[發(fā)明專利]基于智能終端的相似活動(dòng)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810706613.5
• 申請(qǐng)日: 2018-07-02
• 公開（公告）號(hào): CN109086667A
• 公開（公告）日: 2018-12-25
• 發(fā)明（設(shè)計(jì)）人: 陳建新;閆娜;周亮;于濤;劉希鵬
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06F3/0346
• 代理公司: 南京蘇科專利代理有限責(zé)任公司 32102
• 代理人: 姚姣陽

1.一種基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于，包括如下步驟：

S1、數(shù)據(jù)采集步驟，從加速計(jì)傳感器中獲取人體活動(dòng)數(shù)據(jù)；

S2、預(yù)處理步驟，通過坐標(biāo)轉(zhuǎn)化的方法對(duì)所獲取的人體活動(dòng)數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)造出五維向量；

S3、提取活動(dòng)特征步驟，提取預(yù)處理過的人體活動(dòng)數(shù)據(jù)中的時(shí)域特征、頻域特征以及時(shí)頻域特征，形成特征集；

S4、最優(yōu)特征選擇步驟，利用特征提取算法對(duì)特征集進(jìn)行提煉、優(yōu)化，得到最優(yōu)特征集；

S5、分類器選擇和活動(dòng)識(shí)別步驟，選取分類器，將最優(yōu)特征集傳入分類器中，最終得到分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于，所述S1數(shù)據(jù)采集步驟包括：

用戶佩戴智能終端，并通過智能終端內(nèi)的加速計(jì)傳感器實(shí)時(shí)采集待識(shí)別行為的人體活動(dòng)數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于，所述S2預(yù)處理步驟包括：

S21、對(duì)所采集的人體活動(dòng)數(shù)據(jù)進(jìn)行分段，生成分段信號(hào)，使所述分段信號(hào)中的每一段信號(hào)對(duì)應(yīng)用戶的一種行為；

S22、利用坐標(biāo)轉(zhuǎn)換公式將三軸加速度轉(zhuǎn)化為垂直方向和水平方向的加速度，坐標(biāo)轉(zhuǎn)換公式為：

其中，A為三軸加速度的矢量和，G為重力加速度，為G和A的夾角，Ax、Ay和Az分別為三軸加速計(jì)的輸出，Gx、Gy和Gz分別為與X、Y和Z相關(guān)的重力加速度，Av為垂直加速度，Ah為水平加速度。

S23、通過將三軸加速度、垂直方向加速度以及水平方向加速度相結(jié)合的方式，構(gòu)造出一個(gè)五維向量，所述五維向量AH＝{Av Ah Ax Ay Az}。

4.根據(jù)權(quán)利要求3所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于，S21中所述對(duì)所采集的人體活動(dòng)數(shù)據(jù)進(jìn)行分段，包括如下步驟：利用加窗來生成與人體活動(dòng)數(shù)據(jù)數(shù)據(jù)所生成的信號(hào)相對(duì)應(yīng)的參考窗和測(cè)試窗。

5.根據(jù)權(quán)利要求1所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于，所述S3提取活動(dòng)特征步驟包括：

S31、提取常用特征，常用特征包括平均值、方差、標(biāo)準(zhǔn)差、最大值、最小值、相關(guān)系數(shù)、過均值數(shù)、峰值以及功率譜；

S32、提取非常用特征，非常用特征包括功率譜密度、四分位數(shù)間距和二元樹復(fù)小波變換。

6.根據(jù)權(quán)利要求5所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于，S32所述提取非常用特征包括如下步驟：

S321、提取功率譜密度，功率譜密度包括幅度統(tǒng)計(jì)和形狀統(tǒng)計(jì)兩大特征，功率譜密度的幅度統(tǒng)計(jì)公式為，

其中，c_i是第i個(gè)窗口的頻幅，μ_a代表均值，σ_a代表標(biāo)準(zhǔn)差，γ_a代表偏度，代表峰度，

功率譜密度的形狀統(tǒng)計(jì)公式為，

其中，μ_s代表均值，σ_s為標(biāo)準(zhǔn)差，γ_s為偏度，代表峰度，

S322、提取四分位數(shù)間距；

S323、進(jìn)行二元樹復(fù)小波變換，小波能量E_w的計(jì)算公式為，

其中，N是分解層數(shù)，k是時(shí)間變量，D_jk是高頻系數(shù)。

7.根據(jù)權(quán)利要求1所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于，所述S4最優(yōu)特征選擇步驟包括：將Sequential Floating Selection序列浮動(dòng)前向選擇特征選擇算法和reliefF算法相結(jié)合，對(duì)特征集進(jìn)行降維處理，獲取最優(yōu)特征集。

8.根據(jù)權(quán)利要求1所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于：S5中所述分類器為SVM、KNN、randomForest或MLP。

9.根據(jù)權(quán)利要求1所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于：S5中所述分類器為MLP。

10.根據(jù)權(quán)利要求1所述的基于智能終端的相似活動(dòng)識(shí)別方法，其特征在于：采用10倍交叉驗(yàn)證的方法進(jìn)行分類。