- 无标题文档
查看论文信息

中文题名:

 可穿戴式运动识别系统及其算法的研究与实现    

姓名:

 熊伟民    

学号:

 1049721402972    

保密级别:

 公开    

论文语种:

 chi    

学科代码:

 080902    

学科名称:

 电路与系统    

学生类型:

 硕士    

学位:

 工学硕士    

学校:

 武汉理工大学    

院系:

 信息工程学院    

专业:

 电子科学与技术    

研究方向:

 嵌入式系统与智能控制    

第一导师姓名:

 吴友宇    

第一导师院系:

 武汉理工大学    

完成日期:

 2018-05-18    

答辩日期:

 2018-05-19    

中文关键词:

 运动识别 ; 最优特征子集 ; 最佳参数 ; SVM 算法 ; DBPSO 算法    

中文摘要:

在人口老龄化的背景下,研究可穿戴式老年人运动识别装置,对老年人的运动状态进行监测研究,具有其重要的社会意义。现有的可穿戴式运动识别系统存在功耗高、使用场景受限且正确率偏低等缺点,缺乏对类跌倒动作的检测识别,难以被大众所接受;基于MTK+STM32+MPU9250的低成本可穿戴式运动识别系统具有检测精度高、体积小、便携性优良、实时检测和多重定位等优点,更具研究与开发价值。

通过对可穿戴式运动识别系统的需求进行分析以及对支持向量机SVM分类算法进行研究,本文主要进行了如下工作:

(1)对人体运动模型进行建模分析,并设计了人体运动实验,选取合加速度和姿态角对人体的走、跑、坐、站、上下楼和跌倒动作进行分析;

(2)完成了可穿戴式运动识别系统的软硬件设计,进行系统硬件选型,并对系统的实时数据采集传输、多重定位、低功耗模式和服务器通信等软件模块进行了设计;完成了基于阈值法的运动识别算法的设计与实现;

(3)结合SVM分类算法的基本原理,提取人体运动时的合加速度时域特征,包括最大值、最小值、平均值、标准差、峰度等12个特征训练SVM分类器,并针对影响SVM算法分类精度的两个关键因素:特征子集选择和参数优化,将改进的二进制粒子群优化算法(DBPSO)应用于SVM分类算法,搜寻使SVM分类器达到最大分类精度的最优特征子集和最佳参数组合,并将寻优结果应用于对人体日常动作和跌倒动作的分类识别;

(4)完成了对系统功能的测试以及算法性能的评价。结果表明,阈值算法对跌倒的识别正确率达到了95%,并且漏检率仅为5%,对走、跑动作的识别率达到了90%,对坐、站动作也达到了88%和87%的准确率,并且平均误报率低仅为3.75%;以跌倒为+1类,其它动作为-1类的测试样本为例,将改进的DBPSO-SVM算法与标准的DBPSO-SVM算法进行了比较分析,结果表明,改进的DBPSO-SVM算法能达到97%以上的平均最佳分类精度以及能平均约减4~6个特征,与未经优化的SVM算法进行对比,其对各种动作的灵敏度和特异度均达到了95%以上,尤其对跌倒动作更是达到了100%的灵敏度和96.25%的特异度。

参考文献:

[1] 中华人民共和国国家统计局. 2010年第六次全国人口普查主要数据公报[R]. 北京:国新办. 2010.

[2] 孙艳玲. 老年人跌倒危险因素分析及预防对策 [C]. 中国中西医结合学会急救医学专业委员会学术年会论文集. 2012.

[3] 2018年中国人口老龄化现状分析及未来发展趋势预测.中国产业信息网. http://www.chy

xx.com/industry/201801/605554.html.

[4] 谢欲晓, 段亚景, 白伟. 老年人跌倒的风险评估与康复干预策略[J]. 中华老年医学杂志. 2014, 33(7): 707-710.

[5] 王利维, 周立. 社区老年人跌倒的评估及预防研究进展[J]. 护理管理杂志.2010, 10(8): 568-570.

[6] World Health Organization. World Report on Aging and Health[M]. 2015.

[7] S. J. McKenna, H. Nait Charif. Learning spatial context from tracking using penalised likelihood estimation[C]. International Conference on Pattern Recognition, 2004(04): 138-141.

