CN114440884A - 一种智能矫姿设备用人体身姿的智能分析方法 - Google Patents
一种智能矫姿设备用人体身姿的智能分析方法 Download PDFInfo
- Publication number
- CN114440884A CN114440884A CN202210370888.2A CN202210370888A CN114440884A CN 114440884 A CN114440884 A CN 114440884A CN 202210370888 A CN202210370888 A CN 202210370888A CN 114440884 A CN114440884 A CN 114440884A
- Authority
- CN
- China
- Prior art keywords
- data
- lines
- rows
- acceleration
- posture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明是一种智能矫姿设备用人体身姿的智能分析方法，具体步骤为：S1、数据采集和训练：S101、采集原始数据；S102、人工标定数据；S103、生成数据集；S104、训练随机森林模型；S105、部署到嵌入式系统；S2、矫姿设备的动作识别算法：S201、数据采样；S202、提取特征值；S203、遍历随机森林模型；S204、提取识别结果；S205、动作计数。本发明预先采集大量动作数据，训练随机森林模型，再将训练好的模型部署到嵌入式系统中运行，能识别更多更复杂的动作类型，响应速度快，对设备硬件要求低，能够在矫姿设备的嵌入式处理器上，以一秒数次的速度进行识别，并且没有明显增加功耗。
Description
技术领域
本发明涉及矫姿设备的技术领域，尤其涉及一种智能矫姿设备用人体身姿的智能分析方法。
背景技术
在日常生活中，很多人会由于一些外在原因，如桌椅高度不协调，或者一些自身原因，而养成不好的生活习惯。如走路时微弓着腰，耷着肩；站立时手撑着桌面或扒在桌子上；坐着时弯着背，双肩前倾去够键盘，趴在桌子上睡觉；睡眠时喜欢侧卧，采取双肩向前倾及两腿弯曲的姿势等。长时间如此会导致成双肩不同程度的向前弯曲，严重时会使背部凸起，形成驼背，影响正常生活；如果是小孩可能还会造成双肩发育不良，从而挤压胸部空间，影响胸部器官的正常发育。
为了纠正这些有害身姿，越来越多的矫姿设备应运而生。但是现在一般的智能矫姿设备是通过采集角度数据分析是否超出边界角度值来判断身姿的，功能简单，仅能区分直立、驼背状态，无法识别相对复杂的运动，满足不了需求。
发明内容
本发明旨在解决现有技术的不足，而提供一种智能矫姿设备用人体身姿的智能分析方法。
本发明为实现上述目的，采用以下技术方案：
一种智能矫姿设备用人体身姿的智能分析方法，具体步骤为：
S1、数据采集和训练
S101、采集原始数据：
由多个不同性别、不同体型的人佩戴矫姿设备进行动作，每个动作重复数次，矫姿设备中设有三轴加速度传感器以及三轴陀螺仪传感器，矫姿设备通过蓝牙连接手机，按每秒50次的采样频率，持续将采集到的六轴数据发送到手机，手机上先选择要采集的动作，然后记录一段时间的数据，最后将数据上传到服务器的数据库；
S102、人工标定数据：
采集的数据经过人工标定，标记出无效的数据，以及有效数据的开始和结束区间；
S103、生成数据集：
连接数据库，根据要使用的动作和用户id过滤，下载动作数据；
过滤掉标记为无效的数据，并根据标记的有效数据的开始和结束区间裁剪数据；
分割数据，以每段长2.56秒进行128个采样，128个采样中再间隔进行64个采样，采集开始后的1.28秒，相邻两段有50%的重叠；
对每段数据，提取129个特征值；
记录所有特征值和动作id，得到数据集；
S104、训练随机森林模型：
将数据集按比例划分为训练集和测试集；
将训练集输入scikit-learn，训练随机森林模型；
用测试集测试模型准确率；
调整训练参数，重复以上步骤，直到得到复合要求的模型；
S105、部署到嵌入式系统：
将训练好的随机森林模型用sklearn-json序列化为json格式；
用python读入json模型，将模型的数据转化为c语言形式，用三维数组保存；数组第一个维度是模型中的树；第二个维度是树的节点；第三个维度是节点的数据，包括：左子节点序号，右子节点序号，特征值序号，特征值阈值，动作类型序号；
S2、矫姿设备的动作识别算法
S201、数据采样：
按每秒50次的采样频率，记录六轴数据；每隔0.32秒进行16次采样，使用最近的长度为2.56秒的128次采样执行一次动作识别算法；
S202、提取特征值：
用c语言实现与训练模型时相同的提取算法，提取129个特征值；
