利用GRNN和PNN對運動姿態的識別研究

黃元植+黃銳敏+莫冰+傅文源

摘要：提出了一種利用由MPU6050和CC2541組合的開發板，運用GRNN和PNN實現運動姿態的識別。MPU6050測出三軸加速度的原始數據，CC2541用來采集三軸加速度數據，并通過串口傳輸到上位機MATLAB端，對原始數據主要的處理方法是通過MATLAB進行小波變換，濾除噪聲，得到三軸加速度數據主體部分，并在上位機端編寫了提取特征點，特征點在時域和頻域各取三個，共有六個特征點，進行運動姿態的識別判斷。在特征點的選用上利用算法比較了不同的特征點的組合，得到一個最優結果。在上位機端編寫GRNN和PNN的程序，可以運行出準確度，運行時間，得到GRNN的準確度為90.1%，PNN的準確度為91.6%，運行時間均在1秒以下。

關鍵詞：運動姿態識別；mpu6050；cc2541；廣義回歸神經網絡；概率神經網絡

中圖分類號：TP212 文獻標識碼：A 文章編號：1009-3044（2018）01-0264-04

Abstract：In this paper， GRNN and PNN were presented to realize motion detection using development board，which includes MPU6050 sensing triaxial accelerometer data ，CC2541 collecting triaxial accelerometer data.The data were transferred to MATLAB via serial communication.The noise were filtered with the help of wavelet analysis and got the main valid data.The features of the motion signal were extracted in frequency domain and time domain， and we got 6 major motions features.Different combination of characteristics also have been used in order to comfirm which one was best.According to sinmulation results，GRNNs recognition rates achieves 90.1% and PNN is 91.6% and the run time was all less than 1 second.

Key words：motion detection； mpu6050；cc2541；GRNN；PNN

1 概述

基于三軸加速度傳感器的人體運動姿態識別是人體行為識別領域中一個較新的研究課題。按照人體行為的原始信號獲取方式的不同，行為識別可以分為基于視覺的和基于微機電傳感器的這兩類。基于微機電傳感器的行為識別方法通過在人身上安裝微機電傳感器來獲取人體活動時產生的傳感器信號，在這種方法中，對動作的識別通常是在人體特定部位放置特定的傳感器來獲取特定動作的動作特征，并通過這些動作特征來識別動作。本文所使用的行為識別方法是基于微機電傳感器器件的。

在文獻[1]當中Lee利用5個加速度傳感器分別綁在人身體的不同部位，以此實現人體運動姿態的識別，但是由于佩戴器件過多，人會覺得太重了，且識別的精度較低。文獻[2]中Ailisto K等用重力加速度在預判運動過程中加速度傳感器的方位難點，據此為后來的基于加速度傳感器的朝向無關方向提供了理論依據。文獻[3]中Gafurov D等人提出了在視頻信號中對人體運動姿態分析，對運動特征采用了主成分分析（Principal Components Analysis ，PCA），并利用神經網絡對其運動姿態進行分類，包括正常走路，跑步和其他三類運動[1，2，3]。

相比較于基于視覺的行為識別方法，基于加速度傳感器的行為識別方法具有抗外界干擾能力強，攜帶方便，自由的數據獲取方式的優點[4，5，6]，提出了一種將三軸加速度信號求取模值，保證了數據的完整性，并依據一定的數據特征，得到加速度的六個特征值，依據這六個特征值，使用廣義回歸神經網絡（GRNN，General Regression Neural Networok）概率神經網絡（PNN ，Probabilistic neural network）神經網絡模型對人體行為，例如正常走路，上樓，下樓，跑步，停頓進行分類判斷。而且廣義回歸神經網絡和不需要像BP神經網絡那樣的權值修正和可修改的參數少，所以利用這兩種方法的分類速度是很快的。