[8] Hammadi Nait Charif and Stephen J. McKenna. Activity summarisation and all detection in a supportive home environment [C]. Proceedings of the 17th International Conference on Pattern Recognition. 2004 (04): 323-326.

[9] 任宜东. 基于Android平台的人体运动识别技术研究与应用[D]. 西南交通大学. 2014.

[10] 刘进磊.基于Android的典型人体运动识别算法与应用研究[D]. 广东工业大学. 2014.

[11] Nho. Y. H, Lim. J. G, Kim. D. E, et al. User-adaptive fall detection for patients using wristband. IEEE/RSJ International Conference on Intelligent Robots and Systems. 2016:480-486

[12] 刘小军, 王刚等. 基于STM32的无线跌倒检测系统的设计与实现[J]. 南京理工大学.系统解决方案. 2016(12): 29-31.

[13] Kewei Chen, Yun Chen, et. al. A system of fall detection using a wearable device base on bluetooth bommunication. 13rd IEEE International Conference on Solid-State and Integrated Circuit Technology. 2016: 382-384.

[14] 李梦华. 基于GPS和GPRS的远程跌倒定位报警系统[D]. 桂林电子科技大学. 2015.

[15] 梁丁. 基于MEMS惯性传感器的跌倒检测与预警研究[D]. 大连理工大学. 2012.

[16] 张金桥. 基于人体姿态的跌倒检测算法研究与应用[D]. 大连海事大学. 2016.

[17] L. Schwickert, C. Becker, et al. Fall detection with Bbody-worn Sensors [J]. Zeitschrift fur Gerontologie und Geriatrie, 2013, 46(8): 706-719.

[18] 姚冕. 人体惯性信息采集系统设计与跌倒识别算法研究[D]. 武汉理工大学. 2016.

[19] 陈丽琴. 基于EEMD和模糊LS-SVM的人体动作识别研究[D]. 大连理工大学. 2014.

[20] Adil. M. Khan, et al. A tri-axial accelerometer-based physical-activity recognition via augmented-signal features and a hierarchical recognizer[C]. Information Technology in Biomedicine, IEEE Transactions on, 2010: 1166-1172.

[21] Jui-Chung Hung, et al. GA-SVM applied to fall detection system[C]. Proceedings of the IEEE International Conference on Applied Systems Innovation. 2017: 436-439.

[22] 刘勇. 基于模式识别的跌倒检测仪研究[D]. 重庆大学. 2014.

[23] Roberto, et al. Keeping a good attitude: a quaternion-based orientation filter for IMUs and MARGs [J]. Sensors. 2015(15): 19302-19330.

[24] 李剑. 基于九轴惯性传感系统的人体防跌预警数据融合算法研究[D].深圳大学. 2013.

[25] Angelo. M. Sabatini. Quarternion-Based extended Kalman Filter for determining orientation by inertial and magnetic sensing[C]. IEEE Transactions on Biomedical Engineering. 2006: 1346-1356.

[26] Carmen. M. N. Towards Miniaturization of a MEMS-Based wearable motion capture System[C]. IEEE Transactions on Industrial Electronics. 2011: 3234-3241.

[27] 杨波. 基于MEMS惯性传感器动作捕捉系统与轨迹追踪的研究设计[D].电子科技大学. 2011.

[28] 李娜. 基于人体运动状态识别的可穿戴健康监测系统研究[D]. 北京工业大学. 2013.

[29] 杨泽松. 基于MEMS传感器的老人跌倒状态检测系统研究与设计[D]. 湖南大学. 2016.

[30] 李强. 跌倒检测关键技术的研究与应用[D]. 北京工业大学. 2013.

[31] Kurniawan. A, et al. A wearable device for fall detection elderly people using tri-dimensional accelerometer[C]. International Seminar on Intelligent Technology and Its Application. 2016: 671-674.

[32] Wala. S, et al. A high accuracy and low latency patient-specific wearable fall detection system[C]. IEEE EMBS International Conference on Biomedical & Health Informatics. 2017: 441-444.

[33] 宁运琨. MEMS惯性数据采集平台的设计及其在跌倒检测中的应用[D]. 桂林电子科技大学. 2013.