S203、遍历随机森林模型：
对每棵树按以下步骤得到动作识别结果：从树的根节点开始，将根节点作为当前节点；根据当前节点的特征值序号选择相应的特征值，与特征值阈值比较，小于则跳转到左子节点，否则跳转到右子节点；重复上一步过程，直到当前节点没有子节点，则这棵树的决策过程结束，结果就是当前节点的动作类型序号；
S204、提取识别结果：
从所有树的结果中，选择出现次数最多的，作为此次的识别结果；此动作出现次数除以树的总数量，作为此次识别结果的置信度；
S205、动作计数：
当置信度高于80%时，开始对当前动作计数，当置信度在70%-80%之间时，仍然继续当前动作计数，当置信度低于70%时，结束对当前动作的计数；
根据动作类型从六轴数据中选择一个轴，再根据波峰数量计数；对这个轴128次采样的数据进行中值过滤，然后寻找波峰；由于加速度和陀螺仪的数据具有不同的变化幅度和噪声，需要设置不同的阈值对波峰进行过滤；记录下波峰的位置，在下一次计数时，过滤掉重复的波峰；当动作变化时重置波峰记录。
步骤S103的生成数据集中提取特征值以及步骤S202的提取特征值的具体步骤为：
P1、采样数据：
六轴传感器输出加速度3轴和角速度3轴数据；
每秒50次采样，每次计算使用128次采样；
得到大小为6x128的原始采样数据，轴对应2维数据的行，采样对应2维数据的列；
P2、滤波：
对原始采样数据6行分别使用中值滤波减少噪声；
对中值滤波结果6行分别使用巴特沃斯低通滤波，进一步减少高频噪声；
滤波后数据大小不变，仍为6x128；
P3、数据加工：
使用滤波后的6x128数据；
由于重力的存在，在人体静止不动时，加速度数据就是重力加速度，在人体进行移动跳跃等动作时，加速度数据是人体运动产生的加速度和重力加速度的叠加；
将加速度数据分解为重力和人体运动：
对加速度3行数据分别使用巴特沃斯低通滤波，得到低频的重力分量；
对加速度3行数据分别使用巴特沃斯高通滤波，得到高频的身体运动分量；
此时的数据共有加速度3行、角速度3行、重力3行、身体运动3行；共12行，数据总大小12x128；
为提取频域特征，对以上12行数据分别进行快速傅里叶变换，从时域变换到频域，得到频域数据12行；
加工后的数据包含时域数据12行，和频域数据12行，数据总大小24x128；
P4、特征值提取：
使用加工后得到的24x128数据提取特征值；
对一个行，可以提取的特征值有：平均值，标准差，最大值，最小值，能量，共5个；
对相关的两行，可以提取一个相关系数，3行之间两两组合，可以得到XY，XZ，YZ共3个相关系数，作为3个特征值；
用以上方法，每3行数据都可以提取3x5+3=18个特征值，24行最多可提取144个特征值；
去掉加速度快速傅里叶变换后的3行的15个特征值，
共提取以下129个特征值：
加速度3行的平均值、标准差、最大值、最小值、能量，共15个；
加速度3行两两之间的相关系数XY，XZ，YZ，共3个；
加速度3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
陀螺仪3行的平均值、标准差、最大值、最小值、能量，共15个；
陀螺仪3行两两之间的相关系数XY，XZ，YZ，共3个；
陀螺仪3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
陀螺仪3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
身体运动3行的平均值、标准差、最大值、最小值、能量，共15个；
身体运动3行两两之间的相关系数XY，XZ，YZ，共3个；
身体运动3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
身体运动3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
重力3行的平均值、标准差、最大值、最小值、能量，共15个；
重力3行两两之间的相关系数XY，XZ，YZ，共3个；
重力3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
重力3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个。
步骤S102中人工标定数据的过程使用PyQt开发的PC上位机程序，连接数据库，人工处理。
步骤S104的训练随机森林模型中，训练集和测试集的比例为4:1。
步骤S104的训练随机森林模型中，复合要求的模型准确率不小于98%，总的节点数量在5000以下。
步骤S104的训练随机森林模型中，训练采用的参数为：树的数量50，min_impurity_decrease为0.003。
