基于三軸加速度計和SVM 算法的校園運動識別

周露，宋浩蘭，白靜蕾，聞家豪，李繼亮

（西安石油大學電子工程學院，陜西西安 710065）

隨著科技的發展，傳感器技術廣泛應用于健康狀況評估和健康監護等領域。傳感器通過收集人們日常活動狀態、消耗的能量、睡眠質量等行為數據，進行分析處理，以達到監測身體狀態的目的，從而對健康進行干預，提供個性化健康實施方案的個人健康管理系統應運而生[1]。人在一天中進行的運動是影響人體健康的主要因素，傳統的人體運動信息采集，是以圖像或視頻的方式跟蹤對象的運動，提取對象輪廓，最后根據圖像信息數據判斷運動對象的動作[2]。對于運動視頻圖像邊緣特征的自適應識別，可以通過計算圖像灰度值，獲得圖像的主要信息，這種方法容易受光線與監測區域的限制。加速度傳感器可以捕捉到對象的運動，而不受光線與監測空間的限制[3-4]，因此基于加速度傳感器數據采集系統的運動識別具有廣泛的應用前景[5-6]。基于此技術，以人體運動行為作為研究對象，使用加速度傳感器作為數據采集工具，完成對走路、站立、跑步、躺臥、上樓、下樓六種運動模式的數據采集。在此基礎上，利用支持向量機算法建模識別，實現人體運動模式識別。

1 數據采集

1.1 傳感器佩戴方式

實驗采集人體行走、站立、跑步、躺臥、上樓、下樓的運動數據。為了得到最具有代表意義的數據，同時考慮到傳感器佩戴的穩定性，穿戴方式也影響實驗數據的準確性[7-9]，實驗時需要合適的佩戴方式。傳感器佩戴在手腕上，行進間的擺手可以反映人體的運動情況，但是站立交談時也會有手臂的擺動，容易引入噪聲；傳感器佩戴在腿上或背上，數據相對可靠，但這樣的佩戴位置不容易形成易穿戴、好推廣的產品[10-12]；綜合考察最終確定佩戴傳感器位置為皮帶扣處。傳感器佩戴位置示意及三軸正方向如圖1 所示，三軸組成的坐標系為左手直角坐標系。

圖1 加速度傳感器佩戴示意圖

1.2 傳感器選型

根據文獻調研，人體運動頻率的范圍為0.5～20 Hz，常見動作不超過5 Hz[13]。根據香農采樣定律，為了采集到真實可靠的人體運動信號，采樣頻率應大于40 Hz。

實驗使用的加速度傳感器采樣頻率為100 Hz，量程為±16g，內置電池與藍牙模塊，可以與手機連接進行數據傳輸與保存。傳感器實物與手機藍牙傳輸界面如圖2、圖3 所示。

圖2 傳感器實物圖

圖3 藍牙傳輸界面圖

2 識別算法介紹

2.1 支持向量機算法

支持向量機（Support Vector Machine，SVM）算法是由Cortes 和Vapnik 于1995 年提出，SVM 算法會從訓練數據集中選擇一組特征子集，使得該特征子集成為劃分訓練數據的邊界。支持向量機算法是一種監督機器學習算法，十分適用于分類場景[14]。

SVM 算法本質上是一個處理二分類問題的分類器，所以當遇到多分類問題時就需要對分類器進行設計重組[15-16]。常見的SVM 多分類器的設計方法主要是通過組合多個二分類器進行設計，常見的有“一對一”法和“一對多”法。文中采用“一對多”法對支持向量機模型進行訓練。

“一對多”法為：在一次訓練中，把其中一個類別樣本標記為+1，其余的類別歸為另一類，全部標記為-1，使用重新標記的數據訓練一個SVM 分類器，以此方法遍歷所有類別。若有K個類別，則訓練得到K個SVM 分類器[17-18]。在識別過程中，將未知樣本數據代入每一個分類器，對比計算結果，未知樣本為結果最大值的那一類。

2.2 特征提取

為了提取到原始數據中對分類有貢獻的信息，選取200 個數據點劃分為一個窗口，即2 s 內的加速度信息，按照50%重疊的滑動窗口對數據進行加窗處理，達到對原始運動信號的分割。在處理加速度信號時，每一軸的數據都包含不同的特征，特征反映出來的差異對機器學習算法的訓練有巨大作用。

文中提取的主要特征包括三軸加速度信號的均值、標準差、眾數、極差、最大值、最小值、中值絕對偏差。為了盡可能多地提取信號的時域特征，對三軸加速度信號求取了一階導數，并提取了一階導數對應的時域特征，從原始信號與信號導數中共得到42個特征量。

各特征量的介紹如下：

均值特征為在一個窗口內的加速度數據的平均值，其計算公式如式（1）所示：

標準差特征為在一個窗口內的加速度數據的標準偏差，標準差表示數據偏離平均值的程度，標準差越大，說明數據的離散程度越大，也就意味著受試者的加速度變化程度大，標準差可根據式（2）計算。

