空间垂直方向位移在行为识别中的应用

摘 要： 为了提高行为识别中上下楼识别的准确率，提出一种利用重力方向位移变化对上下楼区分的方法。将手机坐标系的加速度数据转换为大地坐标系的加速度数据，再利用大地坐标垂直方向的加速度分量得出垂直方向的位移量，并将位移量作为垂直方向的特征值之一。水平方向的特征值、合成加速度的特征值和垂直方向的特征值作为分类器的输入。实验结果表明，在不计手机放置位置时上下楼的识别率提高了10%以上，因此该方法有效地提高了行为识别的准确率。

关键词： 行为识别； 坐标转换； 垂直方向位移； 数据转换

中图分类号： TN911.71?34 文献标识码： A 文章编号： 1004?373X（2017）14?0010?05

Abstract： In order to improve the recognition accuracy of ascending stair and descending stair activities， a method that uses the displacement of gravitational orientation to recognize ascending stairs and descending stairs is proposed in this paper. The acceleration data acquired from mobile phone is transformed into the acceleration data of azimuth coordination， and the displacement of gravitational orientation is achieved by means of acceleration component in gravitational orientation of azimuth coordination. The displacement is used as one of the gravitational orientation characteristic values. The characteristic values in horizontal direction， resultant acceleration and gravitational orientation are taken as the input of classifier. The experimental results show that the recognition accuracy of ascending stair and descending stair activities improves 10% no matter where mobile phone is put. Therefore， this method can effectively improve the accuracy of activity recognition.

Keywords： activity recognition； coordinate transformation； gravitational orientation displacement； data conversion

0 引 言

近几年，基于手机的行为识别成为研究热点，行为识别的应用范围也不断扩展，在医疗、交通、军事等领域行为识别具有巨大的市场前景。研究者主要利用手机上的三轴加速度传感器和其他辅助类型的传感器进行数据采集，对采集到的数据进行特征提取，将这些提取的特征作为分类器的入，以此来进行人体行为识别[1?3]。为了提高行为识别的准确率，除了三轴加速度传感器外，目前使用的还有GPS定位系统、方向传感器、陀螺仪等。由于单纯地使用手机三轴加速度传感器无法区分手机的方向变化[4]，为了能够区分手机的方向变化，文献[5]提出利用手机上加速度传感器和GPS定位系统相结合的方法，但这种方法无法识别手机在人体上的放置位置。文献[6]提出一种Kernel Discriminant Analysis方法，这种方法可以减小手机放置位置对行为识别的影响。文献[7]和文献[8]提出一种坐标转换的方法，这种方法可以消除手机放置位置和手机方向变化对行为识别的影响，具体为将手机坐标系转换为大地坐标系，然后再进行特征提取和分类。其方法有效提高了行为识别的准确率，但是这种方法对于上下楼的识别率仍然不高。文献[9]将CNN算法应用到行为识别中，其他行为的准确率在90%左右，但上下楼的识别率相对较低。为了解决上下楼识别率低的问题，本文提出一种通过空间垂直方向的位移来识别上下楼的方法，空间垂直方向即重力加速度的方向，其正方向与重力加速度方向相反。理论上，上楼和下楼在空间垂直方向的位移量分别为正值和负值，而站立、步行和跑步的空间垂直方向位移为零或者在零附近波动。

1 大地坐标垂直方向位移计算

1.1 坐标转换

坐标转换是将手机坐标系转换为大地坐标系，通过文献[7]给出的计算式就可以完成坐标转换。

图1为手机坐标系的x，y，z轴的方向。

大地直角坐标系的x，y，z轴的方向为：x轴方向水平向东；y轴方向水平向北；z轴方向垂直向上。手机坐标转化为大地坐标的计算公式如下：

如图2所示，ABCD表示手机的四角，X，Y，Z表示空间直角坐标系（大地坐标系），x，y，z表示手机坐标系。α表示y轴在水平面的投影（XY平面）与Y轴的夹角，其取值范围是[0，2π]。其中北为0，东为，南为π，西为。

如图3所示，ABCD表示手机水平放置位置，A1BCD1为手机绕y轴旋转后的位置，∠DCD1为β。β表示x轴和水平面的夹角，其取值范围是[-π，π]。

如图4所示，ABCD表示手机水平放置位置，A1B1CD为手机绕x轴旋转后的位置，∠A1DA为γ。γ表示y轴和水平面的夹角，取值范围是。

1.2 位移计算

假设加速度满足a=f（x），x表示时间，初始速度为0，v（t）表示t时间的速度，则：

想要得出垂直方向的位移只需要垂直方向的加速度和所用时间即可。由于传感器的数据是离散的，所以只需要计算每一个离散段所发生的位移，然后将每个离散时间段的位移加起来就是总位移。设采集数据的频率为f，采集时间为T（采集数据的窗口长度），采集到的加速度的总数为m，即m=f・T。

表示为第i个离散时间段大地坐标系Z轴的加速度值，由于采集到的数据包含重力加速度的值，所以Z轴的加速度值减去重力加速度后得到人体运动的加速度值，每一个离散时间段的末速度为，则：

2 分类器

分类算法种类较多，例如决策树、贝叶斯算法、K临近算法、支持向量机（SVM）、BP神经网络、极速学习机（ELM）等。本文采用极速学习机分类算法，这种算法是由黄广斌等人在单隐层前馈神经网络的基础上提出的一种新型的神经网络模型。与传统的神经网络模型相比较，极速学习机有以下优点： 传统的神经网络需要人为设计大量的参数，而极速学习机只需设计隐含层的节点个数，在计算的过程中也不需要调整权值和隐元的偏置，此外极速学习机比传统的神经网络计算速度快。

