民權(quán)職業(yè)技術(shù)教育中心 張金棟

基于加速度傳感器的人體前臂動作識別

民權(quán)職業(yè)技術(shù)教育中心 張金棟

【摘要】針對人體前臂運(yùn)動識別困難，識別率低的問題，且為了有效并快速提取人體上肢前臂的運(yùn)動特征，設(shè)計(jì)了一種基于加速度傳感器的人體前臂動作識別系統(tǒng)。首先利用加速度傳感器來獲取的加速度原始數(shù)據(jù)矩陣，采用分段線性分類器對運(yùn)動特征矩陣進(jìn)行動作識別。實(shí)驗(yàn)表明，本系統(tǒng)能夠有效識別人體右手前臂向上，向下，向左，向右四種動作，且動作識別率達(dá)98%。

【關(guān)鍵詞】加速度傳感器；濾波；運(yùn)動識別；特征提取

0.引言

目前主流的手勢識別技術(shù)有：（1）采用機(jī)器視覺方式來識別肢體運(yùn)動模式［1］。此方法在于靜態(tài)運(yùn)動模式上廣泛應(yīng)用［2］，但成本較高，對硬件設(shè)備要求高且算法設(shè)計(jì)復(fù)雜難于推廣［3］；（2）基于表面肌電信號來識別肢體運(yùn)動模式［4］。此方法多用于醫(yī)療康復(fù)［5］、運(yùn)動控制［6］等領(lǐng)域，但表面肌電信號微弱，易受干擾，獲取難度大［7］；（3）基于慣性傳感器來識別肢體運(yùn)動模式［8］。此方法在實(shí)時運(yùn)動模式識別中廣泛應(yīng)用［9］，且受外界干擾因素較少，易于獲取，只需佩戴具有慣性傳感器的體感設(shè)備，或是手持手機(jī)，即可滿足需求，因而便于在日常生活中得到推廣［10］。因此，本系統(tǒng)采用基于加速度傳感器來實(shí)現(xiàn)人體上肢前臂動作識別。

1.人體前臂動作識別系統(tǒng)總體設(shè)計(jì)

前臂動作識別系統(tǒng)由加速度原始數(shù)據(jù)采集［11］、加速度原始數(shù)據(jù)預(yù)處理、手勢運(yùn)動模式分類以及后續(xù)處理五部分組成［12］。

圖1 前臂動作識別系統(tǒng)總體設(shè)計(jì)框圖

2.前臂運(yùn)動識別算法設(shè)計(jì)

圖2 前臂運(yùn)動識別算法流程圖

前臂動作識別算法設(shè)計(jì)框圖如圖2所示。經(jīng)過預(yù)處理后的數(shù)據(jù)，在抬手過程中，Y軸數(shù)據(jù)在負(fù)半軸有明顯的變化趨勢；在落手過程中，Y軸數(shù)據(jù)在正半軸有明顯的變化趨勢；在向左運(yùn)動時，X軸數(shù)據(jù)在正半軸有明顯變化趨勢， Y軸數(shù)據(jù)在負(fù)半軸有明顯的變化趨勢；在向右運(yùn)動時，X軸數(shù)據(jù)在負(fù)半軸有明顯變化趨勢， Y軸數(shù)據(jù)在負(fù)半軸有明顯的變化趨勢。圖2就是利用這種數(shù)據(jù)差異來因而采用線性分段分類器與決策樹來對這四種動作模式進(jìn)行分類識別。

3.實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)中，為了測試算法的效率與通用性，挑選十名志愿者按照預(yù)定動作，即右手佩戴體感帶有加速度傳感器的體感手環(huán)，手心朝下做抬手，落手，向身體內(nèi)側(cè)運(yùn)動，展開前臂四種動作自然運(yùn)動，以個人習(xí)慣與力度每種動作做一百次，并與動態(tài)時間規(guī)劃、隱馬爾科夫鏈、線性判別分析三種算法的對比結(jié)果如表1所示。

