困境和解决方案基于惯性传感器的传统的特征提取方法

文摘

正确地识别人类活动是非常重要的在现代生活。几乎所有的特征提取方法是直接基于加速度和角速度。然而,我们发现,一些活动没有加速度和角速度差。因此,我们相信这些活动,任何基于加速度和角速度的特征提取方法很难达到良好的结果。在分析这些区别的差异运动,我们提出几个新特性来提高识别精度。我们比较传统的功能和定制功能。此外,我们检查是否时域特性和频域特性基于加速度和角速度是不同的。结果表明,(1)我们的定制功能显著提高精度的活动没有区别在加速度和角速度;和(2)的结合时域特性和频域特性没有显著提高识别不同的活动。

1。介绍

人类运动的分类基于惯性传感器已被证明有许多重要的应用在医学和卫生领域。在以前的研究中,时域和频域特性被广泛用于计算功能。

有很多研究,利用小波变换提取特征对人类活动进行分类。然而,泼里斯等人的研究。1)表明,时间和频域特性往往超过小波的特性,表明小波的特性可能不是最有效的方法来计算人体运动分类特性。

一些时域特性派生人类活动进行分类,如均值、中位数、方差、偏态、峰态2),和四分位范围(3]。为了提取频域特性,传感器数据窗口是第一个改变使用离散傅里叶变换频域(4]。然后,我们可以从频域提取一些特征来区分不同的活动,如功率谱密度(PSD) (5),峰值频率(5,6),熵(7),直流分量7),中值频率(8),光谱能量(9),而频域熵(10]。当然,还有其他方法处理数据从加速度计和陀螺仪。但总而言之,我们所知,这些特性是直接从提取加速度和角速度,这不可避免地有一些共同的缺点。

我们研究了12种活动,发现它容易混淆的电梯,电梯下来。这两种活动没有明显的加速度和角速度的差异,所以时间和频域特性,基于加速度和角速度不能达到良好的分类效果。因此,对于那些没有显著差异的运动角速度和加速度,无论多么的特性提取加速度和角速度,很难达到良好的结果。

此外,我们开始怀疑有本质区别时域特性和频域特性基于加速度和角速度。为了解决这个败坏,我们分别测试时域特性和频域特性的影响。然后,我们测试了两种特性的组合,发现时域特性和频域特性的结合只是略高于时域特性。从实验结果分析,我们认为,对于人类活动分类问题,时域特性和频域特性两个方面相同的规则,并没有本质区别。

我们在本文的贡献是双重的:(1)我们所知,这是第一次,运动特性分类提出了基于速度和位移,解决一些问题无法解决传统时间和频域特性;(2)据我们所知,这是第一次,我们研究了时域特性和频域特性的区别。

2。方法

事实上,基于加速度和角速度的时域和频域特性取得了一些成功。然而,对于活动没有明显的加速度和角速度的区别,如电梯,电梯下来,提取特征的传统方法基于加速度和角速度是困难的工作。为了解决这个问题,我们仔细分析电梯,电梯的两个活动,总结它们之间的差别,并提出一些新功能区分此类活动。经过分析,我们总结以下规则:(我)电梯上升时,速度是向上的;当电梯下降时,速度是下降的。(2)当电梯就开始或停止移动,移动速度很小,其角速度很大。(3)当电梯就开始上升或下降,速度的方向与加速度的方向相同;当电梯停止上升或下降,速度的方向相反的方向的加速度。

基于上述证据,我们提出四个特性来区分这些活动在每个轴上的加速度计。首先,根据第一条规则,我们将介绍三个特性,即起始速度,结束的速度和位移。其次,根据第二个和第三个规则,我们引入第四功能。像一些活动刚刚开始,就要停止,他们的速度很小,很难区分。因此,我们提取的另一个特点加强两个活动之间的区别。当速度方向是一样的加速度方向,我们使用功能;否则,我们使用作为功能。为了描述的运动人体尽可能在不同的方向,我们引入了以下十二个新特性来提高不同的活动之间的区别。这些特性在表中做了总结1。

我们选择的是假设的时间窗口T采样频率n,然后样品的总数是Tn。在实验中,我们选择的时间窗口是2秒。位移、时间和加速度对应我th抽样间隔x(我),t(我),一个(我)。采样点对应速度 。数据部分的一个时间窗口如图1。重力加速度是 。由于采样频率高,每个采样点之间的时间间隔很短。同时,为了简化计算,我们相信每个采样点之间有统一的直线运动。现在,我们得到的速度和位移公式。

我们认为这些采样点也同样当分布式,我们有以下的结论。

首先,我们得到每个轴的终端速度的公式。根据运动学公式,我们可以得到以下公式和简化它结合方程(1)。

接下来,我们介绍的起始速度的决心。如果这个窗口是第一个窗口,我们默认的起始速度为零。否则,起动速度的最终速度标记为前面的窗口 :

