[发明专利]一种基于卷积神经网络和孤立森林的步态识别方法

说明书

本发明涉及一种基于卷积神经网络和孤立森林的步态识别方法，包括步骤：步骤(1)，数据采集：采用手机内置的加速度传感器以及陀螺仪传感器采集多位用户的行走数据；步骤(2)，数据预处理：采用低通有限脉冲响应滤波器FIR对采集到的数据进行过滤，去除噪音信息；对采集到的数据进行插值，使得采集数据的采样点间隔均匀；步骤(3)，方向无关转换：对采集到的传感器数据进行方向无关转换，减少手机的放置位置对于识别准确率的影响；步骤(4)，步态周期划分：采用固定的滑动窗口算法对步态进行周期性划分，设定滑动窗口的长度为200，即每秒的采样数；步骤(5)，使用CNN神经网络对采集到的步态数据进行特征提取。

技术领域

本发明涉及一种步态识别算法，尤其涉及到了对采集到的步态数据进行方向无关转换、将在图像领域使用十分成功的CNN运用到步态识别领域进行步态周期特征提取、使用无监督的孤立森林算法进行步态识别。

背景技术

在大多数步态数据采集的工作中，手机的放置位置都是受控的并且都是放置在人为规定的方向。但在现实中，这种情况是不太可能出现的，而且该情况具有局限性，同时也会让受试者感觉到不方便。因此需要一种算法，能够使得采集到的数据的方向不会随着智能手机放置位置的改变发生变化。为了解决这个问题，目前可以使用两种不同的方法。第一种方法是提取旋转不变量的特征(例如傅里叶变换或者动态步态图像的相关矩阵)。第二种是依赖于惯性信号的变换，将采集到的信号投影到一个新的方向不变的三维坐标系中，本发明采用的是第二种方法。

步态识别的标准方法是使用处理好的步态周期，通过经典的有监督机器学习算法(KNN、SVM等等)来进行步态识别。但是此种算法需要计算大量预先建立的统计特征，其中信息量最大的特征被挑选出来并用于训练分类器。该过程需要通过对分类性能进行评估，并对整个过程进行迭代，以进行进一步的特征选择。通过这种方法，将用于分类的特征逐步细化，直到获取最终的特征集。但是这些统计特征通常是由设计者通过有根据的猜测或者试错的方法来进行评估，会掺杂很多的人为因素，而且这种算法的计算量很大。本发明使用卷积神经网络进行步态周期特征的选择。卷积神经网络在视频处理领域应用十分成功，所以考虑将卷积神经网络运用到惯性传感器数据分析领域。使用卷积神经网络的优点之一是步态周期的统计特征是由CNN作为有监督训练阶段的结果自动评估。

在步态识别领域通常使用有监督算法进行分类，比如说K近邻(KNN)，支持向量机(SVM)，多层感知器(MLP)，和分类树(CT)。但是考虑到异常步态的检测问题只需要区分步态的正类或者负类，而且负类的情况较少，鉴于此本发明使用无监督的孤立森林算法来进行步态识别。

发明内容

本发明所要解决的技术问题：本发明采用了一种基于卷积神经网络进行步态周期特征提取的方法，能够对以往的人工选取步态周期特征的方法作出改进。最后使用无监督的孤立森林算法进行异常步态的检测。

本发明的解决方案：一种基于卷积神经网络和孤立森林的步态识别方法，步骤如下：

步骤(1)，数据采集：采用手机内置的加速度传感器以及陀螺仪传感器采集多位用户的行走数据，用户年龄在20-26岁之间，智能手机的采样频率是200Hz，采集数据时手机放在受试者裤子口袋，采集的时间长度为10分钟，采集的场地是实验室外的走廊，采集的数据以txt格式保存在手机内存中，采集的数据包括8行,分别是时间，加速度x，y，z方向，陀螺仪x，y，z方向，用户的姓名；

步骤(2)，数据预处理：采用低通有限脉冲响应滤波器FIR对采集到的数据进行过滤，去除噪音信息；对采集到的数据进行插值，使得采集数据的采样点间隔均匀；

步骤(3)，方向无关转换：对采集到的传感器数据进行方向无关转换，减少手机的放置位置对于识别准确率的影响；

步骤(4)，步态周期划分：采用固定的滑动窗口算法对步态进行周期性划分，设定滑动窗口的长度为200，即每秒的采样数；