基于智能手机的人体运动检测与分析研究
基于智能手机传感器的人体运动监测系统研究
基于智能手机传感器的人体运动监测系统研究近年来，随着智能手机的普及和其内置的多种传感器的功能日益丰富，利用智能手机进行人体运动监测成为了一个备受关注的领域。
这种基于智能手机传感器的人体运动监测系统具有低成本、便携、易操作等优点，能够大大降低人体运动监测的门槛，同时也可以为健身、医学等领域提供数据支持和辅助工具。
本文将从监测系统的原理、实现方式、应用领域等方面进行探讨和研究。
一、智能手机传感器的原理和种类智能手机的传感器通常涵盖了加速度计、陀螺仪、磁力计、光线传感器、距离传感器、压力传感器等多种类型，这些传感器可以通过手机系统提供的API接口获取到各种数据，包括加速度、角速度、磁场强度、环境亮度、距离、压力等。
其中，加速度计是指可测量手机加速度的传感器，通常采用微机械系统（MEMS）技术制成，主要功能是用于测量手机在三个方向上的加速度情况。
陀螺仪则是一种测量手机角速度的传感器，主要工作原理是通过检测旋转运动产生的角动量来获得角速度数据。
磁力计可以测量手机所处位置的磁场强度，用于导航和定位。
光线传感器和距离传感器主要用于环境亮度感知和近距离物体检测，压力传感器则可以用于测量空气压强和水深。
以上各种传感器的数据可以被应用于各种领域，其中最为广泛的就是利用智能手机传感器进行人体运动监测。
二、基于智能手机传感器的人体运动监测原理人体运动监测是指通过对人体运动状态的监测和记录来了解人体运动状态，进而提升运动效果和健康状态的一种技术手段。
基于智能手机的人体运动监测系统主要利用其内置的多种传感器对人体运动状态进行实时监测和数据采集，通过数据分析和算法实现对人体运动状态的识别、分类和分析。
具体来说，采集到的加速度、角速度和磁场强度等数据可以通过算法进行处理和分析，来识别人体的运动模式和状态。
例如，在跑步过程中，人的身体会出现上下颠簸、左右晃动等动作，在这种情况下，智能手机的加速度计和陀螺仪等传感器可以检测到身体的运动状态，然后通过算法实现对跑步状态的区分和分类，从而得出跑步速度、步数、消耗的卡路里等数据。
基于Android系统的人体成分和能耗测算的研究和实现的开题报告
基于Android系统的人体成分和能耗测算的研究和实现的开题报告1.研究背景与意义人类的身体组成因素包括碳水化合物、脂肪、蛋白质等，不同的身体组成会对人的健康产生影响。
如何准确地测试和分析人体成分对于研究人类健康和疾病有着十分重要的意义。
能量消耗是指机体在各种生理、心理和活动状态下的能量需求和消耗。
能耗的研究可以帮助人们更好地掌握身体状态，健康科学研究和运动训练等方面都非常有帮助。
在现代工业化的时代背景下，生活方式的改变和工作条件的日益好转，导致人们普遍存在身体肥胖、代谢综合征、心血管疾病等疾病，给个人及社会带来的危害是越来越明显。
本研究旨在开发一种基于Android 系统的人体成分测试仪和能耗检测仪，为人体健康监测和疾病预防提供参考和依据。
2.研究内容与目的本研究旨在开发一种基于Android系统的人体成分测试仪和能耗检测仪，主要研究内容包括：1）开发手持式便携设备，用于测试人体成分指标，包括体重、体脂率、肌肉含量等。
2）通过运动或活动过程中的能量消耗计算，构建人体能耗测试仪，测试人体在不同状态下的能量消耗量。
3）通过合理的算法和技术实现数据的精准分析和报告、连续记录、多次统计等功能。
本研究的目的在于解决人们对身体健康和运动训练数据的准确性和便利性问题，为更好的预防疾病和训练提供保障。
3.研究方法与研究技术路线根据项目的研究目的和内容，本项目的研究方法及技术路线如下：1）研究Android系统开发技术，开发适用于智能手机或平板电脑的人体成分测试仪和能耗检测仪应用程序。
2）开发测试仪外围设备，完成手持式设备的设计、原型制造和测试。
3）研究人体能量计算方法和技术，利用加速传感器和陀螺仪等技术实现能耗的监测和分析。
4）将软件和硬件部分进行整合，形成一个便携式的人体成分测试仪和能耗检测仪，并对其进行各种测试和验证。
4.研究进度计划本项目的研究有目标明确、实施步骤清晰、时间表合理的特点，进度计划如下：第一年：系统需求分析、性能测试和性能优化第二年：软件开发和测试、硬件开发和测试第三年：软硬件整合、系统测试和验证、成果报告编写5.预期成果与创新性本项目是一项集软、硬件研发为一体的科技项目。
人体运动分析技术的研究及其应用
人体运动分析技术的研究及其应用人体运动分析技术是运动科学领域的一项重要技术，它可以评估和分析人类在运动过程中的力量、速度、姿势等各种参数，并提供实时反馈和改善建议。
本文将从该技术的研究背景、技术原理、应用领域等方面进行介绍。
一、研究背景人体运动分析技术早期主要应用于医学和康复领域，随着运动科学的发展和各种新技术的涌现，这项技术逐渐被应用于更广泛的领域，如运动训练、人机交互、游戏娱乐等。
二、技术原理当前，人体运动分析技术主要分为两大类：传感器技术和计算机视觉技术。
传感器技术包括惯性传感器、力传感器、压力传感器等，可以实时记录和测量人体在运动中的各种参数。
计算机视觉技术则采用计算机视觉技术，通过对运动图像的分析和识别，提取人体的各种关节信息和姿态数据。
三、应用领域1、运动训练人体运动分析技术可以帮助运动员改善训练姿势和动作技巧，提高运动技能水平。
通过分析和比对运动员的技术和动作，可以发现和纠正一些错误动作，辅助运动员进行技能和速度的提升。
2、康复治疗人体运动分析技术可以帮助康复患者与医生更准确地了解康复进展情况，同时可以控制康复训练的强度和节奏，避免康复训练带来的不适和危险。
3、人机交互人机交互技术可以通过分析用户的动作和身体姿态，实现更加自然、简便和直观的人机交互方式。
例如，基于人体运动分析技术的手势识别技术可以帮助用户更方便地操作智能家居、智能手机等设备。
4、游戏娱乐基于人体运动分析技术的游戏娱乐方式已成为当前游戏娱乐领域的新风尚。
