基于貝葉斯分類算法的電子呼啦圈設計

段鵬鵬， 周 宇， 張俊康， 張 卓， 方 凱

(1.浙江工業大學 計算機科學與技術學院，浙江 杭州 310000;2.上海交通大學 機械與動力學院，上海 200000)

基于貝葉斯分類算法的電子呼啦圈設計

段鵬鵬1， 周 宇2， 張俊康1， 張 卓1， 方 凱1

(1.浙江工業大學計算機科學與技術學院，浙江杭州310000;2.上海交通大學機械與動力學院，上海200000)

針對實體的呼啦圈體積大，不易攜帶，使用不當可能對身體造成傷害的問題,設計了一種基于貝葉斯分類算法的電子呼啦圈。系統使用三軸加速度計采集呼啦圈旋轉時腰部的加速度信號，經卡爾曼濾波后，提取特定周期內的波形特征并以此訓練貝葉斯分類器，利用訓練后的分類器對實時滑動窗口內加速度計數據進行判斷是否符合轉實體呼啦圈腰部的運動特征，并將分類結果通過藍牙發送至Android終端。實驗證明：該設計功耗低，實時性好，準確率高。

貝葉斯分類； 卡爾曼濾波； 呼啦圈； 三軸加速度計; 滑動窗口

0 引 言

目前呼啦圈運動非常流行，是一項可以瘦身減肥的體育活動同時又兼具娛樂性[1]，但是傳統的呼啦圈體積大、不方便攜帶，需要較大的空間才能運動。同時傳統呼啦圈在甩動時會撞擊腹部、背部內的臟器(如腎臟)，選擇不當容易傷及臟腑。

文獻[2]中設計的電子呼啦圈以Z軸的加速度絕對值將呼啦圈運動劃分為4種快慢不同的狀態，并將腰部扭動數據同步點陣屏轉動。該方法抗干擾性差，未考慮呼啦圈旋轉時腰部不是單一的平面運動而是非定常單面約束下的三維運動[3，4]。

本文提出了一種基于樸素貝葉斯分類算法[5，6]的電子呼啦圈，硬件上采用超低功耗單片機MSP430F2272作為主控制器，三軸加速度計ADXL345[7]采集信號；算法上，先對

信號進行卡爾曼濾波,然后采用樸素貝葉斯的條件獨立假設計算樣本集的聯合分布[8]，利用訓練后的分類器對實時加速度計數據進行判斷是否符合旋轉實體呼啦圈時腰部的運動特征[9]，并將計數結果通過藍牙模塊實時地傳輸到Android終端。

1 系統架構設計

電子呼啦圈的硬件設計如圖1所示。

圖1 系統硬件設計

主要由三軸加速度計ADXL345、微控制器MSP430F2272、藍牙模塊HC—05及線性穩壓器LM9036組成。

加速度計與微控制器采用4線SPI通信，采樣頻率為100Hz；微控制器與藍牙模塊通過串行通信接口，藍牙僅需從微控制器接收計數結果，因此,僅用RX口即可，系統通信模式如圖2所示。

圖2 4線SPI通信

2 算法設計

算法主要由卡爾曼濾波器和樸素貝葉斯分類器組成?？柭鼮V波器對加速度計產生的數據進行濾波，去掉一些異常數據[10，11]。整個系統算法流程如圖3所示。

圖3 算法流程

樸素貝葉斯分類法基于貝葉斯定理并假設特征條件彼此獨立，利用先驗信息和樣本數據信息確定事件的后驗概率。

1)每個數據樣本用一個n維向量U={c1,c2,…,cn},分別為n個屬性C1，C2，…，Cn的n個度量。

2)現有m個區間，分別為Z1，Z2，…，Zm，對于未知的數據樣本U，分類器將預測U屬于具有最高后驗概率的類P(Zi|U)為

(1)

3)對所有區間,式(1)分母均相同，因此，只需求出P(U|Zi)P(Zi)的最大值即可。通常假定這些區間等概率，因此,只需求出P(U|Zi)的最大值

P(U|Zi)=P(C1|Zi)P(C2|Zi)…P(Cn|Zi)

