[發明專利]一種基于極限學習機的人體膝部運動姿態識別方法

在審

• 申請號: 202011297973.8
• 申請日: 2020-11-18
• 公開（公告）號: CN112294295A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 王健;李勇
• 申請（專利權）人: 王健
• 主分類號: A61B5/11
• 分類號: A61B5/11;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種基于極限學習機的人體膝部運動姿態識別方法，其特征在于，包括：

利用慣性傳感器采集人體處于不同姿態下的輸出數據；

基于滑動窗口機制對所述輸出數據進行分割，并對每個滑動窗口中的所述輸出數據進行特征提取；

利用主成分分析方法對所述輸出數據進行降維處理和歸一化處理，得到樣本數據；

構建極限學習機網絡模型，利用所述樣本數據對所述極限學習機網絡模型進行訓練，得到最終識別模型；

利用所述最終識別模型對所述慣性傳感器采集的實時測量數據進行在線識別，獲得識別結果。

2.根據權利要求1所述的一種基于極限學習機的人體膝部運動姿態識別方法，其特征在于，所述利用慣性傳感器采集人體處于不同姿態下的輸出數據中，所述慣性傳感器包括三軸加速度計和三軸陀螺儀；所述不同姿態下的輸出數據包括慣性傳感器在人體處于坐、立、走、跑、跳不同姿態下的輸出數據。

3.根據權利要求1所述的一種基于極限學習機的人體膝部運動姿態識別方法，其特征在于，所述基于滑動窗口機制對所述輸出數據進行分割，并對每個滑動窗口中的所述輸出數據進行特征提取中，提取的數據特征為時域特征；所述時域特征包括每個窗口內所述慣性傳感器輸出的合成加速度幅值的均值、方差、標準差、最大值和最小值，以及所述慣性傳感器輸出的合成角速率值的均值、方差、標準差、最大值和最小值。

4.根據權利要求1所述的一種基于極限學習機的人體膝部運動姿態識別方法，其特征在于，所述利用主成分分析方法對所述輸出數據進行降維處理和歸一化處理，得到樣本數據，包括：

對提取的所述輸出數據特征依次進行去中心化和標準化處理，得到特征矩陣；

計算所述特征矩陣的協方差矩陣；

計算協方差矩陣的特征值和相應的特征向量；

將得到的特征值按照從大到小的順序排序，找到前K個特征值對應的特征向量，構成轉換矩陣R；

利用所述轉換矩陣R對所述輸出數據進行降維處理，將降維處理后的所述輸出數據作為所述樣本數據。

5.根據權利要求4所述的一種基于極限學習機的人體膝部運動姿態識別方法，其特征在于，所述利用主成分分析方法對所述樣本數據進行降維處理和歸一化處理，得到訓練數據集，還包括：

將所述樣本數據分別賦予不同的類別標簽，得到訓練數據集(x_i,y_i)；其中，i＝1,...,N；x_i∈R^N×M，表示輸入樣本；y_i∈R^1×R，表示樣本對應的標簽；N表示樣本數量，M為每個樣本的維度，R表示樣本標簽種類的個數。

6.根據權利要求5所述的一種基于極限學習機的人體膝部運動姿態識別方法，其特征在于，利用線性核函數和高斯核函數的組合作為混合核函數，利用所述混合核函數將所述樣本數據分別賦予不同的類別標簽。

7.根據權利要求6所述的一種基于極限學習機的人體膝部運動姿態識別方法，其特征在于，所述混合核函數的計算公式為：

Ω＝μΩ_polynomial+(1-μ)Ω_Gaussian；

上式中，Ω_polynomial表示線性核函數，Ω_Gaussian表示高斯核函數，μ表示常數。