基于惯性传感器的人体行为识别系统下EEMD‑DFA特征提取方法技术方案

本发明专利技术请求保护一种基于惯性传感器的人体行为识别下EEMD‑DFA特征提取方法。主要结合了集合经验模式分解(ensemble empirical mode decomposition(EEMD))与非趋势波动分析(detrended fluctuation analysis,DFA)两种方法的优势，不仅在区分某些相似行为有较好的效果，而且该方法还提高了大部分行为的识别准确率。由于EEMD方法和DFA方法都是适合于处理非线性非平稳信号的特征提取的方法，EEMD方法可以将信号分解成若干个单分量的固有模态函数(IMF)之和，得到的这些IMF分量突出了原信号的局部化特性，而DFA方法可以将各种不同阶的外来趋势从时间序列中清除,从而准确地观察到时间序列本身所具有的统计行为特征，对它们进行分析,并结合二者的优势，有望在不同的分辨率下得到更准确、更有效的原信号特征信息，从而实现多种行为分类的更高准确率。

【技术实现步骤摘要】
基于惯性传感器的人体行为识别系统下EEMD-DFA特征提取方法
本专利技术涉及模式识别领域，具体涉及一种人体行为特征提取方法。
技术介绍
人体行为识别主要是指对人体的动作类别、行为模式进行分析和识别，并对其加以描述，具有广阔的应用前景和可观的经济价值。它通过获取人体的运动信息，对这些信息进行有效的处理，不仅可以判断其所处的地理环境，得知其执行的行为动作，并推测其潜在意图，还可以根据需求为其提供智能化的服务。但人体行为是非刚体运动，是一个十分复杂的运动系统，具有高度的自由性和明显的非线性特征。鉴于加速度现象在日常生活中无处不在，直接反映了各种人体活动信息。不论是日常活动，例如：行走、跳跃、慢跑、刷牙、吃饭等，还是异常行为，比如：摔跤、爬行、晕倒等，都伴随着各种加速度、角速度等变化。因此，通过惯性传感器来实现人体行为的模式识别，越来越受到各国学者的广泛关注。2)本文用于提取特征的经验模态分解(EmpiricalModeDecomposition,EMD)方法,是由N.E.Huang等人于1998年创新性地提出的一种自适应信号时频处理方法,并被证明是处理非线性、非平稳信号的强有力工具。它是基于信号的局部特征时间尺度,通过一个“筛选”过程将被分析信号分解为其本身固有的一族内禀模态函数(IntrinsicModeFunctions,IMF),这些IMF均是原始信号的分量,并且其中每一个IMF分量均与其他IMF分量正交。除此之外,每一个IMF分量可以是线性的或非线性的,平稳的或非平稳的,但IMF必须具有下列两个特性:(1)在整个信号序列中,极值点与过零点的个数必须相同或至多相差1个；(2)在信号记录的任意点处,由局部极大值点确定的上包络线以及由极小值点确定的下包络线的均值为零。3)非趋势波动分析(detrendedfluctuationanalysis,DFA)方法是CKPeng等人提出的一种时间序列长程相关性标度指数计算方法,其优点在于可以将各种不同阶的外来趋势从时间序列中清除,从而准确地观察到时间序列本身所具有的统计行为特征，该方法适合于非平稳信号的分析。4)基于信号局部特征时间尺度的EEMD方法就是一种可以将原始信号分解成多种不同尺度的信号(IMF),每种尺度信号都携带着原始信号的一些固有特征，另外DFA方法一种时间序列长程相关性标度指数计算方法，可以准确地观察到时间序列本身所具有的统计行为特征，更适合于非平稳信号的分析。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种降低运算复杂度、快速准确的基于惯性传感器的人体行为识别系统下EEMD-DFA特征提取方法。本专利技术的技术方案如下：一种基于惯性传感器的人体行为识别系统下EEMD-DFA特征提取方法，其包括以下步骤：步骤1：获取人体行为数据包括三轴加速度数据、三轴角速度共六维原始数据，并对该六维原始数据进行EEMD分解，经EEMD分解后，每一维数据会得到多个尺度的固有模态IMF函数，挑选每轴分解的IMF函数的前n1个；步骤2：将每轴挑选的n1个IMF函数与该轴原始数据结合，每轴就形成了(n1+1)维数据，这样6轴就形成了6(n1+1)维数据，然后采用n2*6(n1+1)作为一个采样样本，相邻样本间采用50％的重叠率进行滑动加窗得到所有样本数据；步骤3：将步骤二中得到的所有分窗样本数据进行特征提取，提取时域特征、频域特征及非趋势波动系数DFA特征，组成多维特征集；步骤4：对提取的多维特征集进行Relief-F特征选择方法进行数据的降维，然后使用K近邻分类器进行数据的分类，得到分类行为的识别准确率。进一步的，所述n1取值为5，n2取值为500。进一步的，所述步骤3的时域特征包括均值、方差、四分位、相关系数在内的时域特征，所述频域特征包括频域能量信号、频域熵在内的频域特征。进一步的，所述步骤1三轴加速度数据、三轴角速度共六维原始数据的获取是从人体携带在身上的惯性传感器获得。进一步的，所述步骤1中对六维原始数据进行EEMD分解，经EEMD分解后，每一维数据会得到多个尺度的固有模态IMF函数具体包括步骤：S1、对单个样本窗序列s(t)，向s(t)添加高斯白噪声序列n(t)，构成s1(t)S2、调用EMD(经验模态分解)函数对添加噪声后的信号进行EMD分解得到IMF；S3、重复步骤S2若干次，每次加入不同的高斯白噪声；S4、判断是否达到设定次数，若是则停止并保存所有IMF，并将每次分解得到的IMF对应求平均值。进一步的，所述步骤4对提取的多维特征集进行Relief-F特征选择方法进行数据的降维，然后使用K近邻分类器进行数据的分类的具体步骤包括：以下为Relief-F特征选择方法的伪代码：本专利技术的优点及有益效果如下：本方法采用的是先对原始数据进行EEMD分解后在进行分窗特征提取，之所以没有采用传统的方式即先对原始提取的数据进行分窗后再进行特征提取进而得到特征集，EEMD方法虽然在能提取优秀的分类特征，但其运算复杂度比较高，运算时间较长，如果先进行分成多个样本窗，之后每窗都要进行EEMD分解，这样运算时间会成本增加，进而降低了EEMD特征提取方法的优势。基于惯性传感器的人体行为识别系统中，由于惯性传感器(加速度计、陀螺仪)提取的三轴加速度信号与三轴角速度信号均为非线性、非平稳信号，所以在人体动作识别过程中尝试采用适合于处理非线性非平稳信号的特征提取方法是必要的，而基于信号局部特征时间尺度的EEMD方法就是这样一种方法，可以将原始信号分解成多种不同尺度的信号(IMF),每种尺度信号都携带着原始信号的一些固有特征，另外DFA方法一种时间序列长程相关性标度指数计算方法，可以准确地观察到时间序列本身所具有的统计行为特征，更适合于非平稳信号的分析。结合二者优势通过使用KNN分类器来实现更加精确的人体行为分类。本专利技术对某些相似行为有良好的区分能力，并且相对于只提取时域频域特征的分类准确率有所提高。附图说明图1是本专利技术提供优选实施例整体行为分类实现流程图；图2是本专利技术的实现流程图；图3是EMD分解流程图；图4是本专利技术提供优选实施例EEMD分解流程图；图5是未使用本专利提出的特征提取方法的分类混淆矩阵仿真图；图6是使用本专利提出的特征提取方法的分类混淆矩阵仿真图；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。本专利技术解决上述技术问题的技术方案是，结合图2说明本实施方式，本实施方式步骤如下：步骤一：将佩戴于腰间的惯性传感器提取的三轴加速度数据与三轴角速度人体行为数据共六维原始数据进行EEMD分解，每一维数据会得到多个尺度的IMF函数(固有模态函数)，挑选每轴分解的IMF函数的前5个，其中EEMD分解方法(如图4)是EMD分解方法(如图3)的改进方法，此方法可以有效避免模态混叠的现象。步骤二：将每轴挑选的5个IMF函数与该轴原始数据结合，每轴就形成了6维数据，这样6轴就形成了36维数据，然后采用每500*36作为一个采样样本，相邻样本间采用50％的重叠率进行滑动加窗得到所有样本数据。步骤三：将步骤二中得到的所有分窗样本数据进行特征提取，除了提取常见的时域特征(均值、方差、四分位、相关系数等)，频本文档来自技高网...

