技术摘要：
一种基于惯性传感器的人体行为识别方法，涉及行为识别技术领域，首先采集惯性传感器数据；然后对原始数据进行滤波去噪、生成数据；其次进行动作片段分割并对数据片段进行特征提取；最后基于支持向量机和随机森林模型构建分层识别模型，根据先验知识将子分类器组合成分  全部
背景技术：
人体行为识别技术能够充分反映人体行为状态与生理信息，在运动追踪、健身锻 炼、日常监护、医疗康复、人机交互、虚拟现实、智能环境等领域具有广泛的应用前景。基于 惯性传感器的行为识别，利用加速度计、陀螺仪、方向传感器等传感器采集人体运动产生的 加速度、角速度和方向等物理信息，用于识别当前人体行为。 目前的研究主要集中于站、坐、步行、跑、上楼、下楼等基本动作，而对于基本动作 之间的过渡动作，如站-坐、坐-站、站、站-蹲、蹲-站等，则由于其发生率低和持续时间短等 原因，常被研究者忽视。然而在老年人监护、康复训练等领域，对于过渡动作的监测则尤为 必要，例如摔倒是老年人易发生的事故，通常发生在由坐着到站起的过渡动作中。另一方 面，当活动发生转变时，如果处理不当，人体行为识别系统的性能会受到影响。因此，对于过 渡动作的检测和识别是非常重要的。目前为止，只有少量研究人员在识别系统中考虑了过 渡动作。 Reyes-Ortiz等考虑了过渡动作的影响，将SVM连续活动预测的概率输出与2.56s 时间窗口内活动概率估计的启发式过滤方法结合，系统错误率为3.34％，他们指出过渡动 作发生的错误分类使系统错误率增加了4.13％。但是在研究中，所有过渡动作都被视为一 个单一的类，并未做区分。
技术实现要素：
为了克服已有技术的不足，本发明提供了一种基于惯性传感器的人体行为识别方 法，基于加速度计和陀螺仪等惯性传感器，并在识别系统中考虑了过渡动作，能够提供更全 面、更高准确率的识别结果。 本发明解决其技术问题所采用的技术方案是： 一种基于惯性传感器的人体行为识别方法，包括以下步骤： 步骤(1)：构建人体行为分层识别模型，模型中包含静态与动态动作分类器c1、周 期与过渡动作分类器c2、静态动作分类器c3，动态周期动作分类器c4、过渡动作分类器c5共5 个子分类器，利用特征选择方法从特征集F中选择适用于各子分类器的特征组成对应的特 征子集，特征子集Fi为分类器ci对应的分类特征子集，其中i＝1，2，...，5，利用训练数据集 对分层识别模型中的子分类器进行训练； 步骤(2)：采集加速度计和陀螺仪传感器数据； 步骤(3)：利用低通滤波方法对加速度计和陀螺仪传感器采集的数据进行滤波去 噪预处理； 步骤(4)：生成加速度幅值、线性加速度、重力加速度、垂直与水平方向加速度数 据； 7 CN 111582361 A 说　明　书 2/11 页 步骤(5)：对数据进行分割得到数据片段； 步骤(6)：根据特征集Fp对数据片段进行特征提取，得到该数据片段对应的特征向 量 Np为特征集Fp中的特征个数，Fp为步骤(1)中分层识别模型各 子分类器特征子集的并集，Fp＝F1∪F2∪...∪F5； 步骤(7)：将特征向量Vp输入人体行为识别分层识别模型，对模型中的不同子分类 器选择对应的特征子集进行分类，逐层分类得到最终的识别类别； 所述步骤(1)中构建和训练人体行为分层识别模型的步骤如下： 步骤(1-1)：采集不同人体行为下的加速度计和陀螺仪传感器数据，采集的行为包 括静态As、动态周期Ad、过渡动作At三大类，集合 Js为预先定义的静态动 作类别数目，集合 Jd为预先定义的动态周期动作类别数目，集合 Jt为预先定义的过渡动作类别数目，A＝As∪Ad∪At，为所有行为类别的 集合； 步骤(1-2)：利用低通滤波方法对采集的传感器数据进行滤波去噪预处理； 步骤(1-3)：生成加速度幅值、线性加速度、重力加速度、垂直与水平方向加速度数 据； 步骤(1-4)：对不同行为数据进行分割得到数据片段； 步骤(1-5)：根据特征集F，对每个数据片段进行特征提取，获得该数据片段对应的 特征向量Vk＝[v1，v2，...，v NN]∈R ，N为特征集F中的特征数目，并标记该特征向量所属的行 为类别aj，aj∈A，k＝1，2，...，K，K为数据片段数目，所有数据片段提取的特征向量共同构成 样本集S，S＝[V1；V2；...