强鲁棒性的可穿戴传感器的人体动作识别方法

doi:10.3778/j.issn.1002-8331.1507-0126

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (4): 176-183.DOI: 10.3778/j.issn.1002-8331.1507-0126

强鲁棒性的可穿戴传感器的人体动作识别方法

刘锦怡1，张乐1，2，胡海波1，2，朱贺3

1.重庆大学软件学院，重庆 401331
2.信息物理社会-可信服务计算教育部重点实验室，重庆 400044
3.重庆大学通信工程学院，重庆 400044

出版日期:2017-02-15 发布日期:2017-05-11

Strong robustness human activity recognition based on wearable sensors

LIU Jinyi1, ZHANG Le1，2, HU Haibo1，2, ZU He3

1.School of Software Engineering, Chongqing University, Chongqing 401331, China
2.Key Laboratory of Dependable Service Computing in Cyber Physical Society Ministry of Education, Chongqing 400044, China
3.School of Telecommunication Engineering, Chongqing University, Chongqing 400044, China

Online:2017-02-15 Published:2017-05-11

摘要/Abstract

摘要： 为了降低可穿戴传感器在传感器移位时对动作识别率的影响，对可穿戴传感器的动作识别进行了研究。采用高精度传感器采集不同部位的输出信号，根据运动的周期特点对输出信号进行去噪和快速傅里叶变换，将其转化为频域信号。再使用主成分分析法提取综合指标，并对自组织神经网络进行训练，实现动作识别。最差情况下识别准确率可达到92.0%，较好情况下甚至可达到97.5%，传感器移位情况下的识别率甚至更高。

关键词: 快速傅里叶变换, 自组织神经网络, 主成分分析, 动作识别

Abstract: Human daily activity recognition using mobile personal sensing technology plays a central role in the field of pervasive healthcare. In this paper, a novel human activity recognition framework is presented to reduce the impact of sensors displacement. It utilizes high-precision sensor to capture signal. According to periodic features of human movement, the corresponding frequency domain is got by Fast Fourier Transform. The principal components analysis is used to extract composite indicator. After extend process the input data, a self-organizing neural network models is built for gesture recognition. Experimental results demonstrate the effectiveness of the scheme, and in ideal conditionsthe accuracy of certain relationship can get 97.5%.

Key words: fast Fourier transform, self-organization neural network, principal component analysis, human activity recognition

刘锦怡1，张乐1，2，胡海波1，2，朱贺3. 强鲁棒性的可穿戴传感器的人体动作识别方法[J]. 计算机工程与应用, 2017, 53(4): 176-183.

LIU Jinyi1, ZHANG Le1，2, HU Haibo1，2, ZU He3. Strong robustness human activity recognition based on wearable sensors[J]. Computer Engineering and Applications, 2017, 53(4): 176-183.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[3]	陈艳杰，舒大伟，杨吉江，王欢，王青，雷毅. 儿童运动协调障碍AI诊断系统研究综述[J]. 计算机工程与应用, 2021, 57(2): 28-36.
[4]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[5]	周小静，陈俊洪，杨振国，刘文印. 基于手势特征融合的操作动作识别[J]. 计算机工程与应用, 2021, 57(14): 169-175.
[6]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[7]	刘婧，杨旭，刘董经典，牛强. 基于人体关节点的多人吸烟动作识别算法[J]. 计算机工程与应用, 2021, 57(1): 234-241.
[8]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[9]	邱宁佳，王晓霞，王鹏，周思丞，王艳春. 结合迁移学习模型的卷积神经网络算法研究[J]. 计算机工程与应用, 2020, 56(5): 43-48.
[10]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[11]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[12]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[13]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[14]	桑海峰，田秋洋. 面向人机交互的快速人体动作识别系统[J]. 计算机工程与应用, 2019, 55(6): 101-107.
[15]	陈佳，刘冬雪，武大硕. 基于特征选取与LSTM模型的股指预测方法研究[J]. 计算机工程与应用, 2019, 55(6): 108-112.

强鲁棒性的可穿戴传感器的人体动作识别方法

Strong robustness human activity recognition based on wearable sensors

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics