[发明专利]基于shapelet特征的加速度传感器放置无关化运动识别方法

说明书

技术领域

本发明涉及活动识别领域，具体涉及一种基于shapelet特征的加速度传感器放置无关化运动识别方法。

背景技术

近年来，加速度传感器作为常用惯性传感器被广泛应用在各项智能手持设备上，如智能手机、智能腕带、智能手表等，基于传感器的人机交互也随之越来越受到重视，在人机交互中使用者的运动状态常作为重要的输入信息，因此利用加速度传感器进行运动识别成为当前热门的研究课题。同时，由于智能手持设备总是被用户随身携带，且计算能力越来越强，利用智能手持设备中内置加速度传感器对人体运动进行识别变得可行，并在交互游戏、健康监护等领域有广泛的应用。

基于加速度传感器的运动识别方法主要由特征抽取、模型建立、活动识别三部分构成。现有方法主要抽取均值、方差、最大值、最小值等时域特征和频域熵等频域特征，但是由于常见智能手持设备如智能手机，有多种不同的放置方式，如手机的屏幕背向或面向人体，手机正立或者反转放置等，且智能手机可以放置在胸口、裤子口袋等多个不同的放置位置，这些放置方式和放置位置的差异使得提取出的特征在分布上差异很大，因此，现有利用加速度传感器进行人体运动识别的方法要求加速度传感器必须以特定的方式固定在人体特定的位置，当不按照指定方式佩戴传感设备时会极大影响识别的准确率。然而，传感设备在使用过程中很容易发生平移或旋转，偏离预定的放置方式和放置位置，导致识别性能下降。该现象在使用智能手持设备的情况下尤其严重，因为用户对智能手持设备的放置方式和位置的自由度很高，且智能手持设备在用户运动过程中一般无法固定。

现有基于加速度传感器的放置方式和位置无关运动识别方法引入模体概念来减少传感器放置位置对加速度信号的影响，但是模体仅关注时间序列中频繁出现的序列，这样的序列可能在所有运动类别的时间序列中均频繁出现，不利于运动识别。在时序处理领域，shapelet是指最能代表某一类别的一个时间序列，这样的序列具有频繁出现在某一类别，基本不出现在其他类别的特点，对运动识别很有帮助。加速度信号作为一种时间序列信号，引入shapelet可以更有效地找到加速度信号中最能代表各项运动的信号序列，解决放置不同对运动识别造成的影响，提高运动识别的准确率。发明内容

本发明要解决的问题是如何在传感设备的放置方式和位置无法固定的情况下识别人体运动。为了解决上述问题，本发明提出了一种基于加速度传感器，面向智能手持设备用户，与传感设备放置方式和位置无关的运动识别方法。该方法利用加速度信号本身变化的特点，利用降维和shapelet特征，提取出最能代表各项运动的加速度信号序列，这样的序列具有不随传感设备放置方式和位置变化而改变的特点，从而解决非固定加速度传感器位置下的运动识别问题。

一种基于shapelet特征的加速度传感器放置无关化运动识别方法，包括：

获取若干原始的三维加速度信号，将每个原始三维加速度信号处理成与放置方式无关的时间序列，得到数据集，其中原始的三维加速度信号带有类别标注；

步骤2，从数据集中获取设定长度的时间子序列并进行离散化表示，得到离散化序列的集合；

步骤3，利用随机映射从离散化序列的集合中得到候选shapelet，并更改设定长度，返回步骤2，直至数据集中所有长度的时间子序列均已被获取；

步骤4，从候选shapelet中计算得到shapelet；

步骤5，判断步骤2中所处理的数据集是否符合预设的停止条件：

符合，对符合停止条件的数据集停止操作；

不符合，根据步骤4所得shapelet将不符合停止条件的数据集划分为两个数据集，针对每个划分后得到的数据集重复步骤2至4；

步骤6，利用所得的全部shapelet构建分类器；

步骤7，获取实时的三维加速度信号，将实时的三维加速度信号处理为与放置方式无关的时间序列，将时间序列与分类器中的shapelet进行距离比较，识别出实时的三维加速度信号所属的类别。

步骤1至步骤6为数据训练阶段，步骤7为运动识别阶段。此处步骤1所得时间序列为一维信号，在步骤2中，数据集包括若干时间序列，每个时间序列包括不同长度的时间子序列，每次获取并且进行离散化的时间子序列均为数据集中设定长度的时间子序列，因此在步骤3中更改设定长度并返回步骤2，直至数据集中所有长度的时间子序列均已被获取，保证在筛选时涵盖数据集中所有长度的时间子序列。

将三维加速度信号处理成与放置方式无关的时间序列方法如下，其中三维加速度信号是指原始的三维加速度信号或实时的三维加速度信号：