；VK]； 步骤(1-6)：构建人体行为分层识别模型，模型中包含静态与动态动作分类器c1、 周期与过渡动作分类器c2、静态动作分类器c3，动态周期动作分类器c4、过渡动作分类器c5 共5个子分类器，基于先验知识将子分类器组成分层识别模型； 步骤(1-7)：将采集的样本集S划分为特征选择数据集SF、模型训练集ST和模型验证 集SV，基于特征选择集SF和SF中每个样本所属的行为类别，利用特征选择方法，从特征集F中 选择适用于分层识别模型中各子分类器的部分特征组成对应的特征子集，特征子集Fi为分 类器ci对应的分类特征子集，其中i＝1，2，...，5； 步骤(1-8)：利用模型训练集ST、ST中每个样本所属的行为类别和各子分类器的特 征子集，训练分层模型中的各子分类器，并利用模型验证集SV进行模型验证。 进一步，所述步骤(1-1)中，采集的传感器数据包括加速度计和陀螺仪传感器不同 方向上的数据，采集的行为集合A中包含静态动作(站、坐)，动态周期动作(步行、跑、上楼、 下楼)和过渡动作(站-坐、坐-站、站-蹲、蹲-站)共10种动作。 进一步，所述步骤(1-3)中，利用加速度计x、y、z轴数据合成加速度幅值数据，利用 低通滤波器分离线性加速度和重力加速度，利用线性加速度和重力加速度解算出水平和垂 直方向加速度。 进一步，所述步骤(1-4)中，对于采集的静态动作和动态周期动作采用窗长度为L、 重叠覆盖率为p％滑动窗口方法进行分割；对于过渡动作计算加速度幅值的模糊近似熵，设 定阈值为T进行过渡动作的起始点与终止点的检测，并进行分割。 8 CN 111582361 A 说　明　书 3/11 页 进一步，所述步骤(1-6)中，基于支持向量机算法构建静态与动态动作分类器c1、 周期与过渡动作分类器c2、静态动作分类器c3，基于随机森林算法构建动态周期动作分类器 c4、过渡动作分类器c5。基于先验知识将子分类器组成分层识别模型，对于输入样本，先利用 静态与动态动作分类器c1识别输入样本为静态动作还是动态动作；若为静态动作，则利用 静态动作分类器c3识别输入样本的具体静态动作类别；若为动态动作，则利用周期与过渡 动作分类器c2识别输入样本为动态周期动作还是过渡动作；若为动态周期动作，则利用动 态周期动作分类器c4识别输入样本的具体周期动作类别；若为过渡动作，则利用过渡动作 分类器c5识别输入样本的具体过渡动作类别。 进一步，所述步骤(1-7)中，令样本子集 对于 中的每个特征向量 若 其属于静态动作，则标记为静态类别as，若其为动态周期动作或过渡动作，则标记为动态类 别am，构成向量 所有向量构成特征选择集 为样本子集 中特征向量的数目，基于 对特征集F进行特征选 择，选择其中适用于静态与动态动作分类器c1的部分特征组成特征子集F1； 从SF中筛选出属于动态周期动作或过渡动作的特征向量，组成样本子集 对于 中的每个特征向量 若其属于动态周期动作，则标记为动态周期类别ad， 若其为过渡动作，则标记为过渡动作类别at，构成向量 所有向量构成特征选择集 为样本子集 中特征向量的数目，基于 对特征集F进行特征选择，选择其中适用于周期与过渡动作分类器c2的部分特征组成特 征子集F2； 从SF中筛选出属于静态动作的特征向量，组成样本子集 对于S3中的每 个特征向量 标记其数据采集时的类别 构成向量 所有向量构成特征选择集 为样本子集 中特征向量的数目，基于 对特征集F进行特征选择，选择其中适用于静态动作分类器c3的部分特征组成特征子集 F3； 从SF中筛选出属于动态周期动作的特征向量，组成样本子集 对于 中 的 每 个 特 征 向 量 标 记 其 数 据 采 集 时 的 类 别 构 成 向 量 所有向量构成特征选择集 为样本子集 中特征向量的数目，基于 对特征集F进行特征选择，选择其中适用于动态周期动作分 类器c4的部分特征组成特征子集F4； 从SF中筛选出属于过渡动作的特征向量，组成样本子集 对于 中的每 个特征向量 标记其数据采集时的类别 构成向量 所有向量构成特征选择集 为样本子集 中特征向量的数目，基 于 对特征集F进行特征选择，选择其中适用于过渡动作分类器c5的部分特征组成特征子 集F5。 9 CN 111582361 A 说　明　书 4/11 页 进一步，所述步骤(1-7)中，所采用的特征选择算法为基于随机森林的集成法和包 装法，在选择每个子分类器的特征子集时，利用集成法得到特征集F中各特征的权值系数， 利用包装法对权值系数最高的前M个特征进行排序，将这前M个特征全部输入当前子分类器 得到当前子分类器在特征选择集上的最高准确率，设定各分类器阈值为最高准确率的β％， 利用前向顺序搜索方法确定当前子分类器特征及个数，若特征数不足5个，则选择前5个特 征。 