例如，基于运动传感器的体感游戏和虚拟现实技术可以让用户用身体参与游戏，增强游戏的沉浸感和体验感。
四、技术瓶颈及发展趋势目前，人体运动分析技术还存在着一些技术瓶颈和挑战。
例如，传感器精度和数据准确性、计算机视觉算法的效率和精度等方面仍有待进一步提高。
未来，随着人工智能技术的发展和大数据技术的广泛应用，人体运动分析技术将越来越精准、快速和智能化。
同时，人体运动分析技术的应用领域也将越来越广泛，未来将涉及更多领域，唤醒更多场景。
人体动作分析技术的研究与应用
人体动作分析技术的研究与应用第一章引言人体动作在各种领域有着广泛的应用，如运动医学、运动控制、动作捕捉等。
人体动作分析技术是研究了许多年的课题，目的是从数据中提取出关键的信息，进而推测出人体动作的目标和行为。
这些技术可以有效地提高运动员的训练效果，帮助医生对病人的康复进行评估，还可以应用于游戏、电影等行业中。
本文将介绍人体动作分析的研究进展和应用，在分析技术方面着重关注电子产品上的人体动作分析应用和医疗健身方面的人体动作分析应用。
第二章人体动作分析的相关技术2.1 运动捕捉技术运动捕捉技术是人体动作分析中的重要技术之一，它是通过摄像机或其他传感器采集数据并分析数据来了解人体的动作。
通常情况下，该技术需要一个或多个摄像机或传感器来记录人体姿势，然后将数据转换为数字形式。
最后，可以根据这些数字数据对人体动作进行分析。
近年来，随着计算机技术的进步，运动捕捉系统的精度和速度都得到了提高，除了传统的光学摄像机以外，还出现了惯性传感器、超声波探测器等新型传感器。
同时也发展了一些基于深度学习的运动捕捉技术，如基于深度摄像机的Body Flow等。
这样的新技术可以提供更高分辨率和更高准确度的数据，进一步满足应用的需要。
2.2 信号处理技术信号处理技术可以对数据进行滤波、降噪、光照补偿、平滑和对齐等操作，以消除因噪声和环境干扰导致的误差并提高数据的可重复性和精度。
例如，有时身体的某些部分（例如手臂、腿部等）可能会因为肌肉收缩导致摆动，这样会影响人体动作的准确性。
因此，通过信号处理技术的峰值检测，可以准确定位肌肉锻炼时的最高强度，而不是在动作的任何时候。
这样，可以更好地根据肌肉锻炼的状况来评估训练效果。
2.3 计算机视觉技术计算机视觉技术是通过对图像和视频数据进行分析，自动地识别图像、识别目标从而实现人体动作的分析。
该技术已经广泛应用于机器人、无人机、智能家居、医疗、自动驾驶等领域中。
例如，基于计算机视觉技术的人体运动监测可以通过获取肢体的位置和面部表情来识别动作类型和意图。
智能手机应用中的人体姿态识别与跟踪
智能手机应用中的人体姿态识别与跟踪随着智能手机技术的不断演进和创新，人们对于手机应用的需求也在不断增加。
在当今的移动应用市场中，人体姿态识别与跟踪技术成为了一个备受关注的热门话题。
这项技术的出现，为用户带来了全新的手机应用体验，也为开发者提供了更多的创意和挑战。
人体姿态识别与跟踪技术是指通过智能手机的摄像头和图像处理算法，识别并跟踪人体的姿态动作。
通过分析和计算用户的动作，手机应用可以提供包括动作评估、运动训练、游戏互动等多种功能。
这对于体育爱好者、健身追求者、甚至是普通用户来说，都具有重要的意义。
首先，人体姿态识别与跟踪技术在运动健身方面具有广泛的应用前景。
通过智能手机应用，用户可以实时准确地了解自己的运动姿势是否正确，是否符合训练要求。
有了这项技术，用户不再需要雇佣教练或专业人员来辅助训练，而可以直接在家中通过手机应用进行运动指导。
此外，手机应用也可以记录用户的训练数据，包括运动时间、运动强度、消耗的热量等，为用户提供个性化的健身计划与分析，帮助用户更好地管理自己的健康。
其次，人体姿态识别与跟踪技术在游戏互动方面也有广泛的应用空间。
传统的手机游戏往往需要用户通过触摸屏幕或使用游戏手柄来进行操作，然而，随着人体姿态识别与跟踪技术的出现，用户可以通过简单的动作或姿势来与游戏进行互动。
例如，用户可以通过模拟击打、跳跃等实际动作来进行游戏角色的操作，增加了游戏的真实感和趣味性。
这种全新的游戏体验为开发者带来了更大的创意空间，也为用户带来了更加沉浸式的游戏体验。
此外，人体姿态识别与跟踪技术还可以在医疗健康、辅助交通、人机交互等领域发挥重要作用。
在医疗健康方面，手机应用可以通过识别和跟踪用户的姿态动作，提供康复训练、健康监测、病症诊断等多种服务。
在辅助交通方面，手机应用可以通过识别和跟踪用户的行走姿态，提供导航、定位、交通意外预警等功能，提高交通安全和便利性。
在人机交互方面，通过识别和跟踪用户的手势、眼神等动作，手机应用可以实现更加智能、自然的交互方式，在用户体验上实现质的提升。
基于智能手机的生理参数无线监测系统设计
４Ｍ
（ １ ）
（ ２ ）
旦 ＿ ＝ ０ ． ８ ０
Ｍ
临床实测中 ， 上述经验公式 中的取值变化范围 较大 ， 式（ １ ） 为０ ． ３ ～ ０ ． ７ ５ ， 式（ ２ ） 为０ ． ４ ５ ～ ０ ． ９ 同 。示波法 的血 压测量 原理 如 图 ３ 所示。
的测量方法是脉搏波技术的延伸。这 ２ 种方法的缺 点都是理论研究不如基于压力 的示波法成熟 。 因此 ，本设 计采 用 的是示 波 法原 理测 量人 体血 压 。其原理为 ：首先把袖带捆在左手手臂上 的肱 动 脉处 ，然后 启 动 仪 器 ，对 袖 带充 气 至 ２ ０ ０ ｍ ｍ Ｈ ｇ （ １ ｍ ｍ Ｈ ｇ ＝ １ ３ ３ ． ３ ２ ２ Ｐ ａ ）的袖带压 ，此时肱动脉被阻 断， 没有血 流通过此 处 的血管 。 达 到这种 状态 后仪 器 自 动开始放气 ， 当气压降到一定程度时 ， 就开始有血 流通 过血 管 ， 且 有小 范 围的振荡 波 。 振 荡波 引起袖 带 的压 力变 化 即可被 压力 传感 器识 别 。测 量 过程 中一 直缓慢地放气 ，振荡波 随着袖带 内压力的降低变得 越来 越 大 。 再 过一 段 时间 ， 由于袖 带 内的压力 越来越 小， 与手臂 的接触越 来越 松 ， 因此压 力传 感 器 所检 测 到的压力和脉搏波动就越来越小。 综上所述 的特征变化 ，根据固定 比率法即可算 出血压值 。 其方法是 ： 通过单片机控制系统找出脉搏 波钟形包络的顶点 ４ ，其对应的袖带压 Ｐ Ｍ 即为平 均压 ； 另外 ， 在包 络 线 上升 沿存 在 一 点 Ａ ， 其 对 应 的 袖带压 即为收缩压 ， 下降沿存在一点 。 ， 其对应 的袖 带压 即为舒 张 压 。４ 和 。 的 大小 可根 据 如 下 经验 公式 求得 ：