本发明的有益效果是：本发明预先采集大量动作数据，训练随机森林模型，再将训练好的模型部署到嵌入式系统中运行，能识别更多更复杂的动作类型，响应速度快，对设备硬件要求低，能够在矫姿设备的嵌入式处理器上，以一秒数次的速度进行识别，并且没有明显增加功耗。
附图说明
图1为本发明的流程图；
以下将结合本发明的实施例参照附图进行详细叙述。
具体实施方式
下面结合附图和实施例对本发明作进一步说明：
一种智能矫姿设备用人体身姿的智能分析方法，如图1所示，具体步骤为：
S1、数据采集和训练
S101、采集原始数据：
由多个不同性别、不同体型的人佩戴矫姿设备进行动作，每个动作重复数次，矫姿设备中设有三轴加速度传感器以及三轴陀螺仪传感器，矫姿设备通过蓝牙连接手机，按每秒50次的采样频率，持续将采集到的六轴数据发送到手机，手机上先选择要采集的动作，然后记录一段时间的数据，最后将数据上传到服务器的数据库；
S102、人工标定数据：
采集的数据经过人工标定，标记出无效的数据，以及有效数据的开始和结束区间；人工标定数据的过程使用PyQt开发的PC上位机程序，连接数据库，人工处理；
PyQt是一种Python语言的GUI编程解决方案；
S103、生成数据集：
连接数据库，根据要使用的动作和用户id过滤，下载动作数据；
过滤掉标记为无效的数据，并根据标记的有效数据的开始和结束区间裁剪数据；
分割数据，以每段长2.56秒进行128个采样，128个采样中再间隔进行64个采样，采集开始后的1.28秒，相邻两段有50%的重叠；
对每段数据，提取129个特征值；
记录所有特征值和动作id，得到数据集；
S104、训练随机森林模型：
将数据集按比例划分为训练集和测试集，训练集和测试集的比例为4:1；
将训练集输入scikit-learn，训练随机森林模型；
随机森林是一种机器学习算法，由很多决策树构成，不同决策树之间没有关联，进行分类任务时，让每一棵决策树分别进行判断和分类，每个决策树会得到一个自己的分类结果，所有结果中出现最多的分类，就作为随机森林最终的结果；
scikit-learn是基于python语言的机器学习工具包；
用测试集测试模型准确率；
调整训练参数，重复以上步骤，直到得到复合要求的模型；
复合要求的模型有两个要求，一是准确率高，二是模型不能太复杂，因为模型将要用在嵌入式系统中，存储空间和运行速度都很有限；
经过反复实验，最终采用的模型准确率达到98%，总的节点数量在5000以下；训练采用的参数为：树的数量50，min_impurity_decrease为0.003；min_impurity_decrease参数影响树节点的数量，原理是当新增节点产生的影响小于阈值时，就放弃增加节点；
S105、部署到嵌入式系统：
将训练好的随机森林模型用sklearn-json序列化为json格式；
sklearn-json是用于分享和部署scikit-learn模型的python工具包；
用python读入json模型，将模型的数据转化为c语言形式，用三维数组保存；数组第一个维度是模型中的树；第二个维度是树的节点；第三个维度是节点的数据，包括：左子节点序号，右子节点序号，特征值序号，特征值阈值，动作类型序号；
S2、矫姿设备的动作识别算法
S201、数据采样：
按每秒50次的采样频率，记录六轴数据；每隔0.32秒进行16次采样，使用最近的长度为2.56秒的128次采样执行一次动作识别算法；
S202、提取特征值：
用c语言实现与训练模型时相同的提取算法，提取129个特征值；
S203、遍历随机森林模型：
对每棵树按以下步骤得到动作识别结果：从树的根节点开始，将根节点作为当前节点；根据当前节点的特征值序号选择相应的特征值，与特征值阈值比较，小于则跳转到左子节点，否则跳转到右子节点；重复上一步过程，直到当前节点没有子节点，则这棵树的决策过程结束，结果就是当前节点的动作类型序号；
S204、提取识别结果：
从所有树的结果中，选择出现次数最多的，作为此次的识别结果；此动作出现次数除以树的总数量，作为此次识别结果的置信度；
S205、动作计数：
当置信度高于80%时，开始对当前动作计数，当置信度在70%-80%之间时，仍然继续当前动作计数，当置信度低于70%时，结束对当前动作的计数；因为置信度存在波动，所以需要一定缓冲度，防止频繁的开始又马上停止；
根据动作类型从六轴数据中选择一个轴，再根据波峰数量计数；对这个轴128次采样的数据进行中值过滤，然后寻找波峰；由于加速度和陀螺仪的数据具有不同的变化幅度和噪声，需要设置不同的阈值对波峰进行过滤；记录下波峰的位置，在下一次计数时，过滤掉重复的波峰；当动作变化时重置波峰记录。
因为两次计数的数据有重叠部分，要去掉已经算过的波峰，剩下的波峰数量就是动作计数增加的数量。每次增加的数量累积起来就是总数。
举例来说：