进一步，所述步骤(1-8)中，令样本子集 对于 中的每个样本，根据特征子 集F1中的特征，选择对应特征值组成特征向量 N1为特征子集F1中的特征数目，若 其属于静态动作，则标记为静态类别as，若其为动态周期动作或过渡动作，则标记为动态类 别a m ，构成向量 所有向量构成训练集 为样本子集 中特征向量的数目，基于 训练静态与动态动作分 类器c1； 从ST中筛选出属于动态周期动作或过渡动作的样本，组成样本子集 对 于 中的每个样本，根据特征子集F2中的特征，选择对应特征值组成特征向量 N2 为特征子集F2中的特征数目，若其属于动态周期动作，则标记为动态周期类别ad，若其为过 渡动作，则标记为动态类别at，构成向量 所有向量构成训练集 为样本子集 中特征向量的数目，基于 训 练动态周期与过渡动作分类器c2； 从ST中筛选出属于静态动作的样本，组成样本子集 对于 中的每个 样本，根据特征子集F3中的特征，选择对应特征值组成特征向量 为特征子集F3 中的特征数目，标记其数据采集时的类别 构成向量 所有向量构成训练集 为样本子集 中特征向量的数目，基于 训练静态动作分类器c3； 从ST中筛选出属于动态周期动作的样本，组成样本子集 对于 中的每 个样本，根据特征子集F4中的特征，选择对应特征值组成特征向量 N4为特征子集F4 中的特征数目，标记其数据采集时的类别 构成向量 所有向量构成训练集 为样本子集 中特征向量的数目，基于 训 练动态周期动作分类器c4； 从ST中筛选出属于过渡动作的样本，组成样本子集 对于 中的每个 样本，根据特征子集F5中的特征，选择对应特征值组成特征向量 为特征子集F5 中的特征数目，标记其数据采集时的类别 构成向量 所有向量构成训练集 为样本子集 中特征向量的数目，基于 训 练过渡动作分类器c5。 10 CN 111582361 A 说　明　书 5/11 页 进一步，所述步骤(1-8)中，对于模型验证集SV中每个样本，根据特征子集F1中的特 征，选择对应特征值组成特征向量 输入静态与动态动作分类器c1，若c1输出结果为 静态，则根据特征子集F3中的特征，选择对应特征值组成特征向量 输入静态动作 分类器c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集F2中的特征，选择对 应特征值组成特征向量 输入周期与过渡动作分类器c2，若c2的输出结果为动态周 期动作，则根据特征子集F4中的特征，选择对应特征值组成特征向量 输入动态周 期动作分类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集F5中的 特征，选择对应特征值组成特征向量 输入过渡动作分类器c5得到最终的识别结 果，Ni为特征子集Fi中特征数目，i＝1，2，...，5。 进一步，所述步骤(4)中，利用加速度计x、y、z轴数据合成加速度幅值数据，利用低 通滤波器分离线性加速度和重力加速度，利用线性加速度和重力加速度解算出垂直与水平 方向加速度。 进一步，所述步骤(5)中，利用窗长度为L、重叠覆盖率为p％滑动窗口方法得到当 前数据片段。 进一步，所述步骤(7)中，对于输入的特征向量Vp，根据特征子集F1中的特征，选择 对应特征值组成特征向量 输入静态与动态动作分类器c1，若c1输出结果为静态， 则根据特征子集F3中的特征，选择对应特征值组成特征向量 输入静态动作分类器 c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集F2中的特征，选择对应特征 值组成特征向量 输入周期与过渡动作分类器c2，若c2的输出结果为动态周期动作， 则根据特征子集F4中的特征，选择对应特征值组成特征向量 输入动态周期动作分 类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集F5中的特征，选 择对应特征值组成特征向量 输入过渡动作分类器c5得到最终的识别结果，Ni为特 征子集Fi中特征数目，i＝1，2，...，5。 本发明的有益效果主要表现在：有效提高了分类模型的鲁棒性，显著提高了识别 准确率，具有明显优势。 附图说明 图1为本发明行为识别方法流程示意图； 图2为本发明行为识别算法的分层识别模型。