基于智能手机传感器的人类行为识别研究
doi:10.3969/j.issn.1003-3114.2023.03.023引用格式:丁阁文,丁绪星,许蓉,等.基于智能手机传感器的人类行为识别研究[J].无线电通信技术,2023,49(3):566-576.[DING Gewen,DING Xuxing,XU Rong,et al.Research on Human Activity Recognition Based on Smartphone Sensors[J].Radio Com-munications Technology,2023,49(3):566-576.]基于智能手机传感器的人类行为识别研究丁阁文,丁绪星∗,许㊀蓉,王㊀冲,邹孝龙(安徽师范大学物理与电子信息学院,安徽芜湖241002)摘㊀要:针对因人类行为识别中手机位置的不确定性导致的行为识别率低的问题,提出了一种实时行为识别方法㊂首先对智能手机中加速度计和陀螺仪所获取的各行为下的传感器数据,依次进行零偏误差补偿㊁异常值处理和db7小波阈值去噪;其次使用滑动窗口对预处理后的数据进行分割,同时基于各行为特征分布规律进行特征提取;最后将提取的特征用于支持向量机(Support Vector Machine,SVM)分类器模型的训练,通过调用SVM 模型结合多票判决策略实现当前时刻行为预测㊂仿真结果表明,该方法能有效地识别坐㊁站立㊁行走㊁跑步㊁上楼㊁下楼㊁躺㊁卧8种基本行为,并能区分握㊁阅读㊁接听㊁摆臂㊁口袋5种手机位置㊂分类器模型的整体识别率达到了97.6%,在手机位置固定和不固定的情况下,实时行为识别的平均识别准确率分别达到了90.6%和84.8%,平均耗时为177.803ms㊂关键词:人类行为识别;智能手机传感器;支持向量机;小波分析中图分类号:TP391.4㊀㊀㊀文献标志码:A㊀㊀㊀开放科学(资源服务)标识码(OSID):文章编号:1003-3114(2023)03-0566-11Research on Human Activity Recognition Based on Smartphone SensorsDING Gewen,DING Xuxing ∗,XU Rong,WANG Chong,ZOU Xiaolong(School of Physics and Electronic Information,Anhui Normal University,Wuhu 241002,China)Abstract :There is low activity recognition rate caused for the uncertainty of smartphone positions in human activity recognition.Aiming at above problem,a real-time activity recognition method is proposed in this paper.First,the raw data is processed using zerobias error compensation,outlier processing and db7wavelet threshold denoising respectively,which is the sensor data of various behav-iors obtained by the accelerometer and gyroscope of smart phone.Then,the processed data is segmented by a sliding window.At the same time,the features are extracted based on data feature distribution law of each activity.Finally,Support Vector Machine(SVM)al-gorithm and the extracted features are used for training of the classifier model.Behavior is predicted by invoking the SVM model com-bined with the multi-vote decision strategy at the current moment.Simulation results show that eight main behaviors (sitting,standing,walking,running,going upstairs,going downstairs,half lying,and lying)under five smartphone positions (holding,reading,answering,arm swinging,pocket)can be effectively identified.The overall recognition rate of the classifier model reached 97.6%.When the mobilephone