基于惯性传感器数据的人体日常动作识别研究

基于惯性传感器的人体动作识别研究是模式识别领域的一个新的研究方向。利用惯性传感器识别人体日常动作能够实时监测人们的日常活动状况,在医疗监护、虚拟现实和体育活动等领域具有广阔的应用前景。其主要是通过在人体表面安放惯性传感器,对采集到的人体日常动作数据进行去噪等预处理、特征提取、特征选择,最后实现对所提取的人体动作特征进行分类识别。尽管近十年来有关此方面的研究已取得很大发展,但是,由于人体动作的多样性和客观环境的复杂性,基于惯性传感器的人体日常动作研究仍然存在着许多亟需解决的问题。本文在对国内外相关研究进行详细总结基础上,重点针对采用惯性传感器进行人体日常动作识别时遇到的如下问题展开研究：(1)在人体动作识别中,区分度好的特征能够有效地提高分类器的识别精度。本文提出了一种基于增强经验模态(EEMD)的特征提取方法,实验表明该方法能够有效区分人体日常动作,提高分类算法的识别准确率。(2)在每次采集人体动作时,通常需要将传感器节点重新佩戴,当传感器固定位置与预设位置出现偏差时,加速度传感器将会受到影响,从而影响算法的分类性能。针对此问题,本文提出了一种基于博弈论的特征选择算法,以提取对传感器固定位置具有鲁棒性的特征,从而减小固定位置偏差对分类算法的不良影响。(3)传统的分类算法往往是基于数据均衡的假设,而日常生活中人体动作数据分布往往是不均衡的。本文针对日常动作数据不均衡问题提出了一种基于代价敏感度函数和混合核函数的加权极端学习机(MK-WELM)算法。该算法在决策阶段考虑了多数类和少数类样本错分的代价,加大了对少数类样本错分的惩罚力度。在实验阶段使用不均衡动作数据集验证了该算法的有效性。(4)传统的人体动作识别算法往往要求传感器放置位置固定,当传感器安置在躯体不同部位时,采集到的数据分布往往会有很大差异,影响分类器的识别精度。针对此问题,本文提出了一种基于混合缩略核的极端学习机(M-RKELM)算法,通过对分类算法的在线更新和再训练,能够有效降低传感器安装部位变化对识别效果的不良影响。