技术领域
[0001] 本
发明涉及一种运动识别方法，特别是涉及加速度传感器的运动识别方法，属于
人机交互技术领域。
背景技术
[0002] 早期的运动识别主要是基于视觉方式的，给定一段
图像序列或者一个视频
片段，识别出人物的运动类型。基于视觉的方法具有交互自然，提取的特征信息丰富等优点，但该方法在实际应用中也有一些局限性，需要克服很多问题。如环境中的光照条件，人物在摄像机前的
位置，场地的大小等。传感器具有价格便宜，携带方便，不受场地限制等优点，随着这些设备的发展，运动识别又被带入了一片新的研究领域，补充了传统基于视觉的运动识别方法在实际应用中的不足，促使了运动识别在日常生活中的应用。这一技术已经被用在行为障碍病人的康复状况监视，老年人突发
疾病预防监视等应用中。常用的传感器有加速度传感器，
陀螺仪，麦克
风等，一些内置传感器的设备如Apple iPhone，Nintendo Wiimote等，这些无线设备的发展使得大范围的交互应用成为可能，如智能家庭，
混合现实等应用。
[0003] 对于使用加速度传感器进行运动识别而言，主要问题有三：一为如何快速自动地分割传感器输出的加速度
信号，以达到在线的进行运动分割的目的，为后续的在线识别做准备；二为如何建立有效的分类模型，以达到高效准确的对运动进行分类识别的目的；三为如何采用适当的方法，在运动结束之间进行识别，提高交互感。本发明将以这三个问题为基本出发点，对运动识别过程中的关键问题进行分析，解决以上提到的主要技术问题，实现一个高效的在线运动识别系统。
[0004] 对于加速度信号分割问题，很多研究工作都是将传感器信号手动分割好，作为训练和测试的
数据库。这样降低了
信号处理的负担，并且数据比较理想化，在此
基础上排除了数据的影响，可以对比分析识别
算法的性能。但是实际应用中，手动的方法交互感不好，不便于操作和应用，因此我们需要对信号进行在线的分割处理；对于分类模型的选取，现阶段大多数研究与相应的系统采用动态时间卷曲算法（DTW）和隐
马尔科夫模型方法(HMM)，DTW算法所需的
训练数据较少，并且能够动态的更新匹配的模板。但该算法的运算速度会随着待识别的时序数据的长度以及模板的数量的增大而明显的减慢，HMM方法用一个状态表示当前动作，但是很多全身性动作比较复杂，无法仅仅用一个状态充分表示出来，因此需要两个或多个状态变量来表示，本发明采用Fused HMM方法，解决了单独的一个HMM无法对具有相关关系的两个时序序列同时进行建模的问题，对于具有交互过程的全身性动作具有很好的描述能
力，并且当一个HMM信息丢失时另一个HMM仍能正常工作，增加了算法的鲁棒性；对于提前进行运动识别问题，当前主要的处理方法是当一个运动完成之后再去调用识别过程，在有些应用中这种延迟感会降低用户体验度。本发明采用了自回归的
预测模型，利用已知
帧数据，预测出未知的数据，通过对预测得到的数据进行分析，可以在运动结束之前即开始识别的过程，并达到提前识别的效果。
发明内容
[0005] 本发明的目的：应用了一种连续的信号处理方法，自动的进行端点检测，实现信号的自动在线分割能力；使用Fused隐马尔科夫模型作为识别分类器，解决了传统的隐马尔科夫模型对复杂交互运动识别能力差的问题；运用自回归的预测模型对未知数据进行预测，增强了提前识别的能力，解决了运动完成后再去识别造成的延迟感问题，本发明的主要目标是实现一个交互良好的高效准确的运动识别系统。
[0006] 本发明为了达到上述目的采用的技术方案为：一种基于加速度传感器的运动识别方法，其步骤如下：
[0007] 步骤（1）、在线的对加速度信号进行自动分割：在线的对加速度信号进行滤波分割处理，并筛选得到分割点；
[0008] 步骤（2）、将信号分割后的加速度信号表达的运动信息分成两部分，训练基于Fused隐马尔科夫模型的分类模型，使用隐马尔科夫模型分别对每部分运动信息进行建模，再利用概率混合模型将两个模型进行关联；
[0009] 步骤（3）、利用一阶
自回归模型，通过已知的数据来预测未知的数据；并根据隐状态和观察值之间的关系，将预测关系表达成隐状态和观察值之间的一个概率转移；
