日常生活的运动识别行人航迹推算应用程序

文摘

如今,活动识别是一个中心话题在许多应用,如病人和体育活动监测,监测,和导航。通过关注后者,特别是行人航迹推算导航系统、活动识别通常是利用地标在地图上的建筑为了允许导航的校准程序。目前的工作旨在提供一个贡献的定义更为有效的行人运动识别航迹推算的应用程序。信号belt-mounted收购三轴加速度计被认为是运动分割过程的输入,利用连续小波变换检测和段循环运动如散步。此外,分段运动提供了一个监督学习分类器为了区分活动如散步,走到楼下,楼上。特别是,四个家庭测试监督学习分类:决策树、支持向量机,最近的邻居,合奏学习者。最后,考虑分类模型的准确性是评价矩阵和相对混乱。

1。介绍

能够认识到日常活动或特定的运动可能是有用的在许多情况下,如用户移动性识别(1),监测的日常活动2)和应用程序,如病人和体育活动监控(3,4],监测[5),和导航(6]。活动识别(AR)可以由从穿在身上的传感器获得运动数据。如今,微机电系统(MEMS) (7)技术使低成本传感器市场上,让越来越多的移动设备已经提供MEMS传感器。大部分这些设备包括加速度计、陀螺仪和高度计和可用于各种活动识别研究[8]。通过专注于导航解决方案,基于“增大化现实”技术可能发挥重要作用在行人航迹推算(PDR)的应用程序可以使用几个动态人工工作和行动(6]。

PDR技术是导航的一大挑战,因为他们将使导航系统更加依赖少穿在身上的传感器和GPS系统等外部基础设施(9]。

该技术旨在扩展PDR计划只专注于步行运动(10),广义PDR算法能够区分几个日常运动,如图1。特别是,我们专注于运动分割和运动分类块突出显示在图1。在目前的工作,穿在身上传感器提供的加速度信号是通过连续时间窗的秒的持续时间重叠因子的50%;然后,信号划分为部分包括未分类活动的动作。此外,执行监督学习技术的分类分段循环运动如散步,步行上楼,下楼。

运动分割过程利用连续小波变换(CWT) [11)和运动分类块提取代表特点(12- - - - - -14)的运动和适用不同分类器属于以下家庭:决策树(DT)、支持向量机(SVM),最近的邻居(神经网络),合奏学习者(EL) (14,15]。最后,计算分类模型相比,评估预测精度。

录音的AR数据集收集10个科目执行低级活动时携带belt-mounted智能手机三星Galaxy S4如图2。每个主题需要执行四个试验被认为是活动:步行和楼上楼下散步。这项工作的目的是扩展的方法16通过更有效的分割过程,依靠一个新的数据集。

节2并给出了相关的工作和动力。节3拟议的日常运动识别方法。节4运动分割过程考虑与特定的循环运动检测和分割块的关注。节5的特征提取机制彻底分类系统描述和评价。节6我们描述的分类算法和交叉验证过程。节7提出了实现分类器的性能评估;特别是,我们评估的准确性考虑分类矩阵模型和相对混乱。

2。相关工作和动机

当处理PDR系统时,这一步可以被探测到从加速度信号或角速率17)如图1。特别是,当专注于一步检测通过加速度信号分析,通过执行几个步骤可以显示技术根据对身体传感器位置(17,18]。foot-mounted传感器,执行步骤检测可以很容易地通过识别的立场和swing阶段脚对应零速度时间(ZVPs) [18- - - - - -20.]。后一种方法不能应用在处理手持或belt-mounted传感器(18,21),因为这些配置并非导致零速度时间发生;在这些情况下零交点(ZDT)或峰值检测(PDT)可以采用一步检测程序。然而,PDT和ZDT可能导致暴露的多个步骤实际上只有一步发生时(18),导致检测错误,会影响结果PDR导航解决方案。

