技术领域：
[0001] 本
发明属于溺水行为识别检测技术领域，具体涉及一种基于加速度计的溺水行为识别方法，能够有效的监测各种溺水情形，监测准确率高。背景技术：
[0002] 加速度
传感器可以精确的测量人体运动状态。“加速度
信号”指的是人体运动产生的动作信号，通过对这些信号的有效处理，可以用来识别分析人体日常活动行为。以此可以用来研究分析普通游泳和溺水行为的，进而对普通游泳和溺水行为做出判定。
[0003] 为将加速传感器应用于溺水检测，
现有技术做了大量技术研究，例如
专利CN106912006A提供了一种基于可穿戴设备的溺水检测方法、检测装置及终端设备，包括：获取所述可穿戴设备上的霍尔传感器的输出值，并将所述输出值按照预设比例进行放大，得到待测值；根据所述待测值判断所述可穿戴设备是否处于溺水状态；若所述可穿戴设备处于溺水状态，则发出预设提示信号。通过上述方法，可穿戴设备能够自动检测溺水情况；专利CN109308790A公开了一种智慧游泳运动系统及实现运动管理的方法，所述系统包括中心
控制器、设置于游泳池周边的至少三个基站以及若干设置于穿戴设备上的UWB
定位标签，中心控制器与各个基站通过有线或者无线通信连接，各个基站之间通过有线或无线通信连接，中心控制器控制各个基站和UWB定位标签按照系统规定的运行时序和逻辑工作，UWB定位标签发出UWB定位数据并由各个基站接收，各个基站将接收到的定位数据发送至中心控制器，中心控制器解算出UWB定位标签的实时
位置。本发明实现了防溺监控和运动
数据采集，既增加了游泳作为娱乐活动时的安全性，又为游泳训练提供了真实的运动数据。但是上述专利中并未详细介绍根据加速度计测量数据分析溺水行为，或者只是设置
阈值，超过阈值则判定疑似溺水。本发明寻求探索提供一种基于加速度计测量数据，使用行为特征分析普通游泳和溺水行为，最后使用
决策树对普通游泳和溺水行为进行分类。这样取得的结果更加科学、可靠。发明内容：
[0004] 本发明的目的在于克服现有技术所述的上述
缺陷，寻求提供一种基于加速度计的溺水行为识别方法，能够对溺水行为进行准确分析与识别，并且本发明专利方法更加简洁，可以直接在手环、标签等设备中运行。
[0005] 为了实现上述目的，本发明涉及的一种基于加速度计的溺水行为识别方法通过如下技术方案实现：
[0006] 本发明通过手环实现，涉及的手环的主体结构包括有MCU、WIFI模
块、锂
电池、加速度计，上述结构通过防水
外壳体进行封装，其中加速度计为三轴加速度计，通过IIC与MCU连接，手环通过锂电池供电；加速度计测量的数据，通过WIFI模块发送至电脑端；电脑端接收到测量数据后进行存储与处理。
[0007] 基于加速度计的溺水行为识别方法具体步骤按照如下方式进行：
[0008] S1、加速度计采集数据预处理
[0009] 加速度计用以测量人体运动加速度和
重力加速度信号，但是其测量数据包含了各种
干扰信号和噪声信号，这些干扰和噪声会对溺水行为识别带来很多负面影响，需要对加速度计测量的数据进行噪声过滤与平滑、
加窗等预处理操作；
[0010] a)噪声过滤与平滑
[0011] 人体运动加速度信号的频带范围主要集中在0-15Hz，而数据中的噪声主要集中在15Hz以上，使用切比
雪夫低通
滤波器对数据进行滤波处理；
[0012] 基于实时性与处理能力考虑，此处选择I阶级切比雪夫
低通滤波器，滤波器设计如下，
[0013] 滤波器设计中指标包括{G0,GB,Δf,T,fs,fp}，其中G0为参考增益，GB为带宽增益，Δf为带宽，fs为
采样频率，fs为
通带截止频率，fp为
阻带截止频率，转换到数字域公式有：
[0014] ω＝2πfT (1)
[0015] 设定本发明中
采样频率50Hz，阻带截止频率为30Hz，则数字域通带截止频率ωp＝2π×15×0.02＝0.6π，阻带截止频率ωp＝2π×25×0.02＝π；
[0016] 对该滤波器做预畸变处理，预畸变算式为，
[0017]
[0018] 式中，Ω为模拟频率，ω为数字频率，T为采样周期；
[0019] 在已知阻带内衰减αs(单位dB)后，可得切比雪夫滤波器阶数，
[0020]
[0021] 式中，
[0022]
[0023] λs为归一化率，表达式为，
[0024]