(2)

式(2)中等號右邊的每一項可以通過樣本數據集計算得出。

2.1 訓練樣本特征提取

招募10名腰圍身高各異的志愿者轉實體呼啦圈，每名志愿者累計轉500圈，收集運動過程中的加速度數據作為訓練樣本。利用卡爾曼濾波器濾除訓練樣本中一些異常數據獲得可用的訓練集。訓練集中的數據分為3類，分別為加速度計X，Y，Z軸的數據。以時間為橫坐標，加速度數值為縱坐標，對連續波形進行分割，求出每位志愿者轉一次呼啦圈需要的加速度數據個數，并求取平均值m作為后續滑動窗口大小。計算每個波形的特征參量，包括：均值,方差V，有效值RMS，峰值因子CF，三軸相關性Rx,y。

以加速度計X軸數據為例，一個波形的X軸數據記為X1,X2,X3,…,Xm，Y軸數據記為Y1,Y2,Y3,…,Ym。各特征值計算公式如下

(3)

(4)

(5)

(6)

(7)

2.2 訓練分類算法

十名志愿者共生成了R(5000)圈訓練數據，基本包括了轉實體呼啦圈的各種狀態，因此,訓練的分類算法能適應不同人的要求，同時為了區分呼啦圈運動于其他運動，如走路、跳躍、跑步等，又采集了大量其他的動作數據作為反面訓練樣本。以2組訓練樣本數據訓練樸素貝葉斯分類器。

以走路動作為例，采集走W步的數據為非呼啦圈運動的訓練樣本，并以波形特征中的平均值為例(其他特征處理方法一致)，訓練步驟如下：

(8)

(9)

CP2=1-CP1

(10)

4)同理求出其他特征參量的概率。

經過上述步驟，求出的所有概率即為樸素貝葉斯分類器訓練的結果。

2.3 呼啦圈運動判斷

當電子呼啦圈佩戴在運動者腰帶扣頭進行轉呼啦圈運動時，加速度計產生大量實時數據流,設置一個長度為m的滑動窗口存儲數據[12]，將滑動窗口內的數據放到貝葉斯分類算法中判斷這些數據是否符合完成一次轉實體呼啦圈運動的數據，如符合，則計一圈，之后滑動窗口向新產生的數據方向滑動m個數據；否則，不計圈，滑動窗口移動m/4個數據。判斷方法如下：

1)提取滑動窗口內數據的特征(均值、方差、有效值、峰值因子、三軸的相關性)。

2)查找5個波形特征屬于S個區間的具體區間，對應得到該區間的概率，以X軸數據為例，Y軸和Z軸處理方法一致，假設5個波形特征在呼啦圈運動情況下所屬區間的概率分別為Pa，Pv，Prms，Pcf，Pr，在非呼啦圈運動情況下所屬區間的概率分別為FPa，FPv，FPrms，FPcf，FPr。

3)根據概率判斷滑動窗口內數據是否屬于呼啦圈運動，PX，PY，PZ分別為X軸、Y軸和Z軸在呼啦圈運動下對應的概率，FPX，FPY，FPZ分別為X軸、Y軸和Z軸在非呼啦圈運動下對應的概率，PX和FPX如式(11)、式(12)所示，對應的PY，PZ，FPY，FPZ處理方法一致。如果Ps>Pt，則是呼啦圈運動；否則，不是。Ps和Pt表達式如式(13)、式(14)所示

PX=Pa×Pv×Prms×Pcf×Pr

(11)

FPX=FPa×FPv×FPrms×FPcf×FPr

(12)

Ps=PX×PY×PZ×CP1

(13)

Pt=FPX×FPY×FPZ×CP2

(14)