position is fixed and not fixed,the average recognition accuracy of real-time behavior recognition reaches 90.6%and 84.8%,re-spectively,and the average time-consuming is 177.803ms.Keywords :human activity recognition;smartphone sensors;SVM;wavelet analysis收稿日期:2023-01-15基金项目:安徽省发展和改革委员会支持项目(832132)Foundation Item :Anhui Development and Reform Commission (832132)0 引言近年来,人类行为识别(Human Activity Recog-nition,HAR)成为了人工智能领域的研究热点,并被广泛地应用于老年监护[1-2]㊁智慧医疗[3]㊁运动监测[4]等领域㊂HAR 的研究方法大致可分为两类:基于计算机视觉的行为识别[5]和基于可穿戴设备的行为识别[6-7]㊂基于计算机视觉的行为识别是利用图像或视频来提取人体的行为特征,这种方法通常要求固定照相机㊁摄像机等硬件设备,且在使用中视线容易被障碍物遮挡,存在局限性[8]㊂而基于可穿戴设备的行为识别主要使用设备中的惯性传感器㊁心率传感器等获得人体行为数据和生理信息,研究人员利用这些数据来预测人们站立㊁行走㊁跑㊁上下楼㊁跳跃等基本行为[9-10]㊂因此与基于计算机视觉的行为识别相比,可穿戴设备方便携带㊁成本低㊁灵敏性高,能方便高效地收集数据且数据处理较简单,在行为识别领域应用更为广泛㊂在过去的10年中,智能手机已经成为一些可穿戴传感器的替代品㊂如今的智能手机中搭载了各种类型的传感器,如GPS㊁惯性传感器(加速度计㊁磁力计㊁陀螺仪)和环境传感器(麦克风㊁光线传感器㊁距离传感器)等[11]㊂不仅如此,智能手机还具有强大的计算能力,可以轻松高效地收集和处理有关用户的丰富信息㊂相对于可穿戴设备,使用智能手机进行数据采集与处理更加方便㊁更具便携性,不管是将手机拿在手里还是装在口袋里,智能手机均可以持续地感知用户的行为㊂尤其是在COVID-19 (Coronavirus Disease2019)较为严重的情况下[12],基于智能手机的行为识别成为了一种高效㊁廉价和安全的方法,利用智能手机传感器数据预测人类行为从而实现对身体行为变化和心理健康的监测,而不需要专门的或者昂贵的医疗备来监测㊂因此,基于智能手机传感器的行为识别具有更高的研究价值㊂1㊀当前研究现状近年来,尽管研究者们在利用智能手机传感器识别人类行为的研究中取得了一些成果,但仍存在以下不足:①手机放置的位置对识别结果有着很大的影响[13]㊂研究者们通常要求将手机放在身体上的特定位置(比如腰部[13]㊁口袋[14]等),研究的实验位置是不自然的,携带不方便;②加速度数据对多种行为数据难以区分,尤其是在识别上下楼梯时,结果不太理想;③大部分的研究者只是致力于数据分析及处理,未结合实际做实时行为识别的研究㊂针对以上问题,Menhour等人[15]使用来自文献[16]的公开在线数据集,将加权K近邻(Weigh-ted K-Nearest Neighbors,WKNN)算法和支持向量机(Support Vector Machine,SVM)相结合,对6项人体行为(行走㊁站㊁坐㊁跑㊁上楼㊁下楼)和4种手机位置(右牛仔裤口袋㊁手臂㊁腰带和手腕)进行识别;其结果为:手机固定在腰部时,上㊁下楼的识别率分别在91.8%和94.2%左右;手机固定在手腕时,上㊁下楼的识别率分别达到了98.1%和99.6%㊂虽然识别率有所提高,但在正常生活中,手机放置在这两处的较少㊂Wang等人[17]在SVM算法基础上引入了D-S 证据理论,再利用数据融合的思想识别人类行为;使用智能手机获取4种行为(行走㊁跑㊁上楼和下楼)以及4种手机位置(阅读㊁接听㊁摇摆和口袋)下的加速度计和陀螺仪数据;该研究中将跑的识别准确率提高到了99.7%,但上楼的准确率仅有92.1%㊂孔菁等人[18]同样使用智能手机的加速度计和陀螺仪数据并采用主成分分析方法对数据统计特征进行降维处理,将决策树与SVM相结合实现对行为特征的分类,模型对所有行为识别的平均准确率达到97.5%,上下楼的识别率也能在96%左右;但文章未给出手机放置位置㊂Qi等人[19]提供了一个基于智能手机的自适应人类行为识别实时监控系统识别12种人类行为,其中包括5种动态行为(步行㊁慢跑㊁跳跃㊁上楼和下楼)㊁6种静态行为(站立㊁坐㊁左右躺㊁俯卧和仰卧)以及一系列的过渡行为(如从坐到站)㊂在模型训练和测试过程中,使用了4种携带手机的方式:裤子的口袋㊁衬衫的口袋㊁腰部和背包,并且将手机按任意方向携带,模型对手机置于腰部和口袋的行为识别取得较好的性能(腰部95.15%,口袋92.20%)㊂在最后的实时行为识别实验中,仅验证了手机放在腰部和左边口袋的两项新的行为:深蹲㊁扭屁股㊂针对以上问题,考虑实时的人类行为识别,本文对5种手机位置下(握㊁阅读㊁接听㊁摆臂㊁口袋)的8种人类基本行为(坐㊁站立㊁行走㊁跑㊁上楼㊁下楼㊁躺㊁卧)展开了研究,并设计了一种基于SVM结合多票判决的实时行为识别方法㊂为减少手机位置对识别率的影响,将行为识别分为离线阶段和在线阶段,主要研究内容包括:数据采集㊁数据预处理㊁特征提取与特征选择㊁分类器模型的训练以及实时行为识别设计5个方面㊂在离线阶段,数据经过预处理后提取相关特征作为输入向量用来训练分类器模型;在线阶段中,对逐渐累积的数据采用离线阶段的数据处理方法进行特征提取,然后调用分类器并结合多票判决的方法预测当前行为㊂2㊀方法框架概述按照人类行为识别研究的总体框架,将实时行为识别分为两个阶段:离线阶段和在线阶段㊂离线阶段具体流程如图1所示,包括:数据采集㊁数据预处理㊁特征提取㊁特征选择以及分类器模型的训练㊂首先,以50Hz的采集频率获取各行为下智能手机中加速度计和陀螺仪的数据,并对采集到的数据进行预处理,依次为零偏误差补偿㊁基于箱型图和均值修正法的异常数据处理㊁以及基于db7小波基和SURE 