目前工作的第一部分介绍了一种可能的解决方案来克服一步检测错误的问题。连续小波变换(CWT)分析是利用分段加速度信号奇异点检测算法指运动之间的边界和发生连续循环运动行走。这种方法导致的根本优势使运动检测过程抛弃参考加速度信号的奇异点违规行为,只考虑那些实际上指的是运动边界,独立的连续运动,如图3。分割过程将部分中描述4。小波分析在特定的离散小波变换(DWT)一直在研究文学步态分析(22为运动分类技术[]或特性计算23运动分割的类),而就业是一种新颖的方法。

(所12- - - - - -14),活动识别(AR)通常获得的信号通过时间窗通常几秒钟长为了显示一个特定的活动在一个特定的时间间隔,例如,利用加速度信号特征(24]。这种方法可以采用地标建筑地图上为了校准PDR例程尤其在楼梯或电梯等位置(10]。考虑时间窗的信号信息最有可能并不是指单个运动而是一群运动还可能涉及到不同的活动。此外,我们必须考虑到更广泛的时间窗口使AR系统损失的实时处理能力。信号分割过程能够单独的部分信号指单一循环运动将使AR系统分类个人运动。(所18),活动识别调查识别模式和设备提出了不同的步骤。

第二部分的工作旨在分类循环运动如散步,步行楼上和楼下之前通过CWT-based分割程序分段。特别是,监督学习技术,如DT,支持向量机,NN和EL分类中执行例程。

3所示。建议的方法

目前的研究认为一个AR系统相结合CWT-based信号分割和监督学习技术(志贺样毒素)分类分段运动。CWT操作执行加速度信号的分割成部分指个人运动。此外,志贺样毒素分类分段运动如散步,步行楼上和楼下利用DT等算法,支持向量机,神经网络和EL。该方法考虑的穿在身上加速度传感器获取的信号通过一个时间窗口重叠因子50%秒的持续时间。自信号分割程序旨在检测特定时间事件信号,重叠因素至关重要,以避免丢失检测边界的考虑时间窗。部分7描述如何重叠因素可以影响运动识别系统的性能,尤其是分类算法的准确性。

这贡献旨在加强传统的行人航迹推算(PDR)例程通过广义运动分类器如图1。

当前时间窗口内的加速度信号处理的运动分割块如图4:它的目的是检测和段循环运动类活动利用的操作如图5。然后,分段个人运动作为特征提取的输入提供日常数据所示4和6:这个过程采用提取特征,将他们的分类算法。该方案在图4代表了使用分类系统包括三个主要模块:特征提取、分类和交叉验证和性能评估。为了执行该程序在实际运动的评价,一个活动数据集已经意识到考虑受试者在25 - 65年龄段执行低级的人类活动。我们的工作我们的分类目的考虑的活动如向前走和楼上和楼下散步,更倾向于关键识别分析和常常是错误的。每个实验对象被要求为每个活动执行四个试验在不同的日子。加速度数据被使用硬件加速传感器在100 Hz采样率。加速度计是集成在一个三星智能手机Galaxy S4 belt-mounted如图2。数据收集在一个购物中心。图7显示了小径其次是受试者参与录音和室内场景。

4所示。运动分割

运动分割块过程当前时间窗口内的加速度信号;首先进行低通滤波,以识别信号的直流分量。后者是然后减去从原始信号分离组件由于重力加速度(直流分量)和一个相关的线性加速度(14),如图4。

智能手机的方向是管制的,如图2为了匹配的运动方向在水平面设在加速度计的身体融入到智能手机。通过观察图8(一个)和设在特别是,它是合理的搜索之间的奇点邻一步动作以独立的连续运动和提取的波形是指一个单独的步骤。的设在信号是评估,因为它显示了明显的奇异点在所有轴。图3显示了如何分割过程应该通过选择奇异点的运动边界和丢弃无用的。

信号的离散傅里叶变换(DFT)不提供时间信息信号奇异点的位置发生在考虑时间窗内,虽然它提供了信号的频谱信息(11]。出于这个原因,DFT是通过该方法不适合段运动。