第一次计算：走路置信率80%，开始计数。2.56秒内的垂直加速度有10个波峰，表示走了10步；
0.32秒后，第二次计算：走路置信率75%，继续计数，2.56秒内的垂直加速度有10个波峰，跟上次重复的有7个，表示增加了3步，累积13步；
第三次计算：走路置信率60%，停止走路计数。
步骤S103的生成数据集中提取特征值以及步骤S202的提取特征值的具体步骤为：
P1、采样数据：
六轴传感器输出加速度3轴和角速度3轴数据；
每秒50次采样，每次计算使用128次采样；
得到大小为6x128的原始采样数据，轴对应2维数据的行，采样对应2维数据的列；
P2、滤波：
对原始采样数据6行分别使用中值滤波减少噪声；
对中值滤波结果6行分别使用巴特沃斯低通滤波，进一步减少高频噪声；
滤波后数据大小不变，仍为6x128；
P3、数据加工：
使用滤波后的6x128数据；
由于重力的存在，在人体静止不动时，加速度数据就是重力加速度，在人体进行移动跳跃等动作时，加速度数据是人体运动产生的加速度和重力加速度的叠加；
将加速度数据分解为重力和人体运动：
对加速度3行数据分别使用巴特沃斯低通滤波，得到低频的重力分量；
对加速度3行数据分别使用巴特沃斯高通滤波，得到高频的身体运动分量；
此时的数据共有加速度3行、角速度3行、重力3行、身体运动3行；共12行，数据总大小12x128；
为提取频域特征，对以上12行数据分别进行快速傅里叶变换，从时域变换到频域，得到频域数据12行；
加工后的数据包含时域数据12行，和频域数据12行，数据总大小24x128；
P4、特征值提取：
使用加工后得到的24x128数据提取特征值；
对一个行，可以提取的特征值有：平均值，标准差，最大值，最小值，能量，共5个；
对相关的两行，可以提取一个相关系数，3行之间两两组合，可以得到XY，XZ，YZ共3个相关系数，作为3个特征值；
用以上方法，每3行数据都可以提取3x5+3=18个特征值，24行最多可提取144个特征值；
去掉加速度快速傅里叶变换后的3行的15个特征值，
共提取以下129个特征值：
加速度3行的平均值、标准差、最大值、最小值、能量，共15个；
加速度3行两两之间的相关系数XY，XZ，YZ，共3个；
加速度3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
陀螺仪3行的平均值、标准差、最大值、最小值、能量，共15个；
陀螺仪3行两两之间的相关系数XY，XZ，YZ，共3个；
陀螺仪3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
陀螺仪3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
身体运动3行的平均值、标准差、最大值、最小值、能量，共15个；
身体运动3行两两之间的相关系数XY，XZ，YZ，共3个；
身体运动3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
身体运动3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
重力3行的平均值、标准差、最大值、最小值、能量，共15个；
重力3行两两之间的相关系数XY，XZ，YZ，共3个；
重力3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
重力3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个。
本发明预先采集大量动作数据，训练随机森林模型，再将训练好的模型部署到嵌入式系统中运行，能识别更多更复杂的动作类型，响应速度快，对设备硬件要求低，能够在矫姿设备的嵌入式处理器上，以一秒数次的速度进行识别，并且没有明显增加功耗。
本发明基于矫姿设备的六轴传感器数据（3轴加速度+3轴陀螺仪），使用机器学习算法，使矫姿设备能够实时识别多种人体运动状态。目前能识别的动作有：直立静止、趴桌子上静止、左右转身、走路、跑步、开合跳、深蹲起，能使矫姿设备原本的驼背提醒功能更加智能，减少误判，能给矫姿设备拓展新的功能，如自动记录佩戴者的运动量，使用动作识别进行互动游戏等。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。
Claims (6)
1.一种智能矫姿设备用人体身姿的智能分析方法，其特征在于，具体步骤为：
S1、数据采集和训练
S101、采集原始数据：
由多个不同性别、不同体型的人佩戴矫姿设备进行动作，每个动作重复数次，矫姿设备中设有三轴加速度传感器以及三轴陀螺仪传感器，矫姿设备通过蓝牙连接手机，按每秒50次的采样频率，持续将采集到的六轴数据发送到手机，手机上先选择要采集的动作，然后记录一段时间的数据，最后将数据上传到服务器的数据库；
