识别体系结构,减少了能源消耗在整个行为识别过程中,和在商业应用方面,提高信息传输的方法来满足低功耗的需求。其次,我们通过数据降维减少传输的数据量来达到节能的目的,包括数据压缩和特征提取。在理论研究的基础上,一个跳远起飞监控系统基于可穿戴设备设计和实现,本文提出的方法是实时验证。系统首先收集活动数据的实验者在日常环境和上传数据到云平台,然后后端服务器分析数据,识别人类的动作,警报当人体一个跳远的事件。平台是实时,准确地意识到人类行为的监控。最后,本文选择两个公共传感器行为识别的数据库进行大量的仿真实验验证。大量的实验结果表明,本文的方法可以有效地提高行为识别的性能(23- - - - - -25]。
2。建设一个可穿戴传感器监测模型基于数字技术的跳远起飞
2.1。水平分布的数字技术
数字技术将原始数据转换一层一层地意识到原始数据的数据空间的转换到新的特征空间,从而自动学习的层次特征数据。可以使用这些特性表示完成任务,如分类、回归和可视化功能。与浅学习相比,深度学习能学到更多抽象概念和适应更复杂的功能。此外,深度学习可以使用更少的参数来构建复杂的模型。例如,可以简明地表达了一个函数 - - - - - -层结构,而一个指数参数的数量需要表达的功能 - - - - - -1层结构。图1数字技术的层次拓扑结构。
服务质量(QOS)问题被认为是基于可穿戴传感器行为识别的研究主要包括识别率、能源消耗和识别率。识别率很大程度上取决于所使用的行为识别方法和提取的特征。能源消耗主要是考虑数据压缩和节能方面的架构。识别率取决于采用的识别算法,数据规模,和处理模型。并行处理策略是一种有效的方法来解决识别率。通用公共数据库是一个先决条件建立一个统一的评价标准。
通常,传感器节点包括四个不同的单位:传感器、处理器、无线通信和能源供应。主要类型的传感器用于跳远起飞识别基于可穿戴传感包括加速度计、陀螺仪、磁力计、压力传感器和心跳检测传感器。下层单元的输出作为输入使用更高的层单元和数据特征描述等级通过多个转换阶段获取的数据基本表示。
其实质是获取体育活动所产生的运动信号通过身体传感器网络(BSN)由多个传感器节点绑定或戴在身体,和传输信号通过访问点的背景,然后后端中心预处理数据,提取特征,并选择他们。最后,分类和识别行为基于所选择的特性。的过程中考虑到实际情况,构建一个基于可穿戴传感器行为识别系统,大量复杂的计算不能放置在传感器节点计算,和大量的数据不能被缓存的同时。
假设原始样本集的大小 ,然后训练样本集的大小由抽样也替换 。这种抽样方法允许重复样本在训练样本集的形成。抽样样本替换时,样本取样完成后,某些样本的概率是不选择 。当趋于无穷时,这个概率的值约为0.368;所以,每37%的二次抽样的样本不选择。特征子空间的想法主要是应用于决策树的节点部门。随机森林,当把每个决策树的节点,也是必要的选择最优分割点,和选择的集合分裂点是随机生成的。
的基本原则是对采样序列进行排序从小型到大型数字序列或数字图像,然后使用每个点值的中点附近取代某一点的值,这附近的值更接近的真正价值,消除孤立噪声点。深度学习可以表达更复杂的函数用更少的参数,具有较好的泛化能力,适用于处理更复杂的任务。深度学习,以其强大的功能函数表征能力和建模能力,也缓解了泛化能力不足和维数灾难问题,传统的肤浅的机器学习算法。
2.2。跳远起跳动作的分解
跳远起跳识别系统是一个基于输入信息系统分类和歧视。从系统输入和输出模型的角度来看,系统的输入是一个或多个类型的传感器数据有关跳远起飞。采样得到的数据通常是一个时间序列在一定频率;系统的输出是现在或过去的一段时间。DSAD数据库有一个较大的数据规模比病房数据库。采样频率是25赫兹,它包含19 8志愿者的日常行为(4男性,女性,年龄在20到30岁之间)。每个志愿者收集每个动作5分钟。使用5 s作为归一化采样时间,数据在每个采样周期分为60行动序列,序列和总行动 。DSAD数据集收购Xsens使用惯性动作捕捉设备。多个动作捕捉系统(简称MTx)通过一个或多个Xbus串联连接。MTx对应于传感器节点,提供公正的3 d定位和运动学数据。一样的病房数据库是数据集也通过五个传感器节点固定在身体上。图2是一个爆炸跳远起跳动作的原理图。行为动作可以表示为数据通过传感器节点与身体。传感器数据的一个子集表示行为动作,然后传感器节点数据构成一个操作空间。
