基于Softmax回歸分類分析的人體運動檢測研究

孫小華

摘要：提出一種基于分類分析的人體運動狀態識別方法。通過手機內置的加速度傳感器采集相關數據，然后對采集的數據進行預處理，采用Softmax回歸分類算法對人體運動狀態進行分類。在深度學習框架TensorFlow下的實驗結果顯示此算法分類精度較高，對靜止、走路、慢跑、上下樓梯、騎車等五種運動狀態的綜合識別率為88.18%。

Abstract： This paper proposes a human motion state recognition method based on classification analysis. The relevant data is collected by the built-in acceleration sensor of the mobile phone， and then the collected data is preprocessed， and the Softmax regression classification algorithm is used to classify the human motion state. The experimental results under the deep learning framework TensorFlow show that the classification accuracy of this algorithm is high， and the comprehensive recognition rate of five kinds of motion states such as static， walking， jogging， up and down stairs， and cycling is 88.18%.

關鍵詞：人體行為識別;Softmax回歸分類;加速度傳感器

Key words： human behavior recognition;Softmax regression classification;acceleration sensor

中圖分類號：TN911.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）26-0239-02

0? 引言

人體運動狀態識別系統通過各類傳感器實時獲取人體的運動數據，然后運用算法分析對運動狀態進行分類識別，從而判斷出人體當前的運動狀態。人體運動狀態識別可以用于老人或病人的監護、智能家居等系統。如在智能家居領域，可以通過分析處理傳感器獲取的數據，對人體進行跌倒檢測。之前國內外對人體運動狀態的識別主要是通過可穿戴式設備采集相關的數據進行分析，但穿戴這些設備會導致人體運動不便。隨著移動互聯網技術及傳感器技術的發展，智能手機內置了加速度、陀螺儀、光、磁場、氣壓等傳感器可以采集手機的狀態數據，通過采集手機的狀態數據可以對人體的運動狀態進行分析識別。與傳統的可穿戴式設備相比，采用智能手機進行人體運動狀態識別具有便捷性的優點。

常用的人體運動狀態識別分類算法有Kmeans聚類、支持向量機SVM、隱馬爾可夫模型HMM、決策樹、BP神經網絡、卷積神經網絡CNN等等。

1? Softmax回歸分類

Softmax回歸分類算法是Logistic回歸分類算法在多分類問題上的推廣。在多分類問題中，分類標簽可以取兩個以上的值。Softmax回歸分類算法對手寫數字分類等問題有很好的效果，如MNIST手寫數字的識別正確率可達92%。

該算法的原理如下：將可以判別為某類的特征相加，然后將這些特征轉化為判定為屬于這一類的概率。這些特征可以表示成下式：

式中i代表第i類，j表示第j個屬性，bi是偏置。

然后對所有特征計算softmax，即計算一個指數函數，再進行標準化，使得所有類別輸出的概率值的和為1。

其中判定為第i類的概率由下式得到。

特征的值越大的類，輸出的概率也越大;反之，特征的值越小的類，輸出的概率也越小。最后取輸出概率最大的類標簽作為該條數據的類標簽。

2? 算法及流程

2.1 原始數據集

本文研究人體靜止、走路、跑步、上下樓梯、騎自行車等狀態的識別，本實驗選取了5名實驗者進行實驗，實驗手機為華為Mate9型號，采集手機的加速度傳感器數據。原始數據為人體各種運動狀態下Android智能手機加速度傳感器采集的數據，通過人工方式對采集的數據進行類別標注，如靜止設為0，走路設為1，跑步設為2等等。由于人體運動的頻率較低，一般小于10Hz，所以擬將傳感器的采集頻率設為20Hz，根據香農采樣定理，可以保證采樣得到的數據完整保留了人體運動中原有的信息。但通過后續實驗發現采用20Hz的頻率時，實驗效果不好，因此最終將數據的采樣頻率設為50Hz，原始數據為手機傳感器在0.02s內采集到的x、y、z三個方向的加速度信息，即原始數據為具有3維特征的數據集，每條數據對應一種人體運動狀態（即類別），如走路、上樓梯、跑步等運動狀態，用one-hot編碼表示。

圖1和2分別是走路與跑步時采集的加速度傳感器在三軸方向上的原始數據波形圖。從加速度波形圖可以看出，雖然數據比較混亂，但三個維度的數據變化還是大致呈現規律性的周期變化。