2 實驗裝置與方法

2.1 實驗裝置

該文收集數據的平臺如圖1所示。再通串口將數據發送到電腦端。本系統采用MPU6050加速度傳感器來測量加速度數據。MPU6050是美盛（InvenSense）設計全球首例整合性6軸運動處理組件， 支持2。5V∽3。3V的輸入電壓，三軸加速器提供的測量范圍為±2g、±4g、±8g與±16g，一個片上1024 Byte的FIFO（先入先出）的存儲區，因此能為系統提供穩定而準確地三軸加速度數據。信號處理及傳輸模塊采用TI公司的CC2541低功耗和私有片載系統，具有高性能、低成本、低功耗等特點和高集成度、易于開發的優勢。數據采集后通串口將數據發送到電腦端，用MATLAB進行處理[7，8]。

在實驗中，收集加速度信號的裝置固定在腳踝上，因其加速度的變化明顯。加速度計的X，Y，Z分別指向左右，前進以及重力的方向，采樣頻率設置為50Hz，量程為± 2。5g。為了更充分利用三軸加速度信號，求取三軸加速度平方根進行分析。實驗中，記錄下了一個正常成年走路，跑步，上樓，下樓，停頓動作的三軸加速度信息。endprint

2.2 GRNN及PNN介紹[9-12]

廣義回歸神經網絡（GRNN）是徑向基函數神經網絡的一種特殊形式。

圖3是PRNN的原理圖。R作為訓練輸入樣本，訓練以此確定此網絡的參數，IW1.1，b1，IW2.1。權值與閾值確定之后，測試樣本輸入P與系統的網絡徑向基層的權值IW1.1求取歐氏距離||Ddist||，||Ddist||與閾值b1點乘得到n1，經過一個徑向基函數得到a1，a1與權值IW2.1點乘得到n2，再經過求解線性方程組得到輸出。徑向基層是確定測試樣本與訓練的相似程度或者說是兩個輸入的距離的大小（歐式距離）。當一個測試樣本輸入到這個確定的網絡模型后，其實是將這個測試樣本與這個訓練樣本對比，對比后測試樣本的輸出其實是與訓練樣本中某一個類似特征的輸出，這也是為什么訓練樣本輸入后，權值與閾值就確定了，其IW1.1，b1， IW2.1是與訓練樣本有關。當然這個輸出會按一定的誤差，以滿足準確率。

與目前流行的前饋神經網絡相比，它具有下述幾項優點。

1） 首先，它的網絡結構相對簡單，除了輸入和輸出層外，一般只有兩個隱藏層，模式層和求和層。而模式中隱藏單元的個數，與訓練樣本的個數是相同的。

2） 其次，它的網絡訓練非常簡單。當訓練樣本通過隱藏層的同時，網絡訓練隨即完成。而不像前饋神經網絡一樣，需要非常長的訓練時間和高的計算成本。

3） 由于簡單的網絡結構，我們不需要對網絡的隱藏層數和隱藏單元的個數進行估算和猜測。由于它是從徑向基函數引申而來，因此只有一個自由參數，即徑向基函數的平滑參數。而它的優化值可以通過交叉驗證的方法非常容易的得到。

4） 最后，它的一個非常值得強調的優點就是，網絡計算結果的全局收斂性。標準的前饋神經網絡的計算結果則會經常不能達到全局收斂，而停止在局部收斂。

概率神經網絡（PNN）是基于統計原理的神經網絡模型，在分類功能上與最優Bayes 分類器等價，其實質是基于貝葉斯最小風險準則發展而來的一種并行算法，同時它不像傳統的多層前向網絡那樣需要用BP 算法進行反向誤差傳播的計算，而是完全前向的計算過程。

PNN與GRNN類似，只有在輸出的方式不同，PNN采用競爭的方式輸出。通常，當一個測試數據輸入時，有可能與樣本庫當中的多個樣本數據接近，競爭層就是以最大概率與樣本庫的特征相近得到測試樣本的輸出。