另一方面,连续小波变换(CWT)允许将特定时间的事件,将信号分解在扩张和翻译小波(11]。小波是一种短波形通常命名:和集中的邻居这样 假设是一个真正的小波;相应的实小波变换的函数给药 在哪里表示复杂共轭算子。这个操作符函数的变化的邻居成正比。在我们的示例中,变量代表了时间翻译变量使小波扫描整个时间窗口。另一方面,变量表示允许扩张规模小波为了推出特定事件出现在一个特定的时间内信号波形分析。表达式(2)代表之间的内积函数在我们的例子中是加速度信号和一个特定的小波。内积成正比的结果之间的关联函数和适当扩张小波。由于奇点之间的运动搜索,如图3,预计高相关性值时考虑小波的尺度。通过了解当地李普希茨函数的规律在特定时间依赖于小尺度的衰变的邻居奇点可以评估的局部最大值的值(11]。

下面我们描述如何检测奇异点独立的连续运动设在加速度信号指的是步行活动,如图8(一个)。

首先,选择合适的小波为我们的应用程序:墨西哥帽小波保证CWT模量的最大值位于属于一个极大值线传播向细尺度(11]。这种小波的数学表达式 和相应的波形如图9。后来,我们考虑的规模范围值从1到16(这个刻度范围已经启发式的选择:该算法的良好性能,支持这个选择)。

上面的图的图10代表了线性加速度信号设在在行走活动(图8(一个));中央情节说明了相对加速度信号的变换系数考虑墨西哥帽小波;较低的情节带来的局部最大值(淡蓝色恒星)进行变换和显示了四个极大值线的开始是相对的和他们在细尺度收敛到目标奇点,因此允许识别运动步左和右边界。特别是,通过观察图在图10,第二,极大值线从左边的图代表了奇点发生在上层的人物10在和,分别。通过专注于奇点,包括左和右边界,如图3加速度信号,指个体运动步可以考虑信号中提取包含奇异点的低副之间。最后,分段的线性加速度运动是交付给运动分类块如图4。

5。特征提取

分类的特征提取是一个重要的操作问题和主要决定了分类器的性能。如果分离提取的功能特点是可怜的类属性,目标类不会有效的杰出的代表特征。活动识别上下文的特征提取过程是由很多方法(12- - - - - -14]。在目前的工作,描述图的特征提取的块6接收分段加速度信号是指单个循环运动和分类的分类程序。信号进行以下操作:快速傅里叶变换(FFT)的分段加速度信号在每个轴和提取的频率这对应于FFT大小的最大值,如图6。之后,一个低通滤波过程执行的最大通过equiripple冷杉过滤器。表1列出了滤波器参数。考虑功能的能量特征提取程序的当前和过滤线性加速度信号(24)、当前加速度的均值和方差的当前和过滤后的信号。我们也考虑当前轴加速度之间的相关系数和过滤加速轴之间的相关系数。

最后,我们考虑的大小的最大值FFT运算对当前每个轴的加速度信号。在以下列出的功能进行了总结和。

功能描述

F1, F2, F3:

F4, F5、F6: 具有:低通滤波。

F7, F8, F9:

F10, F11 F12:

F13、F14 F15:

F16:

F17:

F18:

F19:

F20:

F21:

——F22:

F23:

F24:

6。分类算法和交叉验证

节5我们解释了如何提取目标运动特性,以区分它们。在本节中,我们定义一个分类算法,通过建立一个数学模型,该模型能够有效地将功能映射到相应的类。

在目前的工作中,四个家庭的分类算法是:决策树(DT)、支持向量机(SVM),最近的邻居(神经网络),合奏学习者(EL) (2,14,15]。为每个家庭我们选择三个算法与特定之间的权衡计算负载和分类精度,如图11。

的回归,在处理分类时,我们可能遇到的过度拟合负责损失预测模型的潜力。过度拟合可以是一个太复杂的预测模型,也就是说,当我们有太多的特性和相对较少的例子。此外,过度拟合还取决于数据的模型结构形状:模型必须具有泛化能力。