[34] 朱勇,张研等. 基于倾角的跌倒检测方法与系统研究[J]. 生物医学工程学杂志. 2013(30): 95-98.

[35] Nuth Otanasap. Pre-impact fall detection based on wearable device using dynamic threshold model[C]. 17th International Conference on Parallel and Distributed Computing, Applications and Technologies. 2016: 362-365 .

[36] 姜鸣. 基于体感网的人体动作监测识别的研究[D]. 大连理工大学. 2012.

[37] MT6261A GSM GPRS SOC Processor DataSheet[S]. Version 1.0. 2014.

[38] STM32F4xx DataSheet[S]. Version 4.0. 2013.

[39] MPU9250 中文资料技术手册[S]. Version1.0. 2014.

[40] UBX-G7020 Hardware Integration and ESP8266 User Manual[S]. 2010.

[41] Bo Wang, Ni Xie, Guoru Zhao, et al. A wearable action recognition system based on acceleration and attitude angles using real-time detection algorithm[C]. 39th IEEE Engineering in Medicine and Biology Society. 2017: 2385-2389.

[42] NMEA-0183[S]. WIKIPEDIA. http://en.wikipedia.org/wiki/NMEA_0183.

[43] 李桢,黄劲松. 基于RSSI抗差滤波的WIFI定位[J]. 武汉大学学报(信息科学版). 2014, 03(41): 361-366.

[44] 闫文江. 无线通信基站的定位算法研究[D]. 南京大学. 2017.

[45] Pieter. V, et al. Security and privacy in mobile information and communication Systems[C]. International Conference on Security and Privacy in Mobile Information and Communication Systems. MobiSec. 2010: 41-52.

[46] Nello Cristianini, John Shawe-Tayler. An introduction to support vector machines and other kernel-baed learning methods[M]. 2000.

[47] 李锐,李鹏等译, Peter Harrington著. 机器学习实战(Machine Learning in Action)[M].人民邮电出版社. 2013.

[48] Chih-Chung Chang, Chih-Jen Lin, et al. A praticle guide to support vector classification[M]. 2016.

[49] Burges. C. A tutorial on support vector machines for pattern recognition[M]. Knowledge Discovery and Data Mining, 1998. 2: 121-167.

[50] Willi Richert, Luis Pedro Coelho著. 机器学习系统设计(Building Machine Learning Systems with Python)[M]. 刘峰译. 人民邮电出版社. 2014.

[51] 周志华. 机器学习[M]. 出版地不详. 2016.

[52] 薛洋. 基于单个加速度传感器的人体运动模式识别[D]. 华南理工大学. 2011.

[53] Gabriel. L. F, B. G. Azevedo, George. D. C, Carvalho. F., et al. An approach to feature selection for keystroke dynamic systems based on PSO and feature weighting[C]. IEEE Congress on Evolutionary Computation. 2007: 3577-3584.

[54] 张庆宾. 智能空间下基于AHRS的人体动作识别[D]. 2014.

[55] 王见, 陈义, 邓帅. 基于改进SVM分类器的动作识别方法[J]. 重庆大学学报. 2016(39): 12-17.

[56] 刘星. 基于粒子群优化算法的特征选择方法研究[D]. 南京大学. 2015.

[57] 李航. 统计学习方法[M]. 清华大学出版社. 2012.

[58] Kennedy. J., Eberhart. R., Particle swarm optomization[C], IEEE International Conference on Neural Networks.1995: 1942-1948.

[59] Ghamisi. P, Benediktson. J. A, Feature selection based on hybridization of genetic algorithm and particle swarm optimization[C]. IEEE Geoscience and Remote Sensing Letters. 2015(12): 309-313.

[60] 张进,丁胜,李波. 改进的基于粒子群优化的支持向量特征选择和参数联合优化算法[J]. 人工智能. 2016(5): 1330-1335.

中图分类号:

 TP212    

馆藏号:

 TP212/2972/2018    

备注:

 403-西院分馆博硕论文库;203-余家头分馆博硕论文库    

无标题文档

   建议浏览器: 谷歌 火狐 360请用极速模式,双核浏览器请用极速模式