基于快速傅里叶变换的人体活动识别改进算法研究

摘 要：主要探讨了人体活动识别KNN算法的改进方法，该方法通过快速傅里叶变换算法和相关性分析，把采集到的信号时域特性变成频域特性，从而实现了对人体活动模式的识别。

关键词：人体活动识别；KNN算法；FFT；频谱分析；相关性分析

中图分类号：TN911 文献标识码：A 文章编号：2095-1302（2013）05-0021-02

0 引 言

傅里叶变换（Fourier Transform）在工程中应用很广，但是，对于非周期性的信号，人们把时域变成频域时频域分量有无限多个，而计算机只能处理有限信号，所以，对于此类信号，人们经常会用到离散傅里叶变换（DFT）。

1 快速傅里叶变换

将连续时间的傅里叶变换在时域内离散化，就是离散傅里叶变换。离散傅里叶变换无论是在数字信号处理，或是计算机控制等方面都有重要的应用，它无疑是当代社会生产生活中用到最重要的算法之一。但是，离散傅里叶变换在计算方面比较麻烦，时间复杂度较大。

所以，后了人们提出了一种新型的算法，就是快速傅里叶变换（FFT）。

FFT是离散傅立叶变换的快速算法，可以将一个信号变换到频域。有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。这就是很多信号分析采用FFT变换的原因。另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。本文主要讨论的是FFT算法在人体活动识别中的应用。

2 Real FFT

本文不着重介绍FFT算法的原理，而是从实用的角度进行分析。通过FFT 算法，可以将时域信号变换成频域信号。处理时域信号可以用Matlab工具分析，也可以用C/C++、Java语言等。下面是时域频域转换的Matlab代码：

fs=1000； %设定采样频率

xlabel（'频率（Hz）'）；

ylabel（'幅值'）；

title（'数据频谱分析 by 陈志豪'）；

grid； %设置网格

fy1=fft（y1）； % x轴曲线

f1=x1*fs/length（y1）； % 进行对应的频率转换

fy2=fft（y2）； % y轴曲线

f2=x2*fs/length（y2）； % 进行对应的频率转换

fy3=fft（y3）； % z轴曲线

f3=x3*fs/length（y3）； % 进行对应的频率转换

hold on；

p=plot（f1，abs（fy1），'g'）；

p=plot（f2，abs（fy2），'b'）；

p=plot（f3，abs（fy3），'r'）；

legend（'x轴'，'y轴'，'z轴'）；

3 通过Matlab分析获取人体活动姿势

在此，本文通过Matlab分析获取到的三轴加速度传感器的值来判断人们的姿势（坐着，走着，跑着）。通过Matlab编程画出图形，使读者对时域到频域的转换有一个感性而真实的认识。同时，通过分析可以得出人体活动的三种状态在频域上的区别，从而分辨出传感器携带者当前所属的状态。

图1所示是三幅时域特性图和与之对应的频率特性图。通过图像会发现，在频域上面很难通过计算机分辨出三幅图的异同，但是，当通过FFT算法将其转换成频域的时候，我们就会很容易看出三幅图的各自不同特性。根据这些特性，就可以通过编程的方法进行模式识别。

图1 三幅时域特性和与之对应的频率特性图

显然，人坐着的时候基波分量比较活跃，即低频活跃，而高频谐波基本上没有；而人在行走的时候，除了有一定的基波分量在0～10 Hz中比较活跃，在这段中，分布着不同的谐波；人在跑步的时候，还是会存在一定的基波分量，但高频分量相对于原来走路时候的分量更高了，即往右移了。从中可以得出一个结论：人在活动的时候，基波分量是存在的，坐着的时候显然是最高的，人在行走中随着步速的加快，三轴加速度传感器的变化速度越明显，谐波分量在频谱图中往右移。

4 相关性分析

对于一个人来说，坐着的话，软件往往很容易识别，但什么时候才算是走路，什么时候才算是跑步，还是要由个人来决定的。这就面临一个临界段的处理的问题，因此，只需要得出临界段的数据，然后进行比较就可以了。下面给一个可行性分析方案。

人在行走的时候，行和跑的概念在有时候是模糊的，这是对于临界点出现的情况说的。我们必须通过训练获取临界数据，即由行转为跑或者由跑转为行的临界点，因为个体的差异性和临界点的模糊性，每个人都有数据自己的临界段，而不是临界点。

这样，就可以通过用数组或通过哈希映射的方法保存幅度相对大的数据，然后通过最小二乘法判断与基波和临界段的相关性。其方法如下：

（1） 当得出与基波相关度高的时候，可以得出人在坐着。

（2） 当与临界段相关性较高的时候，可计算数据的平均频率分布，比较该平均频率值和前一次采样时间的平均频率值。如果增大，就是人有跑步的趋势；如果减小，就是人有行走的趋势。

（3） 当相似度较低的时候，计算数据的平均频率，并与临界段的平均频率进行比较。如果数据的平均频率比临界段的小，则人处于行走状态；反之，人处于跑步状态。

5 结 语

FFT算法和相关性分析是对人体活动模式探讨的一次创新性组合，通过频域中幅度频谱的分析实现信号的分类，然后通过最小二乘法相关性分析的方法，就可以实现对信号的智能识别。

参 考 文 献

[1] 程德福.传感器原理及应用[M].北京：机械工业出版社，2007.

[2] 管致中.信号与线性系统[M].北京：高等教育出版社，2011.

[3] RADER C， BRENNER N. A new principle for fast Fourier transformation [J]. IEEE transactions on Acoustics， Speech and Processing， 1976， 24（3）： 264-266.

[4] LI Bao-li， LU Qin， YU Shi-wen. An adaptive k-nearest neighbor text categorization strategy [J]. ACM Transactions on Asian Language Information Processing， 2004， 3（4）： 215-226.

[5] CORMEN T， LEISERSON C， RIVEST R， et al. Introduction to algorithms [M]. New York： McGraw-Hill， Inc.， 2001.

[6] OPPENHEIM A， SCHAFER R， BUCK J. Discrete-time signal processing [M]. 3rd ed. New York： Prentice Hall， 1999.

[7] EDELMAN A， MCCORQUODALE P， TOLEDO S. The future fast Fourier transform [J]. SIAM J. Sci. Computing， 1999， 20（3）： 1094-1114.

[8] ERGUN F. Testing multivariate linear functions： Overcoming the generator bottleneck [C]// Proc. of 27th ACM Symposium on the Theory of Computing. Las Vegas： ACM， 1995： 407-416.

[9] FRIGO M， JOHNSON S G. The design and implementation of FFTW3 [J]. Proceedings of the IEEE， 2005， 93 （2）： 216-231.

[10] GUO Hai-tao， BURRUS C S. Fast approximate Fourier transform via wavelets transform [J]. SPIE， 1996， 2825： 250-259.

[11] HEIDEMAN M， BURRUS C S. On the number of multiplications necessary to compute a length-2n DFT [J]. IEEE Transactions on Acoustics， Speech and Signal Processing， 1986， 34 （1）： 91-95.

[12] JACQUES M. Note on a lower bound of the linear complexity of the fast Fourier transform [J]. J. of ACM， 1973， 20 （2）： 305-306.

[13] MOHLENKAMP M J. A fast transform for spherical harmonics [J]. The Journal of Fourier Analysis and Applications， 1999， 5 （2/3）： 159-184.

[14] NUSSBAUMER H J. Digital filtering using polynomial transforms[J]. Electronics Letters， 1977， 13（13）： 386-387.

[15] PAN V. The trade-off between the additive complexity and the asyncronicity of linear and bilinear algorithms [J]. Information Processing Letters， 1986， 22 （1）： 11-14.

[16] E.O.布赖姆.快速傅里叶变换[M]， 柳群，译. 上海：上海科学技术出版社，1979.

[17] DUDA R O， HART P E， STORK D G. Pattern classification [M]. 2nd ed. New York： Wiley， 2001.

[18] PAULUS D， HORNEGGER J. Pattern recognition and images and processing in C++ [M]. Wiesbaden： Vieweg and Teubner Verlag， 1995.