阈值的软阈值去噪㊂其次,采用固定长度为64,重叠率为50%的滑动窗口对与处理后的数据进行划分,在每个窗口中对数据提取特征用于描述每种行为,并对提取的特征进行筛选以减少冗余特征的影响㊂最后将特征选择后形成的新数据集用于分类器模型的训练㊂图1㊀离线阶段主要流程Fig.1㊀Main process in offline stage在线阶段主要实现实时行为识别,流程如图2所示㊂图2㊀在线阶段主要流程Fig.2㊀Main process of online stage此阶段仍采用固定长度为64的窗口对采集的数据进行划分,当从开始采集数据时长达到1.28s时,启动实时行为识别算法㊂随着数据的增加,每0.2s(数据集S 长度Len 每增加10)更新一次窗口,同时对当前窗口的数据采用与离线阶段相同的预处理,并按照离线阶段中最终选取的特征提取特征向量,再调用训练好的SVM 分类器预测此时行为㊂由于超过1.28s 后的数据会被划分到多个窗口中,可能被标记为不同的行为,此时结合多票判决策略[20],选择出当前位置最终的结果㊂3㊀数据采集与处理3.1㊀数据采集与数据分割将待识别的行为划分为两大类:主要行为和次要行为㊂主要行为是指人的身体姿势或运动状态,本文研究围绕人类日常的基础行为,包括静态动作和动态动作㊂静态动作包括:站㊁坐㊁躺㊁卧;动态动作包括:行走㊁跑㊁上楼和下楼㊂而次要行为是指智能手机的位置㊂根据对人类日常行为的分析,在数据采集过程中分别将手机放置在如图3所示的5个位置上㊂智能手机在位置1~5中分别表示手持不摆臂㊁阅读手机㊁接听电话㊁放置口袋中和手持摆臂,而每一种放置位置都对应人类日常的几种主要行为,如在位置3接听电话的前提下,采集对象可以处于行走㊁跑㊁上楼㊁下楼㊁站㊁坐㊁卧㊁躺这几种行为状态㊂即在不同的位置下完成对不同基本行为的数据采集㊂因此本文所研究的行为如表1所示㊂图3㊀数据采集手机位置示例图Fig.3㊀Sample graph of data acquisition mobile phone location表1㊀待研究行为类别Tab.1㊀Categories of behavior to be studied次要行为主要行为位置1行走㊁跑㊁上楼㊁下楼㊁站位置2行走㊁跑㊁上楼㊁下楼㊁站㊁坐㊁卧㊁躺位置3行走㊁跑㊁上楼㊁下楼㊁站㊁坐㊁卧㊁躺位置4行走㊁跑㊁上楼㊁下楼㊁站㊁坐位置5行走㊁跑㊁上楼㊁下楼㊀㊀实验所用的数据均使用华为nova4安卓手机作为数据采集设备,并以50Hz的频率采集数据,即每20ms获取一组传感器数据㊂因此每一次采集的数据包括7列测量值,其中第一列为时间,第2~7列为分别是加速度计和陀螺仪的测量数据㊂在数据处理之前,先使用滑动窗口算法对数据进行划分,在数据分割时每个窗口内尽可能包含一个及一个以上的完整周期,以保证每个窗口内提取的数据特征能够准确地反映某种行为㊂为选择合适的窗口长度,实验人员在较慢速度的情况下采集一些动态行为数据,通过计算得到行走㊁跑㊁上楼和下楼的平均周期分别为1.04㊁0.65㊁1.18㊁1.04s㊂因此,本文通过固定长度为64(1.28s),50%重叠率的滑动窗口来分割数据㊂所以,每个窗口内的数据样本通过64次采集得到,且每一次采集均可获得3个加速度数据和3个角速度数据,故数据分割后得到的每个数据样本由384个数据组成㊂3.2㊀数据预处理3.2.1零偏误差补偿行为识别对于传感器的精度要求相对较低,所以本文对传感器零偏误差仅做粗略估计㊂零偏误差包含了常值零偏㊁零偏稳定性和零偏不稳定性㊂对零偏误差的处理分为两步:①通过传感器在初始启动过程中采集几秒钟的静态数据求得的平均值来补偿常值零偏和零偏稳定性,测算结果如表2所示㊂②通过N秒平均法测算传感器的零偏不稳定性,如表3和表4所示㊂N秒平均法,即采集几个小时的静态数据,每10s或100s求取平均,最后统计这些平均值的均值与标准差㊂表2㊀静态数据求零偏不稳定性测量结果Tab.2㊀Static data to obtain zero bias instabilitymeasurement results坐标轴加速度计/(m/s2)陀螺仪/((ʎ)/s)X0.0946-0.0008Y-0.00200.0029Z0.0492-0.0082表3㊀N秒平均法求零偏不稳定性测量结果Tab.3㊀N-second average to obtain zero bias instability measurement results坐标轴加速度计/(m/s2)陀螺仪/((ʎ)/h)X-0.013611.6017Y0.12149.4827Z-0.0650 6.2797表4㊀传感器零偏不稳定性的N秒平均法测量结果标准差Tab.4㊀Standard deviation of sensor zero bias instability measured by N-second mean method传感器N=1N=10N=100加速度计X轴/(m/s2)0.006610.006330.00598加速度计Y轴/(m/s2)0.021180.021070.02113加速度计Z轴/(m/s2)0.060390.058790.05834陀螺仪X轴/((ʎ)/h) 2.65370 2.62860 2.62970陀螺仪Y轴/((ʎ)/h)16.0747016.0710016.14170陀螺仪Z轴/((ʎ)/h) 2.19210 2.17080 2.17390 