【技术保护点】
一种基于惯性传感器的人体行为识别系统下EEMD‑DFA特征提取方法，其特征在于，包括以下步骤：步骤1：获取人体行为数据包括三轴加速度数据、三轴角速度共六维原始数据，并对该六维原始数据进行EEMD分解，经过EEMD分解后，每一维原始数据会得到多个尺度的固有模态IMF函数，挑选每轴分解的IMF函数的前n1个；步骤2：将每轴挑选的n1个IMF函数与该轴原始数据结合，每轴就形成了(n1+1)维数据，这样6轴就形成了6(n1+1)维数据，然后采用n2*6(n1+1)作为一个采样样本，相邻样本间采用50％的重叠率进行滑动加窗得到所有样本数据；步骤3：将步骤二中得到的所有分窗样本数据进行特征提取，提取时域特征、频域特征及非趋势波动系数DFA特征，组成多维特征集；步骤4：对提取的多维特征集进行Relief‑F特征选择方法进行数据的降维，然后使用K近邻分类器进行数据的分类，得到分类行为的识别准确率。

【技术特征摘要】
1.一种基于惯性传感器的人体行为识别系统下EEMD-DFA特征提取方法，其特征在于，包括以下步骤：步骤1：获取人体行为数据包括三轴加速度数据、三轴角速度共六维原始数据，并对该六维原始数据进行EEMD分解，经过EEMD分解后，每一维原始数据会得到多个尺度的固有模态IMF函数，挑选每轴分解的IMF函数的前n1个；步骤2：将每轴挑选的n1个IMF函数与该轴原始数据结合，每轴就形成了(n1+1)维数据，这样6轴就形成了6(n1+1)维数据，然后采用n2*6(n1+1)作为一个采样样本，相邻样本间采用50％的重叠率进行滑动加窗得到所有样本数据；步骤3：将步骤二中得到的所有分窗样本数据进行特征提取，提取时域特征、频域特征及非趋势波动系数DFA特征，组成多维特征集；步骤4：对提取的多维特征集进行Relief-F特征选择方法进行数据的降维，然后使用K近邻分类器进行数据的分类，得到分类行为的识别准确率。2.根据权利要求1所述的基于惯性传感器的人体行为识别系统下EEMD-DFA特征提取方法，其特征在于，所述n1取值为5，n2取值为500。3.根据权利要求1或2所述的基于惯性传感器的人体行为识别系统下EEMD-DFA特征提取方法，其特征在于，所述步骤3的时域特征包括均值、方差、四...

【专利技术属性】
技术研发人员：王华华，黄龙，李小文，陈发堂，王丹，刘宇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50