S102、人工标定数据：
采集的数据经过人工标定，标记出无效的数据，以及有效数据的开始和结束区间；
S103、生成数据集：
连接数据库，根据要使用的动作和用户id过滤，下载动作数据；
过滤掉标记为无效的数据，并根据标记的有效数据的开始和结束区间裁剪数据；
分割数据，以每段长2.56秒进行128个采样，128个采样中再间隔进行64个采样，采集开始后的1.28秒，相邻两段有50%的重叠；
对每段数据，提取129个特征值；
记录所有特征值和动作id，得到数据集；
S104、训练随机森林模型：
将数据集按比例划分为训练集和测试集；
将训练集输入scikit-learn，训练随机森林模型；
用测试集测试模型准确率；
调整训练参数，重复以上步骤，直到得到复合要求的模型；
S105、部署到嵌入式系统：
将训练好的随机森林模型用sklearn-json序列化为json格式；
用python读入json模型，将模型的数据转化为c语言形式，用三维数组保存；数组第一个维度是模型中的树；第二个维度是树的节点；第三个维度是节点的数据，包括：左子节点序号，右子节点序号，特征值序号，特征值阈值，动作类型序号；
S2、矫姿设备的动作识别算法
S201、数据采样：
按每秒50次的采样频率，记录六轴数据；每隔0.32秒进行16次采样，使用最近的长度为2.56秒的128次采样执行一次动作识别算法；
S202、提取特征值：
用c语言实现与训练模型时相同的提取算法，提取129个特征值；
S203、遍历随机森林模型：
对每棵树按以下步骤得到动作识别结果：从树的根节点开始，将根节点作为当前节点；根据当前节点的特征值序号选择相应的特征值，与特征值阈值比较，小于则跳转到左子节点，否则跳转到右子节点；重复上一步过程，直到当前节点没有子节点，则这棵树的决策过程结束，结果就是当前节点的动作类型序号；
S204、提取识别结果：
从所有树的结果中，选择出现次数最多的，作为此次的识别结果；此动作出现次数除以树的总数量，作为此次识别结果的置信度；
S205、动作计数：
当置信度高于80%时，开始对当前动作计数，当置信度在70%-80%之间时，仍然继续当前动作计数，当置信度低于70%时，结束对当前动作的计数；
根据动作类型从六轴数据中选择一个轴，再根据波峰数量计数；对这个轴128次采样的数据进行中值过滤，然后寻找波峰；由于加速度和陀螺仪的数据具有不同的变化幅度和噪声，需要设置不同的阈值对波峰进行过滤；记录下波峰的位置，在下一次计数时，过滤掉重复的波峰；当动作变化时重置波峰记录。
2.根据权利要求1所述的一种智能矫姿设备用人体身姿的智能分析方法，其特征在于，步骤S103的生成数据集中提取特征值以及步骤S202的提取特征值的具体步骤为：
P1、采样数据：
六轴传感器输出加速度3轴和角速度3轴数据；
每秒50次采样，每次计算使用128次采样；
得到大小为6x128的原始采样数据，轴对应2维数据的行，采样对应2维数据的列；
P2、滤波：
对原始采样数据6行分别使用中值滤波减少噪声；
对中值滤波结果6行分别使用巴特沃斯低通滤波，进一步减少高频噪声；
滤波后数据大小不变，仍为6x128；
P3、数据加工：
使用滤波后的6x128数据；
由于重力的存在，在人体静止不动时，加速度数据就是重力加速度，在人体进行移动跳跃等动作时，加速度数据是人体运动产生的加速度和重力加速度的叠加；
将加速度数据分解为重力和人体运动：
对加速度3行数据分别使用巴特沃斯低通滤波，得到低频的重力分量；
对加速度3行数据分别使用巴特沃斯高通滤波，得到高频的身体运动分量；
此时的数据共有加速度3行、角速度3行、重力3行、身体运动3行；共12行，数据总大小12x128；
为提取频域特征，对以上12行数据分别进行快速傅里叶变换，从时域变换到频域，得到频域数据12行；
加工后的数据包含时域数据12行，和频域数据12行，数据总大小24x128；
P4、特征值提取：
使用加工后得到的24x128数据提取特征值；
对一个行，可以提取的特征值有：平均值，标准差，最大值，最小值，能量，共5个；
对相关的两行，可以提取一个相关系数，3行之间两两组合，可以得到XY，XZ，YZ共3个相关系数，作为3个特征值；
用以上方法，每3行数据都可以提取3x5+3=18个特征值，24行最多可提取144个特征值；
去掉加速度快速傅里叶变换后的3行的15个特征值，
共提取以下129个特征值：
加速度3行的平均值、标准差、最大值、最小值、能量，共15个；
加速度3行两两之间的相关系数XY，XZ，YZ，共3个；
加速度3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