为了避免过度拟合和评价拟合模型的预测精度,我们可以使用交叉验证的方法13]。在这项工作中,验证方案已经选择训练任何会话模型,这样在我们之前所有的模型都使用相同的验证方法相比。特别是10倍验证方案已经通过选择执行十倍的数据分区。之后,我们训练的每一个模型为每个折叠使用折叠之外的所有数据。然后,我们测试了每个模型的性能使用折叠内的数据;最后我们计算的平均测试错误折叠。该方法给出了一个估计,最终模型的预测精度,与所有训练数据。

7所示。性能评估

在这一节中描述的分类算法的结果部分6报告和评估。分类模型的性能评估考虑同一交叉验证方法采用模型为了让一个连贯的比较。监督学习领域为各种分类算法提供了不同的方法,每一种都呈现不同的特征在内存使用方面,拟合速度、预测速度和预测精度(13]。

DT算法产生一个分类树通过训练例子和分离的类通过分裂下树(24]。它允许快速预测,低内存使用量,媒体预测精度。

支持向量机分类模型,试图找到最大化的超平面分离边缘训练数据点之间的任何类。根据支持向量机核函数,可以有效地分离训练数据(13,18:它有一个很好的预测精度但低内存使用情况和预测速度快只有几个支持向量。

的神经网络算法尝试分类新数据基于他们的邻居距离训练集,它设想高内存使用和提供了一个很好的预测精度和预测速度快只有较低的特征空间维度。

最后,EL融合结果从弱学习者构建一个高性能的分类器(13]。三个考虑EL了树木,子空间神经网络和子空间判别,他们与一些学习者等于200。

分类算法的性能评估的误分类率。精度结果相对于考虑监督学习分类例程中描述的部分6如图11。后者说明了四组的酒吧,每一个对应于一个特定的监督学习分类家族:DT算法包括三种不同值的最大分割数字:5(1条),10(2条)和100年(第三条);SVM模型指的是一个线性内核(第四条),二次内核(第五条),和立方内核(第六条);这三个神经网络模型是指不同数量的邻居:100(第七条),10(8条)和1(9条);最后,10,11,12条指的是三种不同的EL模型与200学习者:提高了树,子空间判别和子空间神经网络,分别。SVM模型揭示了最好的精度性能的其他分类器:特别是立方内核的模式是最准确的(第六条图11)。也神经网络模型(7日、8日和9日条形图11)取得了很好的分类精度导致的测试动作。对于每个考虑分类算法的家庭(DT,支持向量机,NN和EL),分类器的混淆矩阵提供了更好的准确性,如表所示2,3,4,5。为了确定提供的混淆矩阵是运动是最容易搞混了。结果楼下运动了,假阴性率最高,它是生产的大多数错误分类错误的动作。这是因为奇点指运动边界设在加速度值记录在楼下散步活动不太清楚关于奇点产生的其他动作。

分类系统的性能也取决于部分中描述的运动分割算法的有效性4。认为分类算法的精度性能依赖于提出CWT-based分割技术一直而产生的准确分割基于零交点检测方法(16,18]。图12表明CWT-based分割导致分类精度方面的改善。特别是,图12说明三组酒吧,每一个对应于一个特定的监督学习分类家族:第一组是指DT,第二组是指支持向量机,第三组是指神经网络。的酒吧包括三个子组每组两条:第一组是指粗精度分类器(C -),也就是说,分裂的最大数量为DT等于5,100年的邻居神经网络和线性内核支持向量机;第二组是指中等精度分类器(M -),也就是说,分裂的最大数量为DT等于10,10个邻国神经网络,支持向量机和二次内核;第三组是指细分类器精度(F -),也就是说,一个分裂的DT,一个邻居神经网络和立方内核支持向量机。CWT指的分类算法依赖于CWT-based分割,而ZDT指的分类算法依赖于零交点检测段加速度信号。