式(13)、式(14)中CP1和CP2由式(9)、式(10)求得。

3 測試結果

電子呼啦圈運行時功耗僅為30mA。

測試另一組20名志愿者，測試者轉真實呼啦圈，每名測試者轉100圈，測試者轉呼啦圈的速度和力度均不同，測試結果如圖4、圖5所示，系統準確率約為0.92。

圖4 計圈數結果

圖5 系統計圈準確率

20名志愿者以同樣方法佩戴裝置各步行100步、跑步100步，跳躍、深蹲100次，測試系統的抗干擾性，結果如表1所示。

表1 抗干擾性統計

由圖5及表1可知，系統的精確度及抗干擾性較高。

4 結束語

設計了一種基于貝葉斯分類算法的電子呼啦圈，對運動時加速度計數據進行濾波分類，并將計圈結果發送至Android端。該電子呼啦圈體積小，方便攜帶使用，功耗低，實時性好，準確率高，抗干擾性較強。使用電子呼啦圈時卡路里的消耗量及提高抗干擾性將是后續工作的重點。

[1] 陳成鈞.呼啦圈的物理學[J].物理,2015(1):47-50.

[2] 高 楊,周 斌,何 移,等.基于微加速度計的虛擬呼啦圈[J].測控技術,2014,33(6):135-138.

[3] Seyranian A P,Belyakov A O.How to twirl a hula hoop[J].American Journal of Physics,2010,79(7):712-715.

[4] Cluff T,Robertson D G E,Balasubramaniam R.Kinetics of Hula hooping: An inverse dynamics analysis[J].Human Movement Science,2007(27):622-635.

[5] 李熙熙，李 宏.基于腿部三角特征的貝葉斯步態識別方法[J].計算機工程與應用，2008，44(17):195-197.

[6] 賀金鑫,陳圣波,王 陽,等.一種基于樸素貝葉斯分類模型的高光譜礦物精確識別方法[J].光譜學與光譜分析,2014,34(2):505-509.

[7] Chowdhury Debjyoti1,Banerjee Soumya Jyoti,Sanyal Krishnendu,et al.A real time gesture recognition with wrist mounted accele-rometer[C]∥The 2nd International Conference on Information Systems Design and Intelligent Applications,INDIA 2015.

[8] 陳 旋,劉 健,馮新淇,等.基于樸素貝葉斯的差分隱私合成數據集發布算法[J].計算機科學,2015,42(1):236-238.

[9] Roy Subhendu,Ghosh Sraboni,Barar Aratrika,et al.Real-time implementation of electromyography for hand gesture detection using micro accelerometer[C]∥International Conference on Artificial Intelligence and Evolutionary Computations in Engineering Systems,ICAIECES,2015.

[10] 金光明,張國良,陳林鵬,等.MEMS陀螺儀靜態漂移模型與濾波方法研究[J].傳感器與微系統,2007,26(11):48-50.

[11] 楊長林,柏秀亮,劉延飛,等.新息自適應區間Kalman濾波算法及其應用[J].傳感器與微系統,2012,31(11):132-135.

[12] 王 栩,李建中,王偉平.基于滑動窗口的數據流壓縮技術及連續查詢處理方法[J] .計算機研究與發展，2004,41(10):1639-1644.

DesignofelectronicHulahoopbasedonBayesclassificationalgorithm

DUAN Peng-peng1, ZHOU Yu2, ZHANG Jun-kang1, ZHANG Zhuo1, FANG Kai1

(1.SchoolofComputerScienceandTechnology，ZhejiangUniversityofTechnology,Hangzhou310000,China;2.SchoolofMechanicalEngineering,ShanghaiJiaoTongUniversity,Shanghai200000,China)

Aiming at problem that Hula hoop is bulky,hard to carry,and improper usage may do harm to the body,an electronic Hula hoop based on Bayes classification algorithm is designed.A three-axis accelerometer is used to capture acceleration signal at waist when tester doing hula hoop exercise,train the Naive Bayesian classifier by the wave characteristics within a given period after Kalman filtering ,the trained classifier is carried out to analyze the real-time data in sliding window，then send the result to android terminal by Bluetooth.The results prove that the system is precision with low-power consumption,good real-time.

Bayes classification; Kalman filtering;Hula hoop; three-axis accelerometer; sliding window

10.13873/J.1000—9787(2017)10—0099—03

2016—11—05

TP 212.9

A

1000—9787(2017)10—0099—03

段鵬鵬(1993-)，男，碩士研究生，主要研究方向為嵌入式系統，微電子機械系統,E—mail:dppisok@163.com 。