[發明專利]一種基于智能手機的人體異常步態識別方法

在審

• 申請號: 201910737884.1
• 申請日: 2019-08-12
• 公開（公告）號: CN110299203A
• 公開（公告）日: 2019-10-01
• 發明（設計）人: 張偉;張學志;康慧;王雷雷
• 申請（專利權）人: 電子科技大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H20/30;G06K9/62;G06F17/18
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 陳選中

1.一種基于智能手機的人體異常步態識別方法，其特征在于，包括以下步驟：

S1、采集人體在走路時智能手機中加速度傳感器和旋轉矢量傳感器的信號數據；

S2、利用四元素坐標系對采集到的信號數據進行坐標轉換，得到預處理后的信號數據；

S3、利用雙樹復小波算法將預處理后的信號數據進行信號去噪，得到去噪后的信號數據；

S4、通過去噪后的信號數據分析正常步態與異常步態的區別，并對其進行特征提取得到特征值；

S5、根據提取到的特征值，通過機器學習算法構建IBK分類器模型，并從中選擇出最優的IBK分類器模型；

S6、通過最優的IBK分類器模型識別不同狀態下的步態類型。

2.根據權利要求1所述的基于智能手機的人體異常步態識別方法，其特征在于，所述步驟S2中四元素坐標系的計算公式為：

上式中，m₂為四元素坐標系坐標，M為旋轉矩陣，m₁為原始坐標系坐標；

其中，原始坐標系m₁＝[x,y,z]^T，(x，y，z)為原始手機坐標系；

旋轉矩陣M的計算公式為：

上式中，q₁,q₂,q₃,λ均為實數，其計算公式為：

上式中，n_x、n_y、n_z分別為x軸、y軸、z軸的矢量，θ為旋轉角度。

3.根據權利要求1所述的基于智能手機的人體異常步態識別方法，其特征在于，所述步驟S3的具體方法為：通過q-shift方法構造正交雙樹復小波濾波器h₀(n)和g₀(n)，通過濾波器h₀(n)和g₀(n)對預處理后的信號數據進行信號去噪。

4.根據權利要求3所述的基于智能手機的人體異常步態識別方法，其特征在于，所述濾波器h₀(n)和g₀(n)的關系式為：

g₀(n)＝h₀(N-1-n),0≤n<N

上式中，N為采集的總樣本點，n為樣本點的個數。

5.根據權利要求1所述的基于智能手機的人體異常步態識別方法，其特征在于，所述步驟S4中特征值的提取方法為：計算信號去噪后的數據統計量特征信息和經過多層變換后的小波系數特征信息相結合，形成特征值；

所述統計量特征包括均值、均方差、平均絕對偏差和四分位距。

6.根據權利要求5所述的基于智能手機的人體異常步態識別方法，其特征在于，所述均值的計算公式為：

上式中，N為采集的總樣本點，x_i為采集樣本點為i時的傳感器數據值；

所述均方差σ的計算公式為：

所述平均絕對偏差X_MAD的計算公式為：

所述四分位距IQR的計算公式為：

IQR＝Q₃-Q₁

上式中，Q₁為采集的樣本點的數據按照從小到大次序排列后1/4處的數值，Q₃為采集的樣本點的數據按照從小到大次序排列后3/4處的數值。

7.根據權利要求1所述的基于智能手機的人體異常步態識別方法，其特征在于，所述IBK分類器模型的構建過程為：基于特征值構建IBK分類器模型，通過調整IBK分類器模型的具體參數，分析IBK分類器模型的優劣，選擇最優的IBK分類器模型參數。