3.2.2异常数据处理本文对异常值的处理采用均值修正法,利用原异常值所在位置的左右各两个数据的平均值来替换该异常值㊂但在处理过程中,需要注意判断数据是否越界㊂当进行异常值处理时,先对去除零偏误差后的数据采用箱型图检测出异常值所在位置㊂若异常值所在位置的左右各两个值均在原数据可检索范围内,则正常进行均值修正㊂若在寻找异常值相邻数据时,左边或右边的相邻数据索引超出了原数据序列长度,此时,只选择可检索到的数据求平均值来替换该异常值㊂图4列举了一组行为加速度数据异常值的处理结果,图中的点代表数据中的异常值㊂从图中可以看出,经处理后异常值数量明显减少㊂经大量的实验仿真,对于异常值的处理方法同样适用于其他行为数据㊂图4㊀异常数据处理前后箱型图对比Fig.4㊀Comparison of box type before and afterabnormal data processing3.2.3小波阈值去噪对于原始数据中存在的高频噪声,本文研究采用小波阈值去噪方法加以滤波,该方法不仅能够剔除信号中的噪声,而且可以尽可能地保留原始数据的特征㊂小波阈值去噪方法的主要流程如图5所示,主要步骤如下:①选择一种小波基函数并确定分解层次;②对含有噪声的数据进行小波变换,以获得不同尺度下的小波系数;③选择合适的阈值,将噪声产生的小波系数删除,只保留真实信号所产生的系数;④对处理后的小波系数利用小波逆变换实现信号重构,以获得去噪后的信号㊂在以上过程中,每个部分的设计,均会直接影响对数据的去噪效果㊂图5㊀小波阈值去噪的流程图Fig.5㊀Flowchart of wavelet threshold denoising在小波去噪中,通常使用信噪比和均方根误差来评价信号的去噪效果㊂信噪比是指信号和噪声二者间能量的比值,计算公式如式(1)所示㊂式中, f(x)为原始信号,f d(x)为去噪后的信号㊂均方根误差用于判断去噪前后信号的分散程度,计算公式如式(2)所示㊂SNR=ðN i=1f2(x i)ðN i=1[f(x i)-f d(x i)]2,(1)RMSE=1NðN i=1[f(x i)-f d(x i)]2㊂(2)一般地,信噪比越大,均方根误差越小,说明去除的噪声越多,信号去噪前后的偏差越小,去噪效果越好㊂依据上述两个指标,在实验仿真中反复调整各参数,选择出适应于大部分行为数据去噪的参数㊂图6和图7中分别展示了一组静态行为数据和一组动态行为数据的去噪前后对比图㊂经过大量的仿真分析确定了在小波阈值去噪处理中,均采用db7小波基函数㊁分解层数为3层结合基于SURE的自适应软阈值去噪方法对各行为数据进行去噪,以提高行为识别的精度㊂图6㊀行为 行走 加速度数据去噪前后对比图Fig.6㊀Comparison of acceleration data before and after denoising of walking图7㊀行为 站 加速度数据去噪前后对比图Fig.7㊀Comparison of acceleration databeforeand after denoising of station3.3㊀特征提取与特征选择为了提高预测的准确性,利用特征提取与特征选择来构建更快㊁消耗更低的预测模型㊂特征提取和特征选择通过选择重要特征的子集来减少数据的维度,以增强模型的可解释性㊂在3.1节的基础上,在每个数据样本中,利用采集到的三轴加速度数据计算出合加速度,并将其作为该数据样本的第7列测量值㊂对于每个窗口内的数据可按照表5所列的特征对7列测量值分别提取19个时域特征和16个频域特征,另外还需提取加速度计三轴测量值之间的皮尔逊相关系数(3个),陀螺仪三轴测量值之间的皮尔逊相关系数(3个),样本数及分布如表6所示㊂表5㊀时域特征㊁频域特征提取Tab.5㊀Time domain feature extraction and frequency domain feature extraction数据时域特征频域特征各列测量值㊁合加速度最小值㊁最大值㊁均值㊁众数㊁四分位数(3个)㊁四分位距㊁极差㊁方差㊁标准差㊁均方根㊁绝对值的平均值㊁平均绝对离差㊁波形因子㊁峰值因子㊁裕度因子㊁脉冲因子㊁能量最小值㊁最大值㊁均值㊁四分位数(3个)㊁四分位距㊁极差㊁方差㊁标准差㊁均方根㊁峰度㊁偏度㊁平均绝对离差㊁平均频率㊁能量加速度计三轴之间皮尔逊相关系数(3个值)无陀螺仪三轴之间皮尔逊相关系数(3个值)无表6㊀不同手机位置下行为的样本数Tab.6㊀Number of samples of behavior at differentphone locations主要行为位置1位置2位置3位置4位置5行走13201335134313211315跑12971296128512941259上楼12391279124312311258下楼12421290124312361252站1311130612981313坐129512761309躺12231223卧12261223㊀㊀为了提高各行为的识别准确率㊁缩短模型的训练时间,使分类器模型具有更好的性能,需要在提取的特征中选择出有效的特征,且这些特征易于区分㊁便于提取㊁数量尽可能少㊂本文根据特征分布规律来选择特征㊂图8为本文8种主要行为合加速度相关特征的分布统计图㊂图8(a)为随机抽取的10000个静态行为样本和动态行为样本的合加速度幅值的最大值分布情况,从图中可以看出,静态行为的合加速度最大值大部分集中在9.6~13m/s2,而动态行为则集中分布在10~80m/s2㊂图8(b)和图8(c)分别为4种动态行为和4种静态行为的合加速度幅值的均值分布情况,对于4种静态行为,合加速度幅值大致分布相同;在4种动态行为中, 跑 的数据特征分布明显与另外3种行为的特征分布有所差异㊂因此,可使用合加速度幅值的相关特征来区分静态行为㊁ 跑 和另外3种动态行为㊂(a)合加速度最大值分布(b)各静态行为合加速度均值分布(c)各动态行为合加速度均值分布图8㊀8种主要活动合加速度幅值相关特征分布Fig.8㊀Characteristic distribution of amplitude correlation of the combined acceleration of eight