[0025] 通带内允许有0.2d B的
波动，阻带内衰减至少为40d B，使用式(3)～(5)计算可得，k＝460.6131,λs＝11.5481，则切比雪夫低通滤波器阶数N＝3；
[0026] 根据下式计算切比雪夫低通滤波器归一化的极点pk,k＝1,2:N，
[0027]
[0028] 进而可以得到切比雪夫低通滤波器的传递函数，
[0029]
[0030] 将系统传递函数去归一化得到，
[0031]
[0032] 根据式(6)～(8)可以得到，
[0033]
[0034] 使用双线性变换，
[0035]
[0036] 得到离散化的切比雪夫低通滤波器系统函数，
[0037]
[0038] 加速度计采样的数据使用上述计算得到的滤波器系统函数滤波后，用以进一步分析；
[0039] b)数据加窗
[0040] 由于直接测量得到的加速度数据在时域中以数据流的形式呈现，不适合直接提取特征，需对加速度信号进行特征提取之前进行添加窗口的预处理；测量中加速度计的数据采集频率为50Hz，采样窗口设置为256点，相邻窗口重叠50％；
[0041] S2、行为特征提取
[0042] 由于加速度量测的
波形无法直接用于判断人体运动状态，也无法直接被分类器识别，因此，需要加窗后的加速度计测量数据进行特征提取，本发明选用标准差、均值、波峰间隔、波峰波谷几种特征组成特征集；
[0043] a)均值
[0044] 是最简单的表征人体运动行为的统计特征，计算公式如下，
[0045]
[0046] 式中，Xi是测量数据，n为窗口长度，μ表示改组数据的均值；
[0047] b)标准差
[0048] 反应了加速度计信号的离散程度，可以区分静态行为和动态行为，计算公式如下，[0049]
[0050] c)波峰间隔
[0051] 在普通游泳和溺水状态识别中，手臂的挥动频率是一个重要的特征，可以使用波峰间隔来度量手臂挥动频率，计算公式如下，
[0052] ΔT＝|T2-T1| (14)
[0053] 式中，T1表示前一个波峰出现的时间，T2表示后一个波峰出现的时间；
[0054] d)波峰波谷
[0055] 波峰波谷值可以表征人体在运动时所达到的
能量大小，可以用来分析溺水行为；
[0056] S3、基于决策树的动作识别
[0057] 行为特征提取得到的特征集用于设计决策树中内部
节点的属性，决策树分类
算法计算量相对较小，并且模型简单，但是识别
精度较高，决策树分类法采用
自上而下的递归方式，在内部比较节点的属性，并根据属性的不同得到一条自上而下的路径，在叶节点处得到分类；
[0058] 使用ID3算法构造决策树，设S是训练样本集，它包括n个类别的样本，这些类别分别用C1,C2,…Cn表示，那么S的熵(entropy)表示为：
[0059]
[0060] 其中，pi表示Ci在整个训练元组中出现的概率，可用属于此类元素的数量除以训练集合元素总数量作为估计，熵的实际意义表示为S中元组的类标号所需要的平均信息量；
[0061] 将训练元组S按照属性A进行划分，那么A对S的期望信息为，
[0062]
[0063] 信息增益,
[0064] gain(S,A)＝entropy(S)-entropy(S,A) (17)
[0065] ID3算法在进行分裂时会计算训练元组中各个属性的增益率，并选择增益率最大的属性进行分裂；
[0066] 本发明以加速度计的X、Y、Z三轴测量数据计算得到的合加速度，即，[0067]
[0068] 式中，a表示合加速度，ax,ay,az分别表示x,y,z轴的加速度值；
[0069] 以合加速度的均值、标准差、波峰间隔、波峰波谷值、两轴相间系数作为特征集，创建静止、游泳(此处以自由游为例)和溺水等动作的决策树；
[0070] 基于上述方法，对测试设备中的加速度计数据进行采集，然后对采集的数据进行低通滤波，最后基于行为特征对人员行为进行分析。
[0071] 进一步的，本发明中可以使用的低通滤波方法包含但不限于切比雪夫低通滤波、巴特沃斯低通滤波、FIR低通滤波和卡尔曼滤波，以及这些方法的组合；
[0072] 进一步的，本发明中只以决策树方法进行试验分析，可使用行为分类方法还包含但不限于KNN、朴素贝叶斯、SVM等以及这些方法的组合。