最大（小）值特征為在一個窗口內采集到的加速度數據的最大（小）值。

中值絕對偏差特征為在一個窗口內的加速度數據的中值絕對偏差，相比于標準差，中值絕對偏差中異常值權重小，少量的異常值對中值絕對偏差影響較小，可根據式（3）計算。

極差特征為在一個窗口內加速度數據的最大值和最小值之差。極差特征可以用來反映信號變化的劇烈程度，比如跑步信號的極差比步行的極差大很多，下樓的運動狀態也存在較大的極差，這是區分運動模式的重要特征，極差可根據式（4）求得：

眾數特征為在一個窗口內加速度數據中出現次數最多的數據。

對三軸加速度信號求取了一階導數，根據計算結果，提取加速度一階導數的均值、標準偏差、最大值、最小值、中值絕對偏差的特征。

對走路、跑步、站立、躺臥、上樓和下樓共六種動作進行加速度特征提取，加速度的特征數據作為支持向量機模型的輸入數據。

3 實驗結果與分析

該次實驗有28 名志愿者參與，受試者將傳感器佩戴于皮帶扣位置如圖4 所示，所有受試者采用相同方向佩戴傳感器，采集了每位受試者的上樓、下樓、行走、跑步、站立、躺臥六種狀態數據。在采集過程中，受試者不受任何約束，不規定先出左腳還是右腳，在采集站立與躺臥的數據時，不規定受試者的站姿與躺臥的姿勢，完全按照自己的習慣執行相應的動作。

圖4 傳感器實際佩戴狀態圖

實驗過程中，一共成功采集了28 名志愿者的數據，每名志愿者的實驗數據包含六種狀態，每種狀態的測量時間約為5 min，實驗中應用的加速度傳感器同時測量記錄三個方向的加速度信號。

六種運動狀態的原始加速度的三軸數據曲線圖如圖5 所示，從圖中可以看出，不同的運動行為產生的加速度信號存在較大差異，其中站立與躺臥兩種運動狀態下，加速度變化很小。

圖5 各種運動狀態的原始加速度數據

站立狀態時X軸信號為1g，躺臥狀態時Z軸信號為1g，這是由于站立與躺臥時加速度傳感器的朝向不同；跑步時X軸加速度峰值超過3g，且頻率比行走時的頻率高；上樓時X軸加速度的變化范圍為0.5g～1.7g，而下樓時Y軸加速度的變化范圍為0.5g～2.1g。

采集結束后，對采集的數據進行加窗處理并進行特征值提取，對來自不同狀態的信號的數據打上標簽加以區分，最終得到32 320 個樣本。

圖6 為多種運動模式下X軸加速度最大值的分布，跑步狀態、站立狀態、躺臥狀態的分布呈現出特有的規律。走路狀態、上樓狀態、下樓狀態在此特征中混淆在一起。X軸加速度最大值是區分跑步、站立、躺臥三種狀態的一個重要的指標。圖7為Y軸加速度標準差的分布，下樓狀態的數據與走路狀態、上樓狀態的數據范圍不同，此特征可用于區分下樓狀態，而站立狀態與躺臥狀態在此特征中呈現混淆。在識別模型中，綜合多個特征條件進行模型訓練與識別。

圖6 X軸加速度最大值分布

圖7 Y軸加速度標準差分布

使用Python 的機器學習scikit-learn 庫建立支持向量機分類模型，通過網格搜索方式尋找支持向量機的最佳核函數以及軟間隔參數。識別結果見表1，識別的準確度可根據式（5）求得：

表1 模型識別的準確度結果

站立、步行、躺臥、跑步、上樓和下樓六種狀態時的識別準確度分別為98.08%、89.59%、100%、98.93%、83.67%、88.39%，總體識別的準確度為93.84%。

實驗結果表明，人體躺臥狀態的傳感器方向與其他五種狀態不同，因此信號特征明顯，達到了100%的識別。站立信號的變化幅度小，跑步信號的變化幅度大、頻率高，因此識別準確度也超過了98%。針對步行、上樓與下樓三種狀態的識別準確度較低，表2 中展示了詳細的混淆情況。

表2 識別結果的混淆矩陣

4 結論

該文使用三軸加速度傳感器采集了人體常見的六種運動狀態，通過提取信號的時域特征信息，并訓練支持向量機分類器，最終達到93.84%的總體分類識別準確度。實驗結果表明，支持向量機分類器能夠較好地識別人體行為。如今大部分的可穿戴設備都配置有加速度傳感器，因此文中的算法有較好的移植性。由于實驗中的受試者全部為大學生，得到的信號規律存在局限性,下一步計劃將其他年齡段人群的數據歸入模型訓練之中，提高模型的通用性并實現更多行為的識別。