[0010] 步骤（4）、将待识别的运动数据带入到带有预测能力的Fused隐马尔科夫模型中进行估值操作，给出最后的识别结果。
[0011] 进一步的，所述步骤（1）中在线的对加速度信号进行分割的步骤具体如下：
[0012] 步骤（A1）、应用递归最小二乘法(RLS)预测
滤波器对加速度运动信号进行处理；
[0013] 步骤（A2）、当预测信号和原始信号明显不同时，说明存在不稳定点，分析得到的不稳定点，筛选得到分割点。
[0014] 进一步的，所述步骤（2）训练基于Fused隐马尔科夫模型的分类模型的步骤具体如下：
[0015] 步骤（B1）、对每一类运动分别采集手部和脚部的加速度信息，对每一部分分别训练出隐马尔科夫模型HMM1和HMM2；
[0016] 步骤（B2）、解码出HMM1和HMM2的隐状态序列S1和S2，分析运动的特征，
选定一个主模型和一个辅助模型；
[0017] 步骤（B3）、将两个隐马尔科夫模型通过一定的概率分布关系，建立融合，将主模型的隐状态序列和辅助模型的观察值序列建立关联。
[0018] 进一步的，所述步骤（3）中一阶自回归模型的建立步骤如下：
[0019] 步骤（C1）、设定回归参数和初始值；
[0020] 步骤（C2）、对每一类运动，采用期望最大化（Expectation Maximum,EM）算法，
迭代的训练出预测模型，得到模型的参数。
[0021] 进一步的，所述步骤（4）带有预测能力的Fused隐马尔科夫模型的识别过程步骤如下：将待识别的加速度数据带入到训练好的模型中进行估值操作，计算其拟合每一个已知模型的概率，并将拟合度最高的模型表示的运动类别当作最终的识别结果。
[0023] 首先使用加速度信号的自动分割方法，相比于手动地进行信号分割的方法，本方法省去了手工处理的麻烦，并且在应用中增加了交互感和体验度；
[0024] 其次采用了Fused HMM算法作为分类器，该方法能很好的处理具有交互过程的两个时序序列，对于复杂的全身运
动能够通过较少的隐状态来描述，提高了运算效率和分类准确度，并且当一个序列数据失效时，另一个序列仍能正常工作；
[0025] 最后采用了一种自回归的预测模型，能够通过已知数据预测出未知数据，在运动结束之前即开始识别操作，减小了算法延迟，提高了用户体验度。
附图说明
[0026] 图1为本发明的一种基于加速度传感器的运动识别方法的整体过程示意图；
[0027] 图2为本发明的RLS自适应滤波器原理示意图；
[0028] 图3为本发明的Fused隐马尔科夫模型示意图。
具体实施方式
[0029] 下面结合附图与
实施例对本发明作进一步详细描述：
[0030] 本发明实施过程包括四个主要步骤：在线对加速度信号进行分割，训练基于Fused隐马尔科夫模型的分类模型，建立自回归的预测模型，带有预测能力的Fused隐马尔科夫模型的识别过程。
[0031] 步骤一，即在线的对加速度信号进行分割，主要分成二个阶段：
[0032] 第一阶段：应用递归最小二乘法预测滤波器对加速度运动信号进行处理如图2所示本发明的RLS自适应滤波器原理示意图，设置递归最小二乘法自适应滤波器作为预测滤波器，调整延迟，滤波器阶数，遗忘因子，动态的更新滤波器系数因子。滤波器公式如下：
[0033]
[0034] 表示期望预测得到的第n帧数据，X(n)＝[x(n)x(n-1)...x(n-p)]T表示之T前最近的p帧数据，wn＝[ωn(0)ωn(1)...ωn(p)] 表示权重系数，p表示滤波器的阶数，上面(1)式表明第n帧数据 是由前面p帧数据预测得到的。通过上式可以训练求得滤波器的系数因子wn。
[0035] 第二阶段：当预测信号和原始信号明显不同时，说明存在不稳定点，分析得到的不稳定点，筛选得到分割点。
[0036] 计算两个相邻滤波器系数向量的欧氏距离，并保存为误差向量e(n)[0037] e(n)＝||w(n)-w(n-1)||2 (2)
[0038] w(n)表示通过RLS算法计算得到的第n时刻的滤波器系数向量。将得到的误差向量与预先定义的
