基于无线体域网的在线人体活动识别

发布时间：2020-12-27 09:13

　　基于智能手机传感器的人体活动识别是普适计算领域的研究热点.为扩展可识别的活动种类,并提高准确率和实时性,提出了由智能手环和智能手机组建无线体域网通过深度神经网络在线识别人体活动的方法.首先,设计由智能手环和智能手机组成的无线体域网的总体框架;然后,对预处理后的传感信号,构造带有Inception结构的卷积神经网络和长短时记忆递归神经网络来分别提取时空域特征,并结合两类网络结构来融合多模态传感数据,离线进行神经网络模型训练;最后,对训练好的神经网络模型进行优化,并部署到智能手机上,在线实时识别人体活动.实验结果表明,本文方法无需手工设计特征,可自动融合各类异构传感数据,更加准确、高效地识别了更多种类的活动. 

【文章来源】：小型微型计算机系统. 2020年01期 北大核心

【文章页数】：6 页

【部分图文】：

系统框架图

基于以上系统框架，设计开发了相应的数据采集软件i SomaticLog，并通过该软件采集了一批数据，以验证本文提出方法的有效性．i SomaticLog支持Android 4.0及以上版本的平台，能从智能手机内置的各类传感器中采集数据，包括加速度、陀螺仪、磁力计等惯性传感器，以及GPS、光强、大气压等其他传感器，也可接收由蓝牙等无线网络发送来的体域网其他节点的感知数据．为了便于交互操作，为i SomaticLog设计了用户友好的图形化界面，当需要标记人体活动类型时，可直接点选下拉菜单中的对应项，方便又快捷．此外，界面中还可实时显示体域网各传感节点的感知数据．数据采集软件i SomaticLog系统界面如图2左图所示，由三部分构成:在第一部分中，当选取人体活动的类型，并点击开始按钮后，即开始数据的采集工作，并得到样本数据的标签;第二部分显示了智能手机内置传感器感知到的部分数据，如GPS、角速度、磁场等;第三部分显示了从智能手环传递来的惯性传感数据，包括角速度、加速度等，并且可通过点击开关按钮的方式选择是否连接智能手环．

在人们自然的日常活动中，身体各部位的加速度、角速度等惯性信号主要维持在较低的频率，但在这些信号从激励、发生到检测、传输等诸多环节中，它们都有可能受到环境中各类高频噪声的污染．常用的解决方案是通过低通滤波器来将这些噪声剔除，本文选用巴特沃斯(Butterworth)低通IIR数字滤波器来达到此目的．从图3中可以看到，滤波后加速度信号的波形变得平滑，但关键细节仍在，且总体波形特征没有受到影响．此外，一方面，由于传感器件运行状态不稳定等各方面的原因，容易出现信号漂移与数据丢失问题;另一方面，当体域网扩展新的传感节点(比如心率)时，其可配置的采样频率与惯性传感器的未必一致，需要进行数据对齐．这里采用线性插值的方法补全上述缺失的数据，以保证感知数据的内在模式不被改变．另外，不同类型传感器的输出数值范围往往差别很大，在经过上述处理后，应对各通道数据进行归一化．

【参考文献】：
期刊论文
[1]基于可穿戴传感器的普适化人体活动识别[J]. 范长军,高飞.  传感技术学报. 2018(07)
[2]深度学习:多层神经网络的复兴与变革[J]. 山世光,阚美娜,刘昕,刘梦怡,邬书哲.  科技导报. 2016(14)
[3]智能手机:普适感知与应用[J]. 陈龙彪,李石坚,潘纲.  计算机学报. 2015(02)



本文编号：2941482