PNN它訓練時間短、不易產生局部最優，而且它的分類正確率較高。無論分類問題多么復雜只要有足夠多的訓練數據，可以保證獲得貝葉斯準則下的最優解PNN 網絡具有如下主要優點：

1） 訓練快速，其訓練時間僅僅略大于讀取數據的時間。

2） 無論分類問題多么復雜，只要有足夠多的訓練數據，可以保證獲得貝葉斯準則下的最優解。

3） 允許增加或減少訓練數據而無需重新進行長時間的訓練。

該文分別應用GRNN和PNN對樣本進行識別分類，并進行了比較。

3 數據處理

3.1 三軸加速度數據預處理

原始數據的預處理非常重要，好的數據處理方法可以有效提高運動姿態的識別。經過藍牙串口的傳輸，原始三軸加速度信號傳送到PC端，然后應用MATLAB對原始數據進行預處理。因在重力方向的加速度，有三軸加速度會有地球重力加速的分量作用，因此，首先對三軸加速度的輸出編程去除重力的一個偏置。其次，傳統的原始加速度信號多用傅里葉變換進行處理，去噪，然而經過傅里葉變換之后就會丟掉某一頻率所對應的一個時間信息，這就使得傅里葉變換不適合處理這種非平穩的信號，故本文采用小波變換來克服這個缺點。小波變換具有優良的多分辨率分析的能力，很適合處理這種非平穩信號，被譽為”數學顯微鏡”。由于通過三軸加速度計采集得到的原始數據含有很多毛刺和突變的地方，采用小波變換進行濾波處理，將信號的噪聲部分濾掉，提取有效的信號并不失其變化規律，保留了信號的主體。總的說來，隨機信號的消噪過程可以有三部分：一是對信號進行小波分解。這步的關鍵是根據信號特征選擇那種小波基函數，并確定分解層數。二是對分解后的小波系數進行處理。這步的關鍵是閾值的選取。三是進行重構信號，得到最終去噪后的信號[13]， 本文采用 Haar小波系基函數， 在 MATLAB 程序中，利用Haar小波對信號進行分解，同時對每一層信號進行強制消噪處理，通過重構得到濾波消噪后的信號，圖5是進行小波去噪的對比圖。最后，除去運動開始和結束時的靜止狀態信號，僅輸出動態的三軸加速度信號。

3.2 特征點的提取及樣本庫的制作[14]

通過翻閱大量的文獻，大致將加速度信號的特征分為時域特征、頻域特征和時頻特征這三類。該文分別使用了時域特征、頻域特征各提取三個特征點。應用時域特征方法時，將預處理后的三軸加速度信號取模的操作，保留全部信息，得到模值后分別求取模值的均值，應用MATLAB函數prctile分別求取數據低于25%，75%的特征點。應用頻域特征方法時，論文找出加速度變化最大的那一個軸作為求取頻域特征的樣本（本文取Y軸），分別求取低于5Hz的尖峰頻率，及其數量，0-5Hz的皮頻譜積分值。本文驗證到底幾個特征點可以得到較高的預測效果，六個特征點組成了18種組合（1，12，123，1234，12345，123456，2，23，234，2345，23456，3，34，345，3456，4，45，456）隨機組合，分別進行測試。

3.3 算法說明

樣本庫是由10000*6的輸入數據和10000*1的輸出數據組成，分成9600*6的訓練集和400*6測試集驗證。這個9600個數據包含了直線走路，跑步，上樓，下樓，原地踏步五個動作。將9600個樣本用MATLAB函數randperm（），隨機打亂。用cputime計算GRNN和PNN的分類識別的時間，利用函數newGRNN（）和newPNN（）神經網絡模型的建立，再用函數sim（）進行分類識別。endprint

4 運動識別并仿真

圖6是三軸加速度原始數據圖，收集了直線走路，跑步，上樓，下樓，原地踏步五個動作。

為了分類識別方便，故在算法中將直線走路，上樓，下樓，跑步，原地踏步，分別設置為1，2，3，4，5。從圖7可以看出，其仿真結果GRNN為90。1%，PNN為91。2%。