此外,分类算法已经被考虑评估不同的重叠时间窗口的因素:0%,25%,50%。50%的价值提供了最佳的精度性能,如图13。后者显示四组的酒吧,每个指特定介质分类器精度:分裂的最大数量的DT等于10(1日,2日,3日栏),支持向量机的二次内核(第四、第五和第六条),神经网络与10邻国(7日、8日和9日栏),和子空间的整体学习者判别(10日,11日和12日栏)。

8。结论

摘要广义运动为行人分类器提出了航迹推算应用程序。特别是,运动分割和分类例程执行了。第一个允许有效的分段循环运动利用连续小波变换(CWT)操作。第二个进行一个监督学习分类技术为了分类分段运动。

分割过程允许使用短时分析窗口和识别个体运动通过检测信号奇异点的描述运动边界,从而使分类过程分类单一运动和潜在扩展行人航迹推算进一步活动。

分割块接收加速度数据获得的100 Hz采样率的传感器集成waist-mounted三星Galaxy S4智能手机。为了这项工作我们关注活动如向前走,走到楼下,上楼,非常相似,容易识别分析至关重要。分类系统一直被关注的主要特征提取和分类。此外,四个家庭监督学习分类测试,即决策树(DT)、支持向量机(SVM),最近的邻居(神经网络),合奏学习者(EL);为每一个家庭三个分类算法根据计算负荷选择和分类准确性权衡。最后,考虑分类模型的准确性评估,从而表明支持向量机和神经网络显示最佳的精度性能。运动的混淆矩阵评估提供了更有可能搞混了。结果了楼下散步运动,假阴性率最高,它是产生大部分的误分类错误的动作。