陀螺仪3行的平均值、标准差、最大值、最小值、能量，共15个；
陀螺仪3行两两之间的相关系数XY，XZ，YZ，共3个；
陀螺仪3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
陀螺仪3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
身体运动3行的平均值、标准差、最大值、最小值、能量，共15个；
身体运动3行两两之间的相关系数XY，XZ，YZ，共3个；
身体运动3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
身体运动3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个；
重力3行的平均值、标准差、最大值、最小值、能量，共15个；
重力3行两两之间的相关系数XY，XZ，YZ，共3个；
重力3行快速傅里叶变换后的平均值、标准差、最大值、最小值、能量，共15个；
重力3行快速傅里叶变换后的两两之间的相关系数XY，XZ，YZ，共3个。
3.根据权利要求2所述的一种智能矫姿设备用人体身姿的智能分析方法，其特征在于，步骤S102中人工标定数据的过程使用PyQt开发的PC上位机程序，连接数据库，人工处理。
4.根据权利要求3所述的一种智能矫姿设备用人体身姿的智能分析方法，其特征在于，步骤S104的训练随机森林模型中，训练集和测试集的比例为4:1。
5.根据权利要求4所述的一种智能矫姿设备用人体身姿的智能分析方法，其特征在于，步骤S104的训练随机森林模型中，复合要求的模型准确率不小于98%，总的节点数量在5000以下。
6.根据权利要求5所述的一种智能矫姿设备用人体身姿的智能分析方法，其特征在于，步骤S104的训练随机森林模型中，训练采用的参数为：树的数量50，min_impurity_decrease为0.003。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370888.2A CN114440884A (zh) | 2022-04-11 | 2022-04-11 | 一种智能矫姿设备用人体身姿的智能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370888.2A CN114440884A (zh) | 2022-04-11 | 2022-04-11 | 一种智能矫姿设备用人体身姿的智能分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114440884A true CN114440884A (zh) | 2022-05-06 |
Family
ID=81359840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210370888.2A Pending CN114440884A (zh) | 2022-04-11 | 2022-04-11 | 一种智能矫姿设备用人体身姿的智能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114440884A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115068938A (zh) * | 2022-06-14 | 2022-09-20 | 深圳十米网络科技有限公司 | 基于跳跃动作的体感游戏方法 |
| CN115314528A (zh) * | 2022-08-25 | 2022-11-08 | 重庆浙大网新科技有限公司 | 桥梁结构健康监测系统、方法和平台 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503667A (zh) * | 2016-10-26 | 2017-03-15 | 太原理工大学 | 一种基于wisp和模式识别的跌倒检测方法 |
| CN106491138A (zh) * | 2016-10-26 | 2017-03-15 | 歌尔科技有限公司 | 一种运动状态检测方法及装置 |
| CN106643722A (zh) * | 2016-10-28 | 2017-05-10 | 华南理工大学 | 一种基于三轴加速度计的宠物运动识别方法 |
| CN107016233A (zh) * | 2017-03-14 | 2017-08-04 | 中国科学院计算技术研究所 | 运动行为和认知能力的关联分析方法及系统 |
| CN107212890A (zh) * | 2017-05-27 | 2017-09-29 | 中南大学 | 一种基于步态信息的运动识别和疲劳检测方法及系统 |