2.2 數據預處理

為充分挖掘運動狀態信息，通過滑動窗口技術進行特征提取，將每秒時間內采集的數據作為一個樣本，即滑動窗口的長度為1秒。因為采樣頻率設為50Hz，因此每秒采集的數據有50條，維數為3*50=150維;同時為了獲取人體運動狀態的變化信息，將采集到的加速度數據進行增量計算，計算每次采集到的加速度數據與上一次采集到的加速度數據的差值，并將差值放大10倍，類似，每秒獲得的增量數據有50條，維數為3*50=150維，因此通過預處理之后得到的數據維數為300。

2.3 處理流程

將經過預處理過的數據導入Tensorflow深度學習框架進行處理。初始化模型中的權值shape為[300，5]，其中300表示特征的維數，5表示要識別分類的類別數。

為了訓練模型，需要定義一個損失函數來描述模型對人體行為狀態分類的精度，在此采用交叉熵作為損失函數，交叉熵的定義如下：

其中y'是真實的概率分布，y是預測的概率分布。

接下來采用隨機梯度下降方法進行訓練，設置學習速率為0.01，優化目標設為交叉熵cross_entropy。迭代執行訓練操作，每次只使用一小部分數據進行隨機梯度下降，隨機從訓練集中抽取100條作為一個mini-batch，并feed給placeholder，然后進行訓練，這種方法比采用全樣本進行訓練的收斂速度要快，迭代次數為5000次。

完成訓練后就可以對模型的準確率進行驗證，求出各種預測的人體行為狀態中概率最大的那一個，然后與實際的人體行為狀態標簽相比較，如果一致則判別正確，否則判別錯誤。將測試數據的特征和標簽輸入評測流程accuracy，計算模型中在測試數據集上的準確率。

整個處理流程采用Tensorboard工具顯示出來如圖3所示。

3? 實驗結果及分析

3.1 實驗數據集

實驗數據由5名用戶采用華為Mate 9的Android手機采集的三軸加速度傳感器數據組成。數據的采樣頻率為50Hz，采集的數據分為靜止、行走、慢跑、上下樓梯、騎自行車等五個日常行為動作。采集的數據一共有54250條，其中47350條作為訓練數據，6900條作為測試數據。

3.2 實驗結果

通過對訓練數據進行訓練生成模型，在測試數據集上用生成的模型進行測試，得到靜止、走路、跑步、上下樓梯和騎自行車等五種人體行為狀態的綜合分類精度為88.18%。但如果將上、下樓梯這兩種狀態單獨分開進行判別，判別效果不佳，僅比隨機猜測略好。與常用的人體運動狀態識別分類算法相比，此方法計算量較小，處理速度快，分類精度較高。

4? 結束語

本文提出了采用Softmax回歸分類算法對人體運動狀態進行識別，可實現對靜止、走路、跑步、上下樓梯和騎自行車等狀態的識別，實驗結果可以看出雖然算法可以看作一個沒有隱含層的神經網絡，但其判別效果良好，分類精度可達88.18%，但對上、下樓梯這兩種狀態判別效果不佳，后續可以增加陀螺儀、氣壓傳感器等特征信息來對上、下樓梯兩種狀態進行識別。

參考文獻：

[1]王忠民，張琮，衡霞.CNN與決策樹結合的新型人體行為識別方法研究[J].計算機應用研究，2017（12）.

[2]黃文堅，唐源.TensorFlow實戰[M].中國工信出版集團，電子工業出版社，2017.

[3]王忠民，曹洪江，范琳.一種基于卷積神經網絡深度學習的人體行為識別方法[J].計算機科學，2016（A2）.

[4]孫冰怡，呂巍，李文洋.基于智能手機傳感器和SC-HMM算法的行為識別[J].吉林大學學報（理學版），2013（6）.

[5]黃仁，田豐，田維興.基于加速度傳感器的運動模式識別[J].計算機工程與應用，2015（6）.

[6]張鑫，李治軍，姜守旭.基于Android手機傳感器數據識別運動狀態[J].智能計算機與應用，2015（3）.

[7]劉斌，劉宏建，金笑天，國德峰.基于智能手機傳感器的人體活動識別[J].計算機工程與應用，2016（4）.

[8]周濱，張守權.加速度傳感器熱靈敏度漂移的動態測試[J].價值工程，2010，29（33）：294-295.