至于每个轴的位移,因为我们认为每个采样点之间有统一的直线运动,位移公式可以推导出如下。

在实验中,为了计算表中定义的最后三个特性1,速度加加速度沿X,速度加加速度沿Y,和速度以及加速度沿Z,结束我们的速度速度两秒的时间窗口,和加速度之间的区别两秒的时间窗口的平均加速度和重力加速度在每个轴。通过这种方式,我们可以计算出最后的三个特性,表达式所示(6),速度加加速度沿∗代表最后三个特性。

最后,我们介绍重力加速度的计算方法用于实验。由于测试人员只是穿着数据采集设备,通常处于停滞状态和初始速度为零,这是用于我们的实验。因此,为了方便,在实验中,我们相信每个轴的初始加速度是重力加速度和假定的组件组成部分重力加速度在每个轴保持不变。我们平均每个轴的前10个采样点的重力加速度的组件在每个轴,记录 。

3所示。实验和结果

3.1。数据集

为了说明我们的定制功能的有效性,我们选择了南加州大学的USC_HAD验证数据集(11]。他们使用现成的传感平台称为MotionNode捕捉人类活动信号和构建自己的数据集。MotionNode是6自由度惯性测量单元(IMU)专门为人类设计的运动传感应用,集使用硬件加速计,使用硬件陀螺仪。他们选择14个学科(7男;7女)参与数据收集。采样频率为100赫兹。十二种活动收集是向前走的,走了,走吧,走上楼,下楼散步,跑步,跳起来,坐着,站着,睡觉,电梯,电梯下来。

3.2。结果

为了验证我们的定制功能的有效性,我们提取的一些常见的时间和频域特性。在时域中,我们选择了的意思是,中位数,方差,偏态、峰态,和四分位范围作为时域特性。在频域,我们选择峰值频率、中值频率,功率谱密度,直流分量,光谱能量,信息熵作为频域特性。然后,我们添加自定义特性,这些时间和频域特性和比较他们的结果。在实验中,我们采用了两种常用的模型,支持向量机和随机森林。我们使用SVM的核函数是一个多项式核函数。对于射频,我们选择决策树的数量是50。

首先,以检查是否区分电梯的电梯和电梯的下行,我们测试的精度和召回定制功能模型。精度和召回通常用作分类问题的分类器的性能的措施。表2显示模型的精度和召回的识别电梯时添加自定义特性时间和频域特性和时间的组合没有自定义特性和频域特性。表3显示模型的精度和召回的识别电梯时添加自定义功能和定制功能。下面的左列每个模型是精确率,和右列是召回率。从表2和3后,我们可以看到,添加自定义特性,该模型大大提高了识别率的电梯,电梯下来。

同样,我们使用ROC接收机工作特性曲线和相应的AUC (ROC曲线下的面积)值来检查是否电梯的电梯之间的区别,以及电梯的下行。对于支持向量机,我们进行了一项测试。ROC曲线的两种类型的分类结果如图电梯,电梯下来2。

从上面的图中,我们可以看到,在支持向量机中,添加自定义特性后,电梯,电梯的ROC曲线完全覆盖ROC曲线的原始特性。的AUC值没有定制功能的ROC曲线是0.8572,AUC值添加自定义特性的ROC曲线是0.9729。中华民国曲线表明,我们的自定义特性,取得了很好的结果在区分电梯,电梯下来。

为了进一步解释的意义我们自定义特征提取和验证时域特性和频域特性的区别,相比我们的自定义特性的时域特性和频域特性。我们进行了比较实验四个特性在SVM的组合。我们进行了五个实验为每个实验。详细的实验结果总结在表4。表中的准确性的总分类精度12活动。为了方便起见,我们表示的时域特性 ,的频域特性 ,和自定义功能 。

从实验结果中,我们可以看到,个人的频域和时域特征可以达到良好的结果。然而,当结合时域频域特性功能,没有获得显著改善,表明之间没有本质区别特征提取频域和时域特征提取。叠加的两个没有达到更好的结果。时域特性是当结合我们的自定义特性比结合频域特性。综合分析的基础上,我们相信,我们的自定义特性是一个补充传统的时域特性而非冗余功能。

传统的时域特性和频域特性都是基于加速度和角速度但没有本质区别,所以两者的叠加不会带来显著的改善。我们的定制功能是规则的挖掘速度和位移,这是非常不同的传统矿业的加速度和角速度。所以,当这些特性介绍了时域特性,我们可以得到一定的提升。特别是那些运动的角速度和加速度,但没有明显的区别在速度和位移有明显的区别,我们可以实现好的结果与这些定制功能。例如,没有明显的差异在平稳上升运动加速度和角速度的电梯和电梯的平稳下降,但在速度和位移有明显的区别。所以,当介绍我们的自定义功能,我们可以明显提高识别率的两种运动。