| CN108008151A (zh) * | 2017-11-09 | 2018-05-08 | 惠州市德赛工业研究院有限公司 | 一种基于三轴加速度传感器的运动状态识别方法及系统 |
| CN108509924A (zh) * | 2018-03-29 | 2018-09-07 | 北京微播视界科技有限公司 | 人体姿态的评分方法和装置 |
| US20190095814A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Detecting complex user activities using ensemble machine learning over inertial sensors data |
| CN110163264A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于机器学习的行走模式识别方法 |
| CN110443226A (zh) * | 2019-08-16 | 2019-11-12 | 重庆大学 | 一种基于姿态识别的学生状态评价方法及系统 |
| CN111288986A (zh) * | 2019-12-31 | 2020-06-16 | 中科彭州智慧产业创新中心有限公司 | 一种运动识别方法及运动识别装置 |
| CN112861624A (zh) * | 2021-01-05 | 2021-05-28 | 哈尔滨工业大学（威海） | 一种人体姿态检测方法、系统、存储介质、设备及终端 |
| CN113095379A (zh) * | 2021-03-26 | 2021-07-09 | 厦门中翎易优创科技有限公司 | 一种基于穿戴式六轴传感数据的人体运动状态识别方法 |
| CN113749644A (zh) * | 2021-08-03 | 2021-12-07 | 武汉纺织大学 | 可对人体腰椎运动进行监测及自主姿态矫正的智能服装 |
-
2022
- 2022-04-11 CN CN202210370888.2A patent/CN114440884A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106491138A (zh) * | 2016-10-26 | 2017-03-15 | 歌尔科技有限公司 | 一种运动状态检测方法及装置 |
| CN106503667A (zh) * | 2016-10-26 | 2017-03-15 | 太原理工大学 | 一种基于wisp和模式识别的跌倒检测方法 |
| CN106643722A (zh) * | 2016-10-28 | 2017-05-10 | 华南理工大学 | 一种基于三轴加速度计的宠物运动识别方法 |
| CN107016233A (zh) * | 2017-03-14 | 2017-08-04 | 中国科学院计算技术研究所 | 运动行为和认知能力的关联分析方法及系统 |
| CN107212890A (zh) * | 2017-05-27 | 2017-09-29 | 中南大学 | 一种基于步态信息的运动识别和疲劳检测方法及系统 |
| US20190095814A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Detecting complex user activities using ensemble machine learning over inertial sensors data |
| CN108008151A (zh) * | 2017-11-09 | 2018-05-08 | 惠州市德赛工业研究院有限公司 | 一种基于三轴加速度传感器的运动状态识别方法及系统 |
| CN108509924A (zh) * | 2018-03-29 | 2018-09-07 | 北京微播视界科技有限公司 | 人体姿态的评分方法和装置 |
| CN110163264A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于机器学习的行走模式识别方法 |
| CN110443226A (zh) * | 2019-08-16 | 2019-11-12 | 重庆大学 | 一种基于姿态识别的学生状态评价方法及系统 |
| CN111288986A (zh) * | 2019-12-31 | 2020-06-16 | 中科彭州智慧产业创新中心有限公司 | 一种运动识别方法及运动识别装置 |