阈值相比较，超过阈值的点保存为初步分割点集,psb＝[a0,a1,a2，...,al]，其中a0＝0，l为初步分割点的个数。如果信号片段比较短的话，不能提供有意义的信息，因此要设定一个最短信号长度值(Lmin)，将psb中每个元素和Lmin作比较。如果ai-ai-1＞Lmin，(ai表示psb中的第i个初步分割点，0≤i≤l)，将ai保留作为不稳定点并继续检验下一个元素。如果ai-ai-1≤Lmin，则删除掉ai，继续检验下一个元素。最后psb中余下的点即为有效分割点。
[0039] 步骤二：训练基于Fused隐马尔科夫模型的分类模型。该步骤需要对每一类运动训练一个Fused隐马尔科夫模型。图3为本发明的Fused隐马尔科夫模型示意图，具体分为如下两个阶段：
[0040] 第一阶段：将总的特征信息分为手部特征和脚部特征，对每一部分特征信息分别独立的训练HMM，得到HMM1和HMM2。
[0041] 采集四个传感器的信息，分别存储为手部运动信息和脚部运动信息，对每一类运动的时序数据，训练出一个隐马尔科夫模型，训练过程采用经典的Baum-Welch方法，该算法的主要思想是期望最大化过程，通过迭代的估计，训练得到最优的参数值。
[0042] 第二阶段：解码出HMM1和HMM2的隐状态序列S1和S2，分析运动的特征，选定一个主模型和一个辅助模型。S1是HMM1的隐状态序列，S1i(i=1~N)为S1每个时刻的状态值，O1i(i=1~N)为每一时刻的观察值，同理，S2i(i=1~N)为S2每个时刻的状态值，O2i(i=1~N)为每一时刻的观察值。
[0043] 使用Viterbi算法，解码出两个训练序列的隐状态序列。根据运动的特征，设定两部分所占的权重，权重较大的作为主要模型，另一个作为辅助模型。
[0044] 第三阶段：将两个隐马尔科夫模型通过一定的概率分布关系，建立融合，将主模型的隐状态序列和辅助模型的观察值序列建立关联。
[0045] 辅助模型的观察值的输出概率不仅会受到其自身的隐状态的影响，还会受到主要模型的隐状态序列的影响。因此该过程要训练得到一个交叉输出概率如下：
[0046] B12＝B(S1,O2)＝arg max p(O2|S1) (3)
[0047] O2表示辅助模型的观察值序列，S1表示主模型的隐状态序列，B(S1,O2)为S1对O2的输出概率。
[0048] 步骤三：建立自回归的预测模型。该过程具体可分为两个阶段。
[0049] 第一阶段：设定回归参数和初始值。回归方程形式如下：
[0050] Ot＝A(s,s′)+B1(s,s′)Ot-1+...+Bp(s,s′)Ot-p+Et (4)[0051] Ot表示t时刻的信号数据，作为观察值，上式表明第t帧的数据是由之前的p帧数据预测得到的，p表示回归阶数，A(s,s')和B(s,s')是对应s,s’两个状态的回归系数，Et为高斯误差函数。
[0052] 第二阶段：对每一类运动，采用EM算法，迭代的训练出预测模型，得到模型的参数。
[0053] 训练过程就是迭代的
修改A(s,s')、B(s,s')和Et的值，使得训练样本序列拟合模型的概率最大。训练过程也采用EM算法，该模型不同于普通的隐马尔科夫模型，每个观察值的概率不仅仅依赖于它对应的隐状态，而且还会受到之前的观察值的影响，因此输出概率有隐状态和前序观察值两方面的影响。
[0054] 步骤四：带有预测能力的Fused隐马尔科夫模型的识别过程。
[0055] 在识别过程中，将采集到的加速度信号分别输入到每个已知模型中进行拟合，拟合结果概率最高的就是最后识别的运动类型。该过程分为以下几个阶段。
[0056] 第一阶段：在线的采集传感器上的信号，并用步骤一中提到的方法自动的进行端点检测，确定运动的起点和终点。
[0057] 第二阶段：在运动开始后的时刻t开始，根据之前的信号序列，向后对未知的信号进行预测，每次预测采用如下的回归方程：
[0058] Ot＝A(s,s′)+B1(s,s′)Ot-1+...+Bp(s,s′)Ot-p+Et
[0059] 连续预测若干次，得到序列q。
[0060] 第三阶段：将信号序列q带入到已训练好的Fused HMM模型中，使得如下公式值最大的HMM模型所对应的运动类别，即为最后的识别结果。
[0061]
[0062] O1和O2分别对应手部和脚部的加速度数据序列，p(O1，O2)表示该运动拟合所带入的Fused HMM模型的概率。
