基于信号处理的运动模型建立与识别VIP免费

基于信号处理的运动模型建立与识别摘要：根据人行为动作的特点，本文提出了一种基于加速度信号几何特征的层次识别算法以识别人的12种运动状态，所分析的数据由绑在人体胯部的加速度和角速度传感器在实际环境中采集。该算法利用加速度信号的几何特征（波峰波谷值，周期，对称性）以及数据分布，所选取的特征对个人依赖较小，识别的过程采用了分层识别算法，该算法识别速度快，准确率高，在模型检验中取得了较好的效果，识别正确率除向前走、上下楼以外，在85%以上。本文首先根据运动学和生物学特征对十二种运动状态建立物理模型，先依据运动剧烈程度利用加速度平均值和平均差分为静止，轻度运动，重度运动三大类，然后再利用动作加速度、角速度信号的几何特征：周期，信号的波峰波谷，对称性，并通过数据特征：即加速度的四分位差，离散系数等值对于动作进行精细识别。为了提取信号特征，要对数据进行预处理，利用MATLAB的小波分析箱滤除噪音和抖动。在本次模型的建立中，我们利用了小波分析，傅里叶频谱分析等强大的数学分析工具使得数据特征更加明显易于判断，同时利用分类讨论逐级判断的思想使得状态判断方法更加优化，利用统计学知识对于庞大的数据进行处理，分析，说明。结合生物学运动学知识使得区分知识更加符合实际。关键词：运动模型小波分析状态识别0一、问题重述1．问题背景随着人们生活节奏和生活方式的变革，人们越来越关注于如何测量日常生活中的运动及所消耗的热量。通过在规定的十二种不同状态下（睡，坐，站，向左走，向右走，向前走，跑，跳，走路上楼，走路下楼，坐电梯上楼，坐电梯下楼）记录手机的多种传感器（加速度，陀螺仪）数据，从而可以获得用户在不同时段的运动信息，进而计算运动消耗的热量。2．提出问题问题一：根据附件提供数据，建立在十二种状态下，人的主要部位运动的物理模型，并判断模型与数据的一致性。问题二：根据建立的模型，设计尽可能准确的算法，针对附件中的已知和未知的数据，对运动中用户的传感器数据进行分类，判别传感器数据属于状态之中的哪一种，给出你的判别准确率。二、问题分析本文将站立，跑动，休息等等12种运动状态作为识别目标。考虑到1运动检测装置放在前髋部，所建立的物理模型主要分析前髋部的运动。首先对十二种运动状态进行特征提取，依据运动学和生物学知识，分析各个运动状态应当具有的数据特征并得到验证；其次，用可穿戴传感器进行数据采集，同时将轻微伴随动作也考虑在内；之后，利用Matlab小波分析工具箱将数据图像的基波和抖动部分分别考虑；最后，利用各种衡量数据对十二中运动状态建立运动状态区分机制。本文的运动区分机制采取了多重检验的方法，根据上述各个物理模型的特征，可以得知，不同类型的运动，其加速度数据的分布情况不同。因此利用加速度，对运动状态进行初步区分。为了滤除采集装置姿态对采集到的人体加速度的影响，将三维加速度数据合成一维加速度矢量。利用一维加速度矢量平均值和平均差的大小，把运动状态初步分为静止（上下电梯、站立、坐、睡），轻度运动（上下楼、左右转、向前走），重度运动（向前跑、跳）三种大类，然后再根据更详细的特征，对各个大类进行细分：对于静止状态，首先根据前髋面的朝向不同，区分开站立，坐，睡，再利用加速度的四分位差对于区分结果进行二重检验，对于上下楼电梯用加速度极大极小值出现顺序可准确识别；对于轻度运动，利用y0z平面上转过的角度区分开向左转向右转和向前走对于上下楼梯用加速度对称、分布特征加以区分；对于重度运动：由于跑和跳的加速度在平均值、离散程度、集中情况这些方面有明显区别，故结合这些方面综合考虑。通过以上运动状态区分机制，建立MATLAB程序，通过以上运动状态区分机制，建立MATLAB程序，再利用已知数据对模型进行进一步修正，从而得到较为完善的识别机制。三、问题假设在建模过程中把人的日常运动分为12种常见运动形式，采集人在不同运动状态下前髋部的运动状态。建模过程中假设如下：该模型的检测对象为18-55岁，身高155-185，体重在40kg-80kg之间2的健康的成年人；加速度和旋转速度测量装置稳定低地固定在人体的前髋...