2.1 单隐层前馈神经网络

单隐层前馈神经网络的学习能力强、结构简单，能够适应复杂的函数，解决复杂问题，被广泛应用在模式R别、预测分类、故障诊断等领域。

对于N个不同的样本，其中，，具有M个隐含层节点，激励函数为h（x）的单隐层前馈神经网络模型为：

2.2 BP神经网络

由Rumelhart等人提出的BP神经网络模型是目前应用最为广泛的模型之一。BP模型的训练原理是利用反向误差传播迭代调整网络权值，使得实际输出与期望输出之间的误差平方和最小或者小于某个阈值。

由于BP存在训练速度慢、过渡拟合等缺点，为了解决这些问题黄广斌等人在单隐层前馈神经网络的基础上提出了极速学习机算法。

2.3 极速学习机

极限学习机（Extreme Learning Machine，ELM）是一种简单易用、有效的单隐层前馈神经网络（SLFNs）学习算法，2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐含层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生惟一的最优解，因此具有学习速度快且泛化性能好的优点。

近几年，极速学习机的应用非常广泛，其优势也比较明显。根据学者们的实验结果，本文将极速学习机的节点个数[10]设为100。

3 实验步骤与结果

3.1 数据采集

5个人用不同品牌的安卓手机，采集5种行为，5种行为分别为：上楼、下楼、站立、步行、跑步。每种行为又分别在身体的三个部位重复采集10次，三个部位分别是：裤兜、手、胳膊。采集的数据以5 s为一个窗口长度，频率为50 Hz。

3.2 特征提取

通过文献[7]的公式将手机坐标系的数据转换为大地坐标系的数据，然后再进行特征提取，在特征提取上将Z轴与X，Y轴分开，X，Y轴的数据进行矢量和后再进行特征提取：

本文选取了9种特征值，分别为：平均值、中位数、方差、标准差、最大值、最小值、范围、均方根、Z轴方向位移。水平方向和三轴合成加速度选取8种特征值（没有Z轴位移）。

图5～图9是同一个人的5种行为在Z坐标上的加速度数值和位移值。

3.3 实验结果

表1为大地直角坐标系没有加位移值的情况下各种行为的识别准确率，A，B，C，D，E分别代表5个不同的人，从表1中可以看出站立和跑步的行为识别率较高，基本可以达到90%以上，相对于跑步和步行，其他3种行为的识别率不高基本保持在50%～80%之间。表2为空间直角坐标系下将Z轴位移作为特征值的识别率，相比表1，上下楼的识别率提高了10%～20%。因为不同传感器误差和个人差异等，不同的人对上下楼的识别率有所不同，理论上讲，单纯的通过Z轴的位移值是可以将上下楼完全区分开来的。

4 结 语

本文提出一种利用大地直角坐标系下Z轴的位移对上下楼进行区分的方法。将手机坐标系下的数据集转换为大地坐标系下的数据集，对大地坐标系下的Z轴加速度分量进行计算得出Z轴位移，其将作为Z轴的特征值之一，Z轴的特征值和水平方向的特征值以及合加速度下的特征值输入到分类器中进行识别。实验采用极速学习机算法，结果表明没有Z轴位移值的识别率低于有Z轴位移值的识别率。因此这种方法有效提高了对上下楼的识别率。

参考文献

[1] SHOAIB Muhammad， BOSCH Stephan， INCEL Ozlem Durmaz， et al. A survey of online activity recognition using mobile phones [J]. Sensors， 2015， 15（1）： 2059?2085.

[2] JENNIFER R K， GARY M W， SAMUEL A M. Activity recognition using cell phone accelerometers [J]. ACM SIGKDD explorations newsletter， 2011， 12（2）： 74?82.

[3] 王忠民，曹栋.基于蚁群算法的行为识别特征优选方法[J].西安邮电大学学报，2014，19（1）：74?77.

[4] KHAN A M， LEE Y K， LEE S Y， et al. Human activity recognition via an accelerometer?enabled? smartphone using kernel discriminant analysis [C]// Proceedings of the 2010 IEEE 5th International Conference on Future Information Technology （FutureTech）. Busan， Korea： IEEE， 2010： 1?6.

[5] KAGHYAN S， SARUKHANYAN H. Accelerometer and GPS sensor combination based system for human activity recognition [C]// Proceedings of the 2013 IEEE Computer Science and Information Technologies （CSIT）. Yerevan， Armenia： IEEE， 2013： 1?9.

[6] HENPRASERTTAE A， THIEMJARUS S， MARUKATAT S. Accurate activity recognition using a mobile phone regardless of device orientation and location [C]// Proceedings of the 2011 IEEE International Conference on Body Sensor Networks （BSN）. Dallas， USA： IEEE， 2011：41?46.

[7] 王忠民，曹栋.坐标转换在移动用户行为识别中的应用[J].北京邮电大学学报，2014，37（z1）：31?34.

[8] 衡霞，王忠民.基于手机加速度传感器的人体行为识别[J].西安邮电大学学报，2014，19（6）：77?79.

[9] MING Z， LE T N， BO Y， et al. Convolutional neural networks for human activity recognition using mobile sensors [C]// Proceedings of the 6th IEEE International conference on Mobile Computing， Applications and Services （MobiCASE）. Texas， USA： IEEE， 2014： 197?205.

[10] 王忠民，屈肃.一种极速学习机人体行为识别模型迁移方法[J].西安邮电大学学报，2015，20（1）：50?54.

[11] 宫法明.交通驾驶员脸疲劳驾驶行为优化图像识别[J].计算机仿真，2015，32（11）：199?202.