最初的陀螺仪和加速度计数据窗口的重叠数据向量的数量。别名维传感器向量后,进行傅里叶变换得到频域表示,然后DCNN直接在频域数据进行监督学习培训。培训后,DCNN实际上构成特征提取器适合可穿戴设备数据。为后续测试,只有6-dimensional传感器向量需要有窗的如上所述。傅里叶变换确定的变换可以提取DCNN和执行行为识别的特征。深度信念网(DBN)是一个生成模型,可以学习传感器数据的多层数据压缩表示,可以学习张不带标签的高维数据。盒子里的图表,如果盒子代表一个活动超过了阈值,这意味着人体的跳远。否则,活动是一种日常行为活动。限制过滤方法确定最大允许2个样品之间的差异(假定为阈值)基于历史数据的特点和经验。如果当前采样值之间的差异和之前的采样值大于阈值,该值被认为是噪音,最后采样值是用来代替当前的采样值。 If the difference between the current sampled value and the last sampled value is less than the threshold, the current sampled value is valid data. This filtering method is very effective for impulse interference caused by accidental factors, but it cannot suppress periodic noise and has poor smoothness. For example, the advantage of using this method is that we can learn features from unlabeled sensor data, learn all invariants for irrelevant changes, and use nonlinear dimensionality reduction for high-dimensional sensor data.
2.3。可穿戴传感器数据收集
大数据技术的发展和深入学习,深度学习可以从大量的训练数据抽象的层次特征。这种特性学习方法直接依赖于数据,可以从原始数据中提取最有价值的特性最好的成本。与感知器相比,数字网络与添加隐藏层可以构建更复杂的数学模型和转换数据更灵活地获取更丰富的表达能力。针对当地高度的竞争引起的并发请求数据传输到多个节点,预约调度算法的目的是合理配置的数据传输时间传输路径上的每个节点的竞争。网络更新通过反向传播算法网络参数,和剩余价值从输出层一层一层地转移到输入层,和错误的敏感性(剩余价值)在每个神经元计算,以获得成本目标函数相对于每一个重量。(网络参数的梯度)实现网络参数的更新。然而,数字网络层数的增加也带来了一些新的问题。非凸目标损失函数的解决方案是容易陷入局部最优,和全球最佳无法通过反向传播算法。同时,梯度扩散期间可能出现反向传播的剩余价值。数字网络有更多的层,剩余价值将继续减少反向传播层数量的增加,导致网络输入层。 The parameters cannot be effectively trained. Figure3是传感器数据的比例的分布特性。
数据降维主要有两种方法:特征提取和数据压缩。在机器学习和模式识别的实际应用,有大量的原始特性,获得无关紧要/冗余特性和依赖之间的特性,是不可避免的,导致特性分析、模型训练时间太长,维灾害。功能问题也将复杂系统模型和减少促进系统的能力。一方面,特征提取可以删除无关的特性和冗余功能,减少功能,提高模型精度,减少对模型计算所需的时间。其中,编码器的输入传感器数据通过转换到隐藏层,然后解码器重塑输出到输入值减少错误率。该方法可以对信号干扰显著的过滤效果由偶然因素引起的。收集到的信号必须改变相对缓慢,温度和液位等不适合信号快速变化。深autoencoder是一种无监督学习算法的特性。目的是找到之间的关联特性,提取低维特征,然后用误差反向传播算法来重构传感器样本数据。稀疏表示模型捕获数据的结构,并确定不同的输入向量之间的相关性。 In recent years, some scholars have proposed the use of sparse coding methods to learn the characteristics of sensor data for long jump take-off recognition. These methods use mobile phones and wearable devices to provide a feature dimension reduction strategy for the long jump take-off recognition system to reduce computational complexity and time.