我们计算这些特征定义,我们必须知道运动的初始状态,尤其是速度的初始状态。在我们的实验中,我们假设初始状态是零。我们使用的数据库中,大部分数据收集各种测试仪达到稳定状态后的运动姿势,不满足我们的假设。如果我们可以记录数据,当测试人员只是穿惯性传感器,以满足我们的假设,我们相信我们可以实现更好的结果。等其他类型的运动,跑步,散步,和车站,有不同的速度,这将带来更高的识别率。

4所示。讨论

在本文中,我们从电梯,电梯开始下降,这是基于现有的特征提取方法和所用分析这两种类型之间的差异和规则运动。然后,我们提出了四个特征在每个轴上的加速度计显著提高之间的区别这两种类型的运动,电梯,电梯下来。在实验中,我们发现,结合频域和时域特征不显著改善活动的区别。这两种特性是加速度和角速度的两个不同的方面,并没有本质区别。从实验结果,优于频域特性和时域特性可以更充分地反映了不同的活动之间的区别。我们的定制功能不是另一种反应加速,但相反,这些特性可以用来区分不同的运动速度的运动。特别是,它具有重要意义区分运动没有加速度和角速度的显著差异,但在速度有显著差异。

在实验中,为了方便起见,我们假设组件的重力加速度不变,这显然不符合实际情况。接下来,有关人员可以考虑引入运动分析的一些基本理论,以准确计算重力加速度的组件,从而更准确地计算特性介绍。我们相信介绍了速度和位移的特点,我们可以做一个伟大的突破现有的人类运动分类问题,在某种程度上摆脱困境,一些运动不能准确识别特性的加速度和角速度。

数据可用性

USC_HAD数据用于支持本研究的结果包括在文献[11]。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了中国自然科学基金(61571268)。

引用

1. s . j . Preece j . y . Goulermas l . p . j .肯尼·d·霍华德,“比较分类的特征提取方法从加速度计数据的动态活动,“IEEE生物医学工程卷,56号3、871 - 879年,2009页。视图:出版商的网站|谷歌学术搜索
2. j .门敏·g·李,w .公园,和b . j . Yun”对用户活动检测加速度计信号处理,”在计算机科学的课堂讲稿卷,3215年,页610 - 617,施普林格,圣芭芭拉分校,美国,2004年。视图:谷歌学术搜索
3. 毛雷尔,a .罗a Smailagic, d . Siewiorek”位置和活动使用ewatch识别:可穿戴传感器平台”在计算机科学的课堂讲稿施普林格,页86 - 102年,圣芭芭拉分校,美国,1970年。视图:谷歌学术搜索
4. f .矸石,穆罕默德,m . Dedabrishvili f . Chamroukhi l . Oukhellou y Amirat,“物理人类活动识别使用可穿戴传感器,”传感器,15卷,不。12日,第31338 - 31314页,2015年。视图:出版商的网站|谷歌学术搜索
5. b . Nham k Siangliulue, s·杨,从Iphone加速度计数据预测的交通方式机器学习,最终项目,斯坦福大学,斯坦福大学,CA,美国,2008年。
6. d·菲戈,想一想p c .迪尼斯那样不知满足、d·r·费雷拉和j·m·p·卡多佐”从加速度计数据上下文识别预处理技术。”个人和无处不在的计算,14卷,不。7,645 - 662年,2010页。视图:出版商的网站|谷歌学术搜索
7. j .,中断:使用活动转换引发积极的消息、麻省理工学院、剑桥,妈,美国,2004年。
8. s . j . Preece j . y . Goulermas l·p·肯尼·d·霍华德,k .梅耶尔和r·克朗普顿”活动识别使用body-mounted传感器的分类技术,”生理测量,30卷,不。4,R1-R33, 2009页。视图:出版商的网站|谷歌学术搜索
9. t . m . Huynh和b·席勒的影子分析识别功能活动ACM,纽约,纽约,美国,2005年。
10. 凌和s . s . Intille“活动识别从user-annotated加速度数据,”在计算机科学的课堂讲稿,卷3001,页1卷,施普林格,圣芭芭拉分校,美国,2004年。视图:谷歌学术搜索
11. m .张和Sawchuk〇〇”USC-HAD:日常活动数据集使用可穿戴传感器无处不在的活动识别,”学报2012 ACM会议上无处不在的计算,页1036 - 1043,宾夕法尼亚州匹兹堡,美国,2012年9月。视图:谷歌学术搜索

版权

版权©2018彭志强和张曰。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。