[0073] 本发明与现有技术相比，取得的有益效果如下：
[0074] 目前，运动手环等便携设备都含有加速度计，本发明可以在不增加传感器的
基础上，以人体行为特征分析和决策树对溺水动作进行科学的分析。且本发明涉及的方法计算量适中、方法可靠，可以更广泛的应用在运动手环、定位手环、定位标签等各种便携式设备中。应用环境友好，市场前景广阔。
附图说明：
[0075] 图1为本发明涉及的溺水行为识别算法运行流程原理示意图。
[0076] 图2为本发明涉及的加速度计测量数据加窗处理原理示意图。
[0077] 图3为本发明涉及的静止状态加速度计测量值示意图。
[0078] 图4为本发明涉及的静止状态下均值与标准差示意图。
[0079] 图5为本发明涉及的自由游泳加速度计测量数据示意图。
[0080] 图6为本发明涉及的自由泳状态下均值与标准差示意图。
[0081] 图7为本发明涉及的模拟溺水初始阶段加速度测量数据示意图。
[0082] 图8为本发明涉及的模拟溺水初始阶段均值与标准差示意图。
[0083] 图9为本发明涉及的模拟溺水挣扎阶段加速度计测量值示意图。
[0084] 图10为本发明涉及的模拟溺水挣扎阶段均值与标准差示意图。
[0085] 图11为本发明涉及的决策树动作识别流程示意图。
[0086] 图12为本发明涉及的手环结构图具体实施方式：
[0087] 下面结合附图并通过
实施例进行具体说明。本领域技术人员会知道，这些实施例是示例性的，而不是限制性的。这些实施例不会以任何方式限制本发明的范围。
[0088] 实施例1：
[0089] 本实施例涉及的一种基于加速度计的溺水行为识别方法通过如下技术方案实现：
[0090] 本实施例通过手环实现，涉及的手环的主体结构包括有MCU、WIFI模块、锂电池、加速度计，上述结构通过防水外壳体进行封装，其中加速度计为三轴加速度计，通过IIC与MCU连接，手环通过锂电池供电；加速度计测量的数据，通过WIFI模块发送至电脑端；电脑端接收到测量数据后进行存储与处理。
[0091] 基于加速度计的溺水行为识别方法具体步骤按照如下方式进行：
[0092] S1、加速度计采集数据预处理
[0093] 加速度计用以测量人体运动加速度和重力加速度信号，但是其测量数据包含了各种干扰信号和噪声信号，这些干扰和噪声会对溺水行为识别带来很多负面影响，需要对加速度计测量的数据进行噪声过滤与平滑、加窗等预处理操作；
[0094] c)噪声过滤与平滑
[0095] 人体运动加速度信号的频带范围主要集中在0-15Hz，而数据中的噪声主要集中在15Hz以上，使用切比雪夫低通滤波器对数据进行滤波处理；
[0096] 基于实时性与处理能力考虑，此处选择I阶级切比雪夫低通滤波器，滤波器设计如下，
[0097] 滤波器设计中指标包括{G0,GB,Δf,T,fs,fp}，其中G0为参考增益，GB为带宽增益，Δf为带宽，fs为采样频率，fs为通带截止频率，fp为阻带截止频率，转换到数字域公式有：
[0098] ω＝2πfT (1)
[0099] 设定本实施例中采样频率50Hz，阻带截止频率为30Hz，则数字域通带截止频率ωp＝2π×15×0.02＝0.6π，阻带截止频率ωp＝2π×25×0.02＝π；
[0100] 对该滤波器做预畸变处理，预畸变算式为，
[0101]
[0102] 式中，Ω为模拟频率，ω为数字频率，T为采样周期；
[0103] 在已知阻带内衰减αs(单位dB)后，可得切比雪夫滤波器阶数，
[0104]
[0105] 式中，
[0106]
[0107] λs为归一化率，表达式为，
[0108]
[0109] 通带内允许有0.2d B的波动，阻带内衰减至少为40d B，使用式(3)～(5)计算可得，k＝460.6131,λs＝11.5481，则切比雪夫低通滤波器阶数N＝3；
[0110] 根据下式计算切比雪夫低通滤波器归一化的极点pk,k＝1,2:N，
[0111]
[0112] 进而可以得到切比雪夫低通滤波器的传递函数，
[0113]
[0114] 将系统传递函数去归一化得到，
[0115]
[0116] 根据式(6)～(8)可以得到，
[0117]
[0118] 使用双线性变换，
[0119]
[0120] 得到离散化的切比雪夫低通滤波器系统函数，
[0121]