從圖8可以看到，GRNN不一定在六個特征值處會得到最佳的預測，而是部分特征就可以得到較高得預測精度。在算法中，判斷了18個模型之后，選擇了精度最高的作為輸出。

從圖9可以看出，GRNN和PNN所用的時間都是極短，不到1秒的時間內，就把模型搭建好，訓練9600個樣本，同時預測400個樣本，效果是很不錯的。

5 總結與展望

在本文中，搭載了一個MPU6050加速度收集裝置與處理三軸加速度數據的CC2541藍牙芯片，數據傳輸到上位機端MATLAB后，進行原始數據的小波變換濾波處理，為了充分利用三軸加速度數據，將其取模值后提取六個特征值，利用了廣義神經網絡（GRNN）和概率神經網絡（PNN）進行了運動姿態的識別判斷，包括正常走路，跑步，上樓，下樓，停頓動作。實驗結果顯示其準確率達到了90.1%（GRNN），91.2%（PNN），且識別速度很快，都在1秒以下。

該文的方法中，準確率都達到了90%以上，但是還是可以有改進的空間，進一步提升準確率。在將來，我們將會提出另一個算法限學習機（Extreme Learning Machine ，ELM）[15]，因其算法的特性，就是求解一個方程組，只要求解出系數矩陣，理論上其算法可以將準確率提升到100%。

參考文獻：

[1] Lee S W，Mase K.Activity and Location recognition using wearable sensors[J].IEEE Pervasive Computing ，2002，1（3）：24-32.

[2] Ailisto K， Lindholm.M， Mantyjarvi.J，etal.Identifying people from gait pattern with accelerometers[C]//Proceeding of SPIE， Biometric Technolog y for Human identification Ⅱ . Orlando， FL， United States， 2005： 7-14.

[3] Gafurov D， Snekkenes E， Bours P. Spoof attacks on gait authentication system [J]. IEEE Transactions on Information Forensics and Security， 2007，2（3）：491-502.

[4] LIU Rong， ZHOU Jianzhong， LIU Ming， et al. A wearable acceleration sensor system for gait recognition [C]//Proceeding of 2nd IEEE Conference on Industrial Electronics and Applications. Harbin， China， 2007： 2654-2569.

[5] 李鋒，潘敬奎.基于三軸加速度傳感器的人體運動識別[J].計算機研究與發展，2016，53（3）：622.

[6] 王犇，袁濤，梁燦.基于加速度特征點提取的步態身份認證[J].北京：清華大學學報，2009，49（10）：1601-1604.

[7] 2.4-GHz Bluetooth? 低能耗和私有片載系統 （Rev. D）.[2013年7月30日]

http：//www.ti.com.cn/product/cn/CC2541/technicaldocuments

[8] MPU-6000 and MPU-6050 Product Specification Revision 3.4[2013年8月19日]

https：//store.invensense.com/datasheets/invensense/MPU6050_DataSheet_V3%204.pdf

[9] 駱昕.基于廣義回歸人工神經網絡的手寫數字識別研究[D].西安，西安科技大學，2013.

[10] 石翠萍，三維步態識別[D].揚州，揚州大學，2007.

[11] 陳猛，基于PNN測井剩余油飽和度的監測[D].荊州，長江大學，2013.

[12] 雷可軍，基于小波變換與PNN神經網絡相結合的指紋識別系統[D].長沙，湖南大學2007.

[13] 彭志科，盧文秀，褚福磊，等.新的基于小波變換的振動信號消噪方法 [J]. 機械工程學報，2006，42（4）：18-22，31.

[14] 徐川龍.基于三維加速度傳感器的人體行為識別[D].杭州，浙江工業大學，2013.

[15] 王智慧，BP神經網絡與ELM算法研究[D].杭州，中國計量大學，2012.endprint