majoractivities㊀㊀为区分除 跑 以外的另外3种动态行为,以位置4下的各行为数据为例㊂图9中列出了位置4时 行走 上楼 下楼 加速度计X 轴和Z 轴的最小值和最大值的详细分布情况㊂从图中可知,虽然3种行为的数据分布出现重叠,但也存在一些差异,图9(a)和图9(b)中以最上面的虚线为参考面, 行走 的加速度计X 轴和Z 轴的最大值75%以上的数据在虚线上方,而 下楼 的数据特征有50%以上在虚线以下;图9(a)和图9(b)中以最下面的虚线为参考面, 上楼 下楼 两种行为的加速度计X 轴和Z 轴的最小值75%以上的数据在虚线上方,而 行走 的数据特征接近75%的数据分布在虚线以下㊂(a )加速度计X轴最值分布(b )加速度计Z 轴最值分布图9㊀位置4下 行走 上楼 下楼 加速度计最值分布Fig.9㊀Maximum accelerometer value distribution ofwalk , go up and go down at position 4对于同一种主要行为,不同手机位置下的数据特征也有所差异,以 行走 为例,图10分别列出了各种手机位置下加速度计Y 轴㊁Z 轴的数据特征分布㊂从图10(a)可以看出,位置1与位置2㊁位置3相比,数据特征分布有着较明显的差异;图10(b)中,位置2的数据与其他位置上的数据也有着明显的划分界限㊂(a )加速度计Y轴最值分布(b )加速度计Z 轴最值分布图10㊀不同手机位置下 行走 的加速度计三轴最值分布Fig.10㊀Accelerometer triaxial maximum value distributionof walk under different mobile phone positions按照上述方法,对提取的特征进行筛选㊂在原特征集的基础上选择了合加速度部分特征,加速度计和陀螺仪各轴最值㊂由于在不同的行为中,加速度计的三轴数据之间,以及陀螺仪的三轴数据之间有一定的相关性㊂因此,特征选择时保留加速度计与陀螺仪三轴之间的皮尔逊相关系数㊂本文最终选取了30个特征组成特征子集,分别为:加速度计和陀螺仪各轴测量值的最大值㊁最小值以及三轴数据之间的皮尔逊相关系数,合加速度的最小值㊁最大值㊁方差㊁平均数㊁众数㊁四分位数㊁极差㊁四分位距㊁平均绝对离差以及信号能量㊂4㊀模型训练4.1㊀SVM 分类器模型SVM 算法在非线性问题上有着突出的表现,它通过非线性变换将特征向量转换到高维的特征空间中,在高维特征空间中建立一个最大间隔的超平面来实现训练样本分类,巧妙地将非线性问题转化为线性问题㊂最终的超平面对应的模型为:f(x)=w Tφ(x)+b,(3)式中,法向量w和位移项b需满足式(4)所示的目标函数㊂由于求解映射到高维空间后的关系式较为困难,此时可以利用拉格朗日对偶性转换成求解其对偶变量的优化,对偶问题的目标函数如式(5)所示:min w,b12 w 2,㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀s.t.㊀y i(w Tφ(x)+b)ȡ1,㊀i=1,2, ,m,(4) maxαðm i=1αi-12ðm i=1ðm j=1αiαj y i y jφ(x i)Tφ(x j), s.t.㊀ðm i=1αi y i=0,㊀αiȡ0,i=1,2, ,m㊂(5)式(5)中的计算涉及到φ(x i)Tφ(x j)的计算,即样本x i和x j映射到新的特征空间后的内积㊂由于经过变换后的特征空间维数可能很高,所以很难直接对公式展开计算㊂假设一个函数K(x i,x j)满足式(6),则只需通过函数K(x i,x j)计算结果㊂K(x i,x j)=φ(x i)Tφ(x j),(6)由上所述,最终的超平面对应的模型为:f(x)=ðm i=1αi y i K(x i,x j)+b,(7)式中,K(x i,x j)为SVM模型训练时需要用到的核函数,也是用于实现从低维空间映射到高维空间的功能㊂为了构建适合于本文的行为识别模型,在构建分类器模型时先后选用了线性核函数㊁二次多项式核函数㊁三次多项式核函数以及径向基核函数训练模型,通过比较各模型的准确率选择最符合要求的核函数㊂4.2㊀多票判决由于超过1.28s后的数据会被划分到多个窗口之内,并且在每个窗口内被标记的标签类型可能不一致,造成该问题的原因有两种:①当前位置处于行为之间的交界处;②该窗口内的特征不明显,经分类器识别时误判㊂为了解决上述问题,本文参考多票判决策略㊂如图11所示,在分类器进行行为识别时,同时对每个时刻被标记的标签进行计数,直到当前时刻最后一次被划分到窗口内,选择被标记次数最多的标签作为此时刻的最终标签㊂若出现次数最多的标签有两个或两个以上,选择最后一个已知的标签作为最终标签㊂例如图11中标签7和9对应的行为分别为手机在位置2时的行走和上楼,其中某时刻的数据经过了6个窗口,被标记为9的次数最多,因此当前时刻最终预测出的行为为阅读时上楼㊂实验中,在线阶段采用固定长度为64,移动步长为10的窗口,因此,每个时刻最多经过6个窗口㊂图11㊀多票判决Fig.11㊀Multiple verdict5㊀实验结果与分析本文所有分类器模型均基于Matlab2020a编写代码,在Windows10系统,CPU为Intel i5-10210U 的电脑上执行代码㊂5.1㊀分类器实验结果分析在使用SVM训练分类器模型时,分别采用不同的核函数以及 一对一 的多分类方式,并采用5折交叉验证的方式避免过拟合㊂不同核函数的训练和测试结果如表7所示㊂表7㊀不同分类模型的训练和测试结果Tab.7㊀Training and testing results of differentclassification models核函数平均准确率/%训练时间/s预测时间/ms 线性核函数90.984.73230.88二次多项式核函数97.689.16232.42三次多项式核函数97.6173.25338.96径向基核函数95.2252.33280.38㊀㊀综合比较4种核函数的训练结果,其中采用二次多项式核函数的SVM模型(Q-SVM)整体性能最好㊂为探究SVM分类器模型性能的好坏,本文又分别训练并测试了朴素贝叶斯㊁决策树㊁KNN以及BP神经网络。