2.4。监视模型因子替代
肤浅的监测模型的学习算法通常包含一个或两层的非线性转换和执行有限的简单问题。然而,浅层学习表示和建模能力不足的缺陷,不能有效地处理在面对复杂的应用场景,比如语音处理和视觉图像。通过添加网络层,网络可以获得较强的建模能力和特征表征能力。然而,数字网络模型与太多的网络层在训练和有困难等问题容易过度拟合。通过寻找一组基向量,在子空间形成的基向量,同一个类的样本有最小的组内差异,而不同类别的样本的最大组内的散度。PCA主要计算正交基向量的数量达到原来的空间重建,所以新的空间和原始空间方法之间的误差最小;所以,获得最优的子空间只是线性重建误差最小的前提下。
图4剩余价值是残余向量的传感器。网络模型采用一个新的《盗梦空间》架构,有效地减少了网络参数的数量,同时提高网络性能。与此同时,网络的层数增加到22。根据剩余的概念网络,跳实现网络之间的联系。传统算法和数字神经网络的结合也是当前研究的重点。例如,递归数字网络和数字网络可以用来生成图像总结。例如,病房数据集识别行为与行为类别7号,和结果表明,残差的行为类别对应任务1 - 5相对较小。
3所示。结果和分析
3.1。数字数据预处理
在本文中,我们将加速度传感器的采样频率设置为62赫兹。考虑到行为识别和状态监测系统的灵活性,我们选择一个Android手机的转运站原始数据。总共有5列数据:第一列代表测试人员的数量,第一列。它代表了行为类别由测试人员数量,第四和第五列代表传感器数据的开始和结束行相应行为的行动,比如第一行代表第一个测试人员进行的第一个实验,和行动的第五类型对应于第250到第1232行数据样本文件。这些声音不仅是不利的特征提取,但也有一个伟大的对识别精度的影响。在数据预处理阶段,我们必须首先过滤器原始信号消除一些干扰噪声。通常,我们可以通过设计数字滤波器过滤掉噪音或模拟滤波器。然而,使用数字滤波不需要使用的硬件设备,稳定可靠。高性能:我们使用数字滤波方法。
图5显示了传感器数据的时域特性偏差。的时域特征数据也成为统计特征,计算的概率统计的方法。均值、均方根来反映数据的集中趋势,标准差、方差,四分位间距,和峰度用来反映波动或分散的数据,和偏态反映了数据的对称度。读取数据的无线通信单元,接收FIFO的NRF24L01通过SPI通信模块主要是阅读。为了确保及时接收到数据,使用中断来触发单片机的无线通信模块接收数据。可以看出,腿传感器节点的位置一直向上调整相对于病房数据集,以避免歧视贫穷的问题上半身的动作。此外,传感器节点的DSAD数据集包含丰富的传感器信息(每个传感器节点嵌入三轴加速度计,三轴陀螺仪,三轴磁强计)。因此,5一次传感器节点获取 ,5代表5传感器节点,前3个代表三种不同的传感器类型的每个传感器节点,和第二个3代表每个传感器的三个采样值类型。每个操作序列的采样时间是5 s;也就是说,一个动作是一个序列 。
3.2。可穿戴传感器监测模拟
给定medfilt在Matlab函数可以实现该算法。函数的默认的邻域窗口大小是3,本文设置为5,可以适当信号平滑。然后,我们随机选择一块实验和分析实验数据的传感器数据过滤前后的变化。中值滤波后,删除信号峰值的影响,使得信号的周期性特征更加明显。为了消除干扰引起的收集过程无关紧要的行为,本文将使用中值滤波算法来过滤最初的三轴加速度传感器采集的数据,消除噪声的干扰。模型的采样模块是用来过滤和样本的历史订单信息和当前状态信息云计算服务平台系统中的数据库生成基本的历史订单数据。当样本集划分,必须有一个固定的标准来衡量样本集的质量。对于一个属性,如果它的属性值是连续的,我们通常选择两个相邻值的平均值作为分割点。假设一个特定的属性在样本集m连续属性值,属性值按升序排序生成属性值的有序序列。常用的数字滤波方法包括算术平均滤波、加权算术平均滤波、移动平均滤波、中值滤波和惯性滤波。本文中使用的数字滤波方法是中值滤波。
图6是传感器数据的过滤识别权重系数。数据行,分别代表了识别能力每个行为从传感器1到5的数据在两个不同的数据库。可以清楚地看到,不同的传感器有不同的区分能力同样的行为,和相同的传感器有不同的区分为不同的行为能力。因此,本文增加了每个任务的残差权重系数,突出每个任务的重要性。许多研究人员倾向于使用经验值来替换每个剩余的权重系数,并通过反复实验,选择适当的值,但是这种方法有一定的局限性,容易过度拟合经验值,和可扩展性很差。
图7是一种可穿戴传感器监测单元。在本文中,我们只提取信号的振幅。在前面的小节中,我们提到,分段数据的长度是64,和FFT的结果是对称的。由于FFT变换数据有多个低频分量,我们遵循振幅排序后的低频分量的大小值,只有 - - - - - -先进的空间数据。确定的主要依据低频分量的能量的比例是第一吗维度的总能量信号。这篇文章是第一的能量的比值 - - - - - -维低频组件的总能量的FFT变换后的数据段。从图可以看出,第一个16-dimensional低频分量的能量已经达到超过90%的总能量;所以,当我们在频域中提取功能,我们只提取第一个16-dimensional低频分量的振幅。
3.3。实验结果分析