相互竞争的利益

作者宣称没有利益冲突。

引用

1. s . l .刘康尼锡,k . David b . Parandian c . Carius-Dussel和m .舒尔茨“支持病人监测与智能手机使用活动识别,”学报》第七届IEEE国际研讨会上无线通信系统(ISWCS 10)英国,页810 - 814,纽约,2010年9月。视图:出版商的网站|谷歌学术搜索
2. s, p . McCullagh、c·纽金特和h .郑”活动监视与分层分类,使用智能手机的加速度计”IEEE国际会议6日在智能环境学报》(即“10)2010年7月,吉隆坡,马来西亚,。视图:出版商的网站|谷歌学术搜索
3. y李和s .曹”活动识别使用层次隐马尔可夫模型与三维加速度计,智能手机”混合人工智能系统:6日国际会议,hai 2011年,波兰弗罗茨瓦夫即将于5月23日至25日,2011年,诉讼,我卷,6678在计算机科学的课堂讲稿施普林格,页460 - 467年,柏林,德国,2011年。视图:出版商的网站|谷歌学术搜索
4. j·马加里托,r . Helaoui a . m·比安奇f .裁缝和a·g·Bonomi”User-independent承认体育活动从一个戴加速度计:一个基于模板匹配的方法,”IEEE生物医学工程,卷63,不。4、788 - 796年,2016页。视图:出版商的网站|谷歌学术搜索
5. k . k .着o . o .哈利法·h·a . m . Ramli和m . a . m . Abushariah“人类活动识别视频监控使用的体式序列”学报发展第三e-Technologies国际会议和网络(ICeND 14),页79 - 82,贝鲁特,黎巴嫩,2014年5月。视图:出版商的网站|谷歌学术搜索
6. k .阿尔金山和b . Barshan行人航迹推算采用同步活动识别线索,”测量科学与技术,23卷,不。2、文章ID 025103, 2012。视图:出版商的网站|谷歌学术搜索
7. n Yazdi, f . Ayazi和k·纳杰菲,“微型机械惯性传感器,”IEEE学报》,卷86,不。8,1640 - 1659年,1998页。视图:出版商的网站|谷歌学术搜索
8. a . El Halabi和h . Artail整合压力和加速度计上的改进活动识别传感智能手机”学报》第三届国际会议在通信和信息技术(ICCIT 13),页121 - 125,贝鲁特,黎巴嫩,2013年6月。视图:出版商的网站|谷歌学术搜索
9. 美国Morosi、e . Del再保险和a·马蒂内利”合作GPS定位对等时间援助,”进行第四次国际会议onWireless通信、车辆技术、信息理论和航空航天和电子系统(个人简历”14),页1 - 5,Aalborg,丹麦,2014年5月。视图:出版商的网站|谷歌学术搜索
10. a . r . Pratama和h·r·Widyawan”分享服务作为室内行人航迹推算定位系统,”国际会议系统工程和技术学报》(ICSET 12)2012年9月,印尼万隆。视图:出版商的网站|谷歌学术搜索
11. s . Mallat信号处理的小波之旅:稀疏的方式爱思唯尔,阿姆斯特丹,荷兰,第3版,2009年版。视图:MathSciNet
12. b . Ayrulu-Erdem和b . Barshan腿运动与人工神经网络分类使用陀螺仪信号的噪声特性,”传感器,11卷,不。2、1721 - 1743年,2011页。视图:出版商的网站|谷歌学术搜索
13. a . Mannini a . m .萨巴蒂,“机器学习分类方法人类体育活动对身体加速计,“传感器,10卷,不。2、1154 - 1175年,2010页。视图:出版商的网站|谷歌学术搜索
14. p·古普塔和t·达拉斯”特征选择和活动识别系统使用一个三轴加速度计,“IEEE生物医学工程,卷61,不。6,1780 - 1786年,2014页。视图:出版商的网站|谷歌学术搜索
15. s . b . Kotsiantis“监督机器学习:分类技术的审查,”在计算机工程Emergining人工智能应用,IOS出版社,2007年。视图:谷歌学术搜索
16. a . Martinelli s Morosi, e . Del Re“运动航迹推算应用程序识别,”学报》国际会议室内定位和室内导航(IPIN 15),2015年。视图:谷歌学术搜索
17. m .苏西诉Renaudin, g . Lachapelle”运动模式识别和步检测算法对于手机用户来说,“传感器,13卷,不。2、1539 - 1562年,2013页。视图:出版商的网站|谷歌学术搜索
18. h·张,w .元,问:沈,t·李和h . Chang,“手持惯性行人导航系统与模式和设备提出了识别准确的一步,”IEEE传感器杂志,15卷,不。3、1421 - 1429年,2015页。视图:出版商的网站|谷歌学术搜索
19. e . Foxlin“行人跟踪shoe-mounted惯性传感器,”IEEE计算机图形学和应用程序,25卷,不。6,38-46,2005页。视图:出版商的网站|谷歌学术搜索
20. 斯库格,p .韩德尔J.-O。尼尔森,j . Rantakokko“零速detection-an算法评估。”IEEE生物医学工程卷,57号11日,第2666 - 2657页,2010年。视图:出版商的网站|谷歌学术搜索
21. d·阿尔瓦雷斯r·c·冈萨雷斯,a·洛佩兹和j·c·阿尔瓦雷斯”比较的步长估计weareable加速度计设备”学报》第28届IEEE工程年度国际会议在医学和生物学协会(磨床06年),页5964 - 5967,纽约,纽约,美国、August-September 2006。视图:出版商的网站|谷歌学术搜索
22. d·汉诉Renaudin m·奥尔蒂斯,“基于智能手机的步态分析室内导航,利用STFT和小波变换”学报》国际会议室内定位和室内导航(IPIN 14)釜山,页157 - 166年,韩国,2014年10月。视图:出版商的网站|谷歌学术搜索
23. e·米切尔·d·莫纳亨,n . e . O ' connor”分类使用智能手机加速计的体育活动,“传感器,13卷,不。4、5317 - 5337年,2013页。视图:出版商的网站|谷歌学术搜索
24. 关系时m .苏西·d·博里奥,g . Lachapelle”加速度计信号的特性和分类算法对于定位应用程序,”研究所的国际技术会议的程序导航(离子ITM 11)、会话A1,页158 - 169,圣地亚哥,加利福尼亚州,美国2011年1月。视图:谷歌学术搜索

版权

版权©2016塞Martinelli et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。