表1 四種不同算法的識別結(jié)果

從表1可以看出，基于決策樹分類器對前臂四種動作模式的平均識別率為98%，而基于動態(tài)時間規(guī)劃、隱馬爾科夫鏈、線性判別分析的平均識別率分別為：94%、92%和97%，基于決策樹分類器的識別率最高。

4.結(jié)束語

本文針對基于加速度傳感器的前臂運(yùn)動識別設(shè)計(jì)了一種基于嵌人式系統(tǒng)的計(jì)算量小、個體適應(yīng)性強(qiáng)的方法。該方法針對加速度原始數(shù)據(jù)進(jìn)行了濾波和去重力場作用提取出動作特征數(shù)據(jù)，進(jìn)而使用模式識別方法中的決策樹實(shí)現(xiàn)了任意設(shè)備姿態(tài)下的前臂動作識別，且與動態(tài)時間規(guī)劃、隱馬爾科夫鏈、線性判別分析這三種分類器相比，識別準(zhǔn)確率較高，識別率達(dá)98%。但由于加速度傳感器數(shù)據(jù)通道數(shù)的限制和時域特征參數(shù)的限制，對于上肢前臂的動作識別還不夠充分，例如手腕翻轉(zhuǎn)、連續(xù)動作等，還不能有效識別。因此，在后續(xù)的工作中，針對加速度傳感器在上肢前臂的安裝位置與前臂動作的運(yùn)動關(guān)系，深入研究在不同前臂動作下，采用多個加速度傳感器數(shù)據(jù)融合技術(shù)來識別更多的前臂運(yùn)動模式，并提高識別正確率。

參考文獻(xiàn)

［1］趙澤彪，常丹華.基于DSP的穿戴式動作傳感器的手勢識別［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2013，34（4）∶1250-1253.

［2］嚴(yán)焰，劉蓉，黃璐.基于HMM的手勢識別研究［J］.華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，46（5）∶555-559.

［3］荊雷，馬文君，常丹華.基于動態(tài)時間規(guī)整的手勢加速度信號識別［J］.傳感技術(shù)學(xué)報(bào)，2012，25（1）∶72-75.

［4］Xu R Z，Zhou S L，Li W J.MEMS Accelerometer Based Nonspecific User Hand Gesture Recognition［J］.EEE Sensors Journal，2012，12（5）∶1166-1173.

［5］張建忠，常丹華.基于區(qū)間分布概率矩陣模型的動態(tài)手勢識別方法［J］.測控技術(shù)與儀器儀表，2013，39（1）∶72-75.

［6］Yang Yu，Chen Xiang，Tu You-qiang，et a1.Human-machine interactionsystem based on surface EMG signals［J］.Journal of System Simulation，2010，22（3）∶651-655.

［7］萬莎，侯文生，楊丹丹等.基于LabVIEW的多通道sEMG信號檢測系統(tǒng)設(shè)計(jì)［J］.測控技術(shù)與儀器儀表，2012，38（3）∶78-81.

［8］肖茜，楊平，徐立波.一種基于MEMS慣性傳感器的手勢識別方法術(shù)［J］.傳感技術(shù)學(xué)報(bào)，2013，26（5）∶611-615.

［9］陳意，楊平，陳旭光.一種基于加速度特征提取的手勢識別方法［J］.傳感技術(shù)學(xué)報(bào)，2012，25（8）∶1073-1078.

［10］Yuan Tao，Wang Ben Accelerometer Based Chinese Traffic Police Gesture Recognition System［J］.Chinese Journal of Electronics，2010（19）∶270-274.

［11］孫金秋，游有鵬，傅忠云.基于共軛梯度法和互補(bǔ)濾波相結(jié)合的姿態(tài)解算算法［J］.傳感技術(shù)學(xué)報(bào)，2014，27（4）∶524-528.

［12］呂印新，肖前貴，胡壽松.基于四元數(shù)互補(bǔ)濾波的無人機(jī)姿態(tài)解算［J］.燕山大學(xué)學(xué)報(bào)，2014，38（2）∶175-180.

作者簡介：

張金棟（1972—），男，河南民權(quán)人，大學(xué)本科，講師，主要從事網(wǎng)絡(luò)搭建及計(jì)算機(jī)軟件開發(fā)方面的研究。