基于无线体域网的人体姿态识别算法研究

发布时间：2017-06-07 10:48

  本文关键词：基于无线体域网的人体姿态识别算法研究，，由笔耕文化传播整理发布。

【摘要】：随着现代社会的发展进步和人们生活方式的转变。老龄化和年轻人久坐不动越来越成为焦点问题。常年卧床的老人,办公室里面对电脑的白领都在被一些慢性病困扰。但是由于快节奏的生活和医疗资源的匮乏,慢性病和一些间歇性发作的疾病往往被忽略。一种能够随身携带的,体积小巧的,不对运动带来负担的小型医疗检测和记录设备应运而生。无线体域网(WBAN,Wireless Body Area Network)作为无线传感器网络(WSN,Wireless Sensor Networks)在医疗方面的应用日益成为研究的热门领域。不仅在医疗检测设备方面有重要的应用,同时在娱乐,军事,身份认证和航空航天领域都有广泛的应用价值。但是这样一个具有应用价值的技术领域,仍然存在一系列技术难题并未攻克。特别是由于WBAN的载体是高动态性的人体,复杂多变的人体姿态使WBAN的通信变得复杂。所以研究使用于无线体域网的人体姿态识别算法和相应的人体姿态信号采集系统具有重要的理论价值和实际应用价值。本人所做工作主要概括为以下三方面:第一,组建人体姿态识别实验系统,建立验证人体姿态识别算法的数据集。提取WBAN中人体姿态信号特点,比较并选择适合WBAN中人体姿态识别问题的数据预处理方法、矩阵降维方法、姿态识别方法。通过对人体姿态信号特点的学习,提取并选择姿态信号的特征序列。研究微机电系统(MEMS,Micro-electro-mechanical Systems)传感器的工作方式与信号采集方式,选择合适的传感器类型组建人体姿态识别实验采集系统。并针对不同年龄和身材的实验者,进行实验并记录数据,建立验证人体姿态识别算法的姿态数据库。第二,提出一种基于无线体域网的人体姿态多级分层识别算法。该算法对姿态信号进行预处理,滤出异常值并抽样之后,提取并选择姿态信号具有姿态标识的特征信号,仅用三层判定条件准确将5种姿态信号进行识别。并通过设定参数提高识别率的过程,发现阈值设定规则和识别率的关系。第三,提出一种基于BP(back propagation)神经网络的人体姿态多级分层识别算法。在分析并总结基于无线体域网的人体姿态多级分层识别算法的不足过程中,发现算法需要人为进行提取和选择姿态信号的特征序列,所以设计一种有效减少人为工作的算法。BP神经网络作为人体姿态信号的分类器,在提高姿态识别率的同时,提高了网络的鲁棒性。通过仿真实验,讨论并总结了网络中参数和网络结构与姿态识别率的关系。本文主要工作为解决WBAN的人体姿态识别问题提供了新的方法。提出将BP神经网络应用至无线体域网中的人体姿态识别问题中,行之有效的提高姿态识别率,并且增加人体姿态识别算法的鲁棒性。上述两种算法为无线体域网的后续研究奠定了基础。
【关键词】：无线体域网 人体姿态识别 加速度传感器 神经网络
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN92
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第1章 绪论11-19
• 1.1 课题研究背景及意义11-12
• 1.2 无线体域网研究现状12-15
• 1.2.1 国外现状13-15
• 1.2.2 国内现状15
• 1.3 课题研究意义15-16
• 1.4 本文研究工作和内容结构16-19
• 1.4.1 主要研究工作16-17
• 1.4.2 内容结构17-19
• 第2章 无线体域网概述和相关工作19-31
• 2.1 无线体域网19-22
• 2.1.1 无线体域网的概念19-20
• 2.1.2 无线体域网系统结构20-22
• 2.2 数据预处理方法22-24
• 2.2.1 数据归一化22-23
• 2.2.2 数据标准化23-24
• 2.3 姿态特征提取24-27
• 2.3.1 时域特征24-25
• 2.3.2 频域特征25-26
• 2.3.3 时频域特征26-27
• 2.4 神经网络27-29
• 2.4.1 神经网络基本概念27
• 2.4.2 神经网络的发展历程27-28
• 2.4.3 BP神经网络简介28-29
• 2.5 本章小结29-31
• 第3章 姿态识别方法与姿态识别系统设计31-47
• 3.1 矩阵降维方法31-34
• 3.1.1 主成分分析法31-32
• 3.1.2 线性判别分析法32-34
• 3.2 姿态识别方法34-42
• 3.2.1 神经网络34-35
• 3.2.2 K近邻35-36
• 3.2.3 决策树36-38
• 3.2.4 贝叶斯分类38-39
• 3.2.5 支持向量机39-41
• 3.2.6 隐式马尔可夫模型41
• 3.2.7 几种姿态识别方法的比较41-42
• 3.3 实验系统设计42-43
• 3.4 实验过程和数据采集43-45
• 3.5 实验数据记录45-46
• 3.5.1 姿态多级分层识别算法使用数据集45
• 3.5.2 BP神经网络算法数据集45-46
• 3.6 本章小结46-47
• 第4章 基于无线体域网的人体姿态多级分层识别算法47-57
• 4.1 坐标建立47-48
• 4.2 人体姿态特征选取48-49
• 4.3 人体姿态多级分层识别算法实现49-52
• 4.4 仿真实验和结果分析52-56
• 4.5 本章小结56-57
• 第5章 基于BP神经网络的人体姿态识别算法57-67
• 5.1 BP神经网络的训练过程57-60
• 5.2 基于BP神经网络的人体姿态识别算法设计60-63
• 5.2.1 BP神经网络的输入层和输出层60-61
• 5.2.2 BP神经网络的隐含层61-62
• 5.2.3 基于BP神经网络的人体姿态识别算法62-63
• 5.3 仿真结果分析63-66
• 5.4 本章小结66-67
• 第6章 总结与展望67-69
• 6.1 本文总结67-68
• 6.2 工作展望68-69
• 参考文献69-75
• 导师及作者介绍75-76
• 攻读硕士学位期间的研究工作76-77
• 致谢77

【相似文献】

中国期刊全文数据库 前10条

1 李丽;刘君义;李学斌;;一种新的大型四肢动物体姿态识别方法[J];电脑知识与技术(学术交流);2007年05期

2 郑莉莉;黄鲜萍;梁荣华;;基于支持向量机的人体姿态识别[J];浙江工业大学学报;2012年06期

3 魏振忠;赵征;张广军;;空间圆姿态识别二义性的角度约束消除[J];光学精密工程;2010年03期

4 殷海艳;刘波;;基于部位检测的人体姿态识别[J];计算机工程与设计;2013年10期

5 陈U

本文编号：428705