基于智能手机内置传感器的人体运动状态识别
基于智能手机内置传感器的人体运动状态识别殷晓玲;陈晓江;夏启寿;何娟;张鹏艳;陈峰【摘要】针对目前智能手机识别人体运动状态种类少、准确率低的问题,提出一种利用加速度传感器和重力传感器分层识别人体运动状态的方案.首先,利用加速度和重力加速度的关系计算出与手机方向无关的惯性坐标系下的线性加速度;其次,根据人体运动频率的变化范围和线性加速度矢量来确定脚步的波峰和波谷位置;最后,提取线性加速度在时域上的特征向量,使用层次支持向量机方法分层识别人体运动状态.实验结果表明,该方法能有效识别人体6种日常运动状态,准确率达到93.37％.【期刊名称】《通信学报》【年(卷),期】2019(040)003【总页数】13页(P157-169)【关键词】运动状态识别;层次支持向量机;智能手机传感器;时域特征【作者】殷晓玲;陈晓江;夏启寿;何娟;张鹏艳;陈峰【作者单位】西北大学信息科学与技术学院,陕西西安710127;池州学院数学与计算机学院,安徽池州247000;西北大学信息科学与技术学院,陕西西安710127;西北大学信息科学与技术学院,陕西西安710127;池州学院数学与计算机学院,安徽池州247000;西北大学信息科学与技术学院,陕西西安710127;西北大学信息科学与技术学院,陕西西安710127;西北大学信息科学与技术学院,陕西西安710127【正文语种】中文【中图分类】TP181随着智能手机的不断发展，智能手机中嵌入了各式各样的传感器，如重力传感器、加速度传感器和陀螺仪等，使手机的功能变得越来越强大。
利用智能手机中的传感器对人体运动状态进行识别，正在成为相关领域的研究热点。
该类研究是通过手机中的传感器采集与人体活动相关的数据来识别手机携带者的运动状态。
在人体运动状态识别方面，智能手机与其他可穿戴设备相比具有不受外部环境限制、不需要额外增加设备、不妨碍日常生活等优点。
智能手机除了用于健康监控、智能家居、智能监控外，还可以在病人监护、运动评估和交通行为监测等方面挖掘其应用价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于智能手机的人体运动检测与分析研
究
随着智能手机的普及和功能的不断增强，人们对于手机在健康管理、运动监测以及生活质量提升方面的期望也日益增长。
基于智能手机的
人体运动检测与分析成为一项备受关注的研究领域。
本文将探讨该主题，并介绍一些相关研究成果、技术应用以及未来发展方向。
一、智能手机的人体运动检测技术
1.1 加速度计和陀螺仪
智能手机内置的加速度计和陀螺仪传感器可以捕捉用户的运动数据。
加速度计能够测量智能手机在三个轴向的加速度变化，而陀螺仪传感
器可以测量智能手机的旋转角度。
通过结合这些数据，可以有效地检
测用户的步数、速度、方向以及姿势等信息。
1.2 光学传感器和摄像头
除了惯性传感器，智能手机还可以通过光学传感器和摄像头获取更
多的人体运动信息。
例如，通过识别跳绳动作的频率和节奏，结合加
速度计数据，可以较准确地估计用户的运动强度和消耗的热量。
此外，使用前置摄像头可以进行姿势检测和运动跟踪，帮助用户实时纠正姿
势并改善运动效果。
二、智能手机人体运动分析应用
2.1 健康管理和运动监测
基于智能手机的人体运动检测与分析可以为用户提供健康管理和运
动监测的功能，通过记录和分析运动数据，为用户提供个性化的健康
建议。
例如，一些健身应用程序可以根据用户的运动数据和目标制定
个性化的锻炼计划，并提供实时反馈和提示。
2.2 运动姿势纠正和教学
智能手机的人体运动检测功能还可以用于运动姿势的纠正和教学。
通过实时监测用户的姿势并与标准姿势进行比较，智能手机可以提供
准确的姿势纠正建议。
此外，一些应用程序还提供运动教学视频和教程，帮助用户正确地执行各种运动动作。
2.3 运动竞技和游戏
智能手机的人体运动检测与分析技术还可以应用于运动竞技和游戏中。
例如，一些虚拟现实游戏可以利用智能手机的传感器来跟踪用户
的运动，将其实时反馈到游戏中，增强游戏的沉浸感和互动性。
此外，还可以开发一些基于人体运动的竞技游戏，例如跳绳游戏和拳击游戏，为用户提供身临其境的运动体验。
三、智能手机人体运动检测与分析的挑战和未来发展方向
3.1 精度和可靠性的提升
目前智能手机的人体运动检测与分析技术尚存在一定的误差和不足。
提升精度和可靠性是未来发展的重要方向。
可以通过引入更先进的传
感器技术、优化算法和模型，以及与其他外部设备的联动来提高运动
检测和分析结果的准确性。
3.2 数据安全和隐私保护
随着智能手机中存储的运动数据越来越多，数据安全和隐私保护也
成为一个重要的问题。
未来在智能手机人体运动检测与分析方面的发
展中，需要更加注重用户数据的安全性和隐私保护，采取措施保证用
户数据不被滥用和泄露。
3.3 个性化和智能化的发展
未来智能手机的人体运动检测与分析应用将趋向于更加个性化和智
能化。
通过收集和分析大量的运动数据，智能手机可以为用户提供更
加个性化的健康建议和运动计划。
同时，将人工智能和机器学习算法
应用到智能手机的人体运动分析中，可以实现自动识别和分类不同的
运动动作，并提供更精细化的分析结果和建议。
结论
基于智能手机的人体运动检测与分析技术的不断进步和应用拓展，
为用户提供了更加便捷和个性化的健康管理和运动监测服务。
当前的
研究主要关注于提高精度和可靠性，并解决数据安全和隐私保护问题。
未来的发展方向包括更加个性化和智能化的应用，将人工智能和机器
学习算法引入运动分析中。
基于智能手机的人体运动检测与分析领域
还有很多潜力等待挖掘，可以为用户提供更好的健康管理和运动体验。