[发明专利]身体非静止状态的手部震颤识别方法

说明书

本发明公开了一种身体非静止状态的手部震颤识别方法，具体按照以下步骤实施：步骤1、建立手部震颤数学模型；步骤2、数据校准与噪音消除；步骤3、消除时变直流分量与计算时变震颤频率；步骤4、基于CNN‑LSTM的手部震颤识别方法。本发明解决了现有技术中存在无法对身体非静止状态的手部震颤动作精确识别的问题。

技术领域

本发明属于行为识别技术领域，具体涉及一种身体非静止状态的手部震颤识别方法。

背景技术

Zhang等人利用RFID相位特征研究身体震颤率。Ding应用RFID技术提取信号特征来描述手部动作的变化，提出多分支一维CNN(Multi-Branch1D-CNN)基础框架，直接利用RFID信号识别静态和动态的手部动作。现有技术识别率低，基于CNN-LSTM的识别率优于其它模型。

发明内容

本发明的目的是提供一种身体非静止状态的手部震颤识别方法，解决了现有技术中存在无法对身体非静止状态的手部震颤动作精确识别的问题。

本发明所采用的技术方案是，身体非静止状态的手部震颤识别方法，具体按照以下步骤实施：

步骤1、建立手部震颤数学模型；

步骤2、数据校准与噪音消除；

步骤3、消除时变直流分量与计算时变震颤频率；

步骤4、基于CNN-LSTM的手部震颤识别方法。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

设一只携带无源标签的手在颤抖，在该手部震颤活动中，震颤频率r随时间变化，震颤幅度g也随时间而变化，在这种情况下，θ(t)不再是理想状态下的周期曲线，公式(1)和(2)改写为：

R(t)代表无源标签到RFID天线距离，震颤幅度g(t)，震颤频率r，基准距离d(t)，时间t，φ为震颤方向与RFID天线至基准位置的直线之间的锐角，θ(t)代表相位，θ₀是硬件设备引入的偏移量，λ是射频波长，其中，ε是由环境噪声引起的误差；距离R(t)和相位θ(t)共同构成手部震颤数学模型。

步骤2具体按照以下步骤实施：

步骤2.1、使用离散小波变换DWT将手部震颤相位θ(t)分解为：

其中，θ(t)是相位，l₀是初始分辨率，t表示时间，l是伸缩因子，k是平移因子，是离散比例函数，ψ_l,k(t)是离散小波函数，两个函数相互正交，A(l₀,k)和D(l,k)是每一级的近似和详细系数，在去噪过程中进行滤波，系数定义为：

θ(t)是相位，是离散比例函数，ψ_l,k(t)是离散小波函数，A(l,k)和D(l,k)是每一级的近似和详细系数；

步骤2.2、利用极大极小阈值算法进行阈值选择，最佳阈值定义如公式(8)所示：

其中，表示阈值，σ为标准差，指射频载波波长的值，通过优化目标函数获得，如公式(9)所示：