[0122] 加速度计采样的数据使用上述计算得到的滤波器系统函数滤波后，用以进一步分析；
[0123] d)数据加窗
[0124] 由于直接测量得到的加速度数据在时域中以数据流的形式呈现，不适合直接提取特征，需对加速度信号进行特征提取之前进行添加窗口的预处理；测量中加速度计的数据采集频率为50Hz，采样窗口设置为256点，相邻窗口重叠50％，图2为加速度计测量数据加窗处理示意图；
[0125] S2、行为特征提取
[0126] 由于加速度量测的波形无法直接用于判断人体运动状态，也无法直接被分类器识别，因此，需要加窗后的加速度计测量数据进行特征提取，本实施例选用标准差、均值、波峰间隔、波峰波谷几种特征组成特征集；
[0127] e)均值
[0128] 是最简单的表征人体运动行为的统计特征，计算公式如下，
[0129]
[0130] 式中，Xi是测量数据，n为窗口长度，μ表示改组数据的均值；
[0131] f)标准差
[0132] 反应了加速度计信号的离散程度，可以区分静态行为和动态行为，计算公式如下，[0133]
[0134] g)波峰间隔
[0135] 在普通游泳和溺水状态识别中，手臂的挥动频率是一个重要的特征，可以使用波峰间隔来度量手臂挥动频率，计算公式如下，
[0136] ΔT＝|T2-T1| (14)
[0137] 式中，T1表示前一个波峰出现的时间，T2表示后一个波峰出现的时间；
[0138] h)波峰波谷
[0139] 波峰波谷值可以表征人体在运动时所达到的能量大小，可以用来分析溺水行为；
[0140] S3、基于决策树的动作识别
[0141] 行为特征提取得到的特征集用于设计决策树中内部节点的属性，决策树分类算法计算量相对较小，并且模型简单，但是识别精度较高，决策树分类法采用自上而下的递归方式，在内部比较节点的属性，并根据属性的不同得到一条自上而下的路径，在叶节点处得到分类；
[0142] 使用ID3算法构造决策树，设S是训练样本集，它包括n个类别的样本，这些类别分别用C1,C2,…Cn表示，那么S的熵(entropy)表示为：
[0143]
[0144] 其中，pi表示Ci在整个训练元组中出现的概率，可用属于此类元素的数量除以训练集合元素总数量作为估计，熵的实际意义表示为S中元组的类标号所需要的平均信息量；
[0145] 将训练元组S按照属性A进行划分，那么A对S的期望信息为，
[0146]
[0147] 信息增益,
[0148] gain(S,A)＝entropy(S)-entropy(S,A) (17)
[0149] ID3算法在进行分裂时会计算训练元组中各个属性的增益率，并选择增益率最大的属性进行分裂；
[0150] 本实施例以加速度计的X、Y、Z三轴测量数据计算得到的合加速度，即，[0151]
[0152] 式中，a表示合加速度，ax,ay,az分别表示x,y,z轴的加速度值；
[0153] 以合加速度的均值、标准差、波峰间隔、波峰波谷值、两轴相间系数作为特征集，创建静止、游泳(此处以自由游为例)和溺水等动作的决策树；
[0154] 基于上述方法，对测试设备中的加速度计数据进行采集，然后对采集的数据进行低通滤波，最后基于行为特征对人员行为进行分析。
[0155] 测试情况如下，基于加速度计的静止状态下测量值如图3所示，其均值和标准差如图4所示；自由泳合加速度数据如图5所示，其均值和标准差如图6所示；由于溺水测量无法直接获取，此处通过模拟溺水动作获取测量，其中，数据分为溺水初始状态和溺水挣扎阶段，初始状态数据如图7所示，图8为其均值和方差；挣扎状态数据如图9所示，图10为其均值和方差，从图3～图10能够看出，不同的行为之间，表征行为特征的均值、方差、波峰间隔和波峰波谷有明显区别，测量数据中得到的各个数值，能够应用在决策树的设计中，基于实验数据，设计的决策树流程如图11，最后，在实际应用中，程序代码按照图11所示的流程实现。
[0156] 进一步的，本实施例中可以使用的低通滤波方法包含但不限于切比雪夫低通滤波、巴特沃斯低通滤波、FIR低通滤波和卡尔曼滤波，以及这些方法的组合；
[0157] 进一步的，本实施例中只以决策树方法进行试验分析，可使用行为分类方法还包含但不限于KNN、朴素贝叶斯、SVM等以及这些方法的组合。