| CN112861624A (zh) * | 2021-01-05 | 2021-05-28 | 哈尔滨工业大学（威海） | 一种人体姿态检测方法、系统、存储介质、设备及终端 |
| CN113095379A (zh) * | 2021-03-26 | 2021-07-09 | 厦门中翎易优创科技有限公司 | 一种基于穿戴式六轴传感数据的人体运动状态识别方法 |
| CN113749644A (zh) * | 2021-08-03 | 2021-12-07 | 武汉纺织大学 | 可对人体腰椎运动进行监测及自主姿态矫正的智能服装 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115068938A (zh) * | 2022-06-14 | 2022-09-20 | 深圳十米网络科技有限公司 | 基于跳跃动作的体感游戏方法 |
| CN115314528A (zh) * | 2022-08-25 | 2022-11-08 | 重庆浙大网新科技有限公司 | 桥梁结构健康监测系统、方法和平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111035367B (zh) | 一种用于判断睡眠呼吸暂停的信号检测系统 | |
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| CN114440884A (zh) | 一种智能矫姿设备用人体身姿的智能分析方法 | |
| Wang et al. | Real time accelerometer-based gait recognition using adaptive windowed wavelet transforms | |
| CN105426814A (zh) | 一种基于手机的老人跌倒检测方法 | |
| CN105662375A (zh) | 非接触式检测生命体征信号的方法和装置 | |
| Mohammed et al. | Unsupervised deep representation learning to remove motion artifacts in free-mode body sensor networks | |
| CN106228200A (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
| CN114041786A (zh) | 心冲击图信号的检测方法、装置以及设备 | |
| CN105868712A (zh) | 基于后验概率模型的脑电与机器视觉目标图像检索方法 | |
| CN111700718A (zh) | 一种识别握姿的方法、装置、假肢及可读存储介质 | |
| CN108958482A (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
| CN109805935A (zh) | 一种基于人工智能分层分级运动识别方法的智能腰带 | |
| CN110956192A (zh) | 一种非重构压缩感知生理数据的分类方法及装置 | |
| Liao et al. | The application of EMD in activity recognition based on a single triaxial accelerometer | |
| CN113095379A (zh) | 一种基于穿戴式六轴传感数据的人体运动状态识别方法 | |
| Wongpatikaseree et al. | Range-based algorithm for posture classification and fall-down detection in smart homecare system | |
| US20090012921A1 (en) | Method for identifying a person's posture | |
| CN111743668B (zh) | 假肢控制方法、装置、电子设备和存储介质 | |
| CN111028488A (zh) | 一种基于pso-svm的智能久坐提醒的方法 | |
| CN114327045B (zh) | 基于类别不平衡信号的跌倒检测方法及系统 | |
| CN109820523A (zh) | 心理测试仪控制方法、装置及计算机可读存储介质 | |
| CN114034313A (zh) | 计步方法和装置 | |
| CN116704600A (zh) | 一种基于多源信息融合的步态分析方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220506 |