人体运动时,运动转换振幅对应于不同的活动是不同的。人体运动状态的识别需要一个强大的实时性能。提取特征点时,实时的需求是非常重要的。因此,本章将合成加速度的极值点,也就是说,峰谷值作为研究对象。在实际的数据处理过程中,当收到新的采样值,它是相对于之前的采样值。如果波形变化,然后点是极端点。由于传感器收集的数据移动设备是连续时间部分,特征提取和分类不能直接执行;所以,长时间序列数据必须分段。本章使用一个固定的滑动窗口部分数据,在时间窗口大小设置为2.56秒;也就是说, ,相邻窗口覆盖50%,每个窗口包含128个采样点,和加速度传感器包含在三个方向: - - - - - -轴, - - - - - -轴, - - - - - -轴。实验使用一个完整的数据集包括跳远和日常行为活动。这些数据集是由跳远起飞使用自主研发的嵌入式设备收集的数据。数据分析的数据可以很容易地复制。数据集包含19个类型的日常行为活动和15种跳远活动。
自数字网络是一个连续的值在输出层节点的输出值大于或等于0.5,我们将它设置为1,输出小于0.5时,我们将其设置为0;所以,会有未定义的输出结果。这部分是部分我们不能正确地构建的数字网络分类器进行分类。我们将这部分定义为未知。图8显示传感器网络编码分类的准确性。最后,数字网络与隐层中的11个节点分类器识别率超过90%走路,楼上的,静止的,超过80%的识别率下降。跳和跑步的识别率在75%左右。在原始传感器数据去噪和数据分割,需要标记数据样本。对跳远起跳识别研究在本文中,对样本进行样本标签。在一个炎热的编码也称为比特有效编码。要使用的方法 - - - - - -状态寄存器进行编码州。每个国家都有自己的独立注册,并在任何时候,只有其中一个是有效的。误差控制算法旨在控制封包造成的损失超过了最大数量的重发。这些包括多个碰撞和包丢失造成的丢包造成的信道错误。对于每一个功能,如果它有可能的值,然后在一个炎热的编码,就越大二进制特征。此外,这些特性是相互排斥的,只有一个被激活。因此,数据变得稀疏。这不仅解决了问题分类器不擅长处理属性数据,但也在扩张过程中发挥作用的特性在一定程度上。
图9显示了传感器网络的层次识别率。无线通信单元包括NRF24L01通信模块,建立一个点对点连接的节点的节点数据传输的无线通信单元。无线通信单元的配置信息是由基站配置单元。为了建立一个无线连接的节点的无线通信单元,它是必要的,以确保基站无线通信单元配置信息对应于一对一的节点无线通信单元配置信息。可以使用采集卡采集的电压信号输入反刍动物检测标记。这是一个实用的采集模块,可以收集跳远起飞探测系统的功耗。它可以样品在高速度和保证采样精度,可以满足功耗反刍动物监测系统的测量。模拟和数字信号可以被识别。不需要配置一个沉思监控系统连接到电脑,这解决了准确测量电压表。可以看出,在实时监控系统中,活动识别的平均召回率是89.97%。 The result of the simulation experiment is slightly lower than that of the simulation experiment. The possible reasons are as follows: during the experiment, the experimenter has shorter exercise time, the number of experiments is less, and the wearable device collides with the outside world or is not firmly worn. In addition, the data collected in this experiment is still quite different from the actual data of human daily behaviors.
4所示。结论
考虑可穿戴传感器数据的复杂性和监控程序的灵活性,本文收集跳远起飞数据通过加速度传感器、高度传感器和心率传感器和手腕上的传感器的地方。因为加速度传感器的采样频率高,有许多随机噪音,我们使用移动平均方法来平滑加速度信号,使用50%重叠的滑动窗口段加速度信号序列,并提取均值,方差,前面的分段信号段。16-dimensional信号分量的振幅和提取的数据特性和高度传感器数据形成一个19-dimensional特征向量建立一个跳远起飞特征向量样本集,这对后续的行为识别奠定了基础。当网络中丢包的主要因素是超过的最大值,适应变化的最大值。同时,一个端到端的跳远起飞识别系统构建了基于递归数字网络,通过四种不同的简单递归数字网络,长期短期记忆网络(LSTM),双向长期短期记忆网络(BLSTM)和封闭的复发性单元(格勒乌)。数字网络构造四个不同的跳远起飞识别模型,进行实验验证和预处理分析样本数据,和获得的识别效果,这四种方法的利弊。实验使用特征向量组验证来验证每个分类器的精度和定义了分类器作为一种行为模式。比较后,监测和识别率的起飞行为跳远最后达到90%以上。
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。