段鵬鵬， 周 宇， 張俊康， 張 卓， 方 凱

(1.浙江工業(yè)大學 計算機科學與技術(shù)學院，浙江 杭州 310000;2.上海交通大學 機械與動力學院，上海 200000)

基于貝葉斯分類算法的電子呼啦圈設計

段鵬鵬1， 周 宇2， 張俊康1， 張 卓1， 方 凱1

(1.浙江工業(yè)大學計算機科學與技術(shù)學院，浙江杭州310000;2.上海交通大學機械與動力學院，上海200000)

針對實體的呼啦圈體積大，不易攜帶，使用不當可能對身體造成傷害的問題,設計了一種基于貝葉斯分類算法的電子呼啦圈。系統(tǒng)使用三軸加速度計采集呼啦圈旋轉(zhuǎn)時腰部的加速度信號，經(jīng)卡爾曼濾波后，提取特定周期內(nèi)的波形特征并以此訓練貝葉斯分類器，利用訓練后的分類器對實時滑動窗口內(nèi)加速度計數(shù)據(jù)進行判斷是否符合轉(zhuǎn)實體呼啦圈腰部的運動特征，并將分類結(jié)果通過藍牙發(fā)送至Android終端。實驗證明：該設計功耗低，實時性好，準確率高。

貝葉斯分類； 卡爾曼濾波； 呼啦圈； 三軸加速度計; 滑動窗口

0 引 言

目前呼啦圈運動非常流行，是一項可以瘦身減肥的體育活動同時又兼具娛樂性[1]，但是傳統(tǒng)的呼啦圈體積大、不方便攜帶，需要較大的空間才能運動。同時傳統(tǒng)呼啦圈在甩動時會撞擊腹部、背部內(nèi)的臟器(如腎臟)，選擇不當容易傷及臟腑。

文獻[2]中設計的電子呼啦圈以Z軸的加速度絕對值將呼啦圈運動劃分為4種快慢不同的狀態(tài)，并將腰部扭動數(shù)據(jù)同步點陣屏轉(zhuǎn)動。該方法抗干擾性差，未考慮呼啦圈旋轉(zhuǎn)時腰部不是單一的平面運動而是非定常單面約束下的三維運動[3，4]。

本文提出了一種基于樸素貝葉斯分類算法[5，6]的電子呼啦圈，硬件上采用超低功耗單片機MSP430F2272作為主控制器，三軸加速度計ADXL345[7]采集信號；算法上，先對

信號進行卡爾曼濾波,然后采用樸素貝葉斯的條件獨立假設計算樣本集的聯(lián)合分布[8]，利用訓練后的分類器對實時加速度計數(shù)據(jù)進行判斷是否符合旋轉(zhuǎn)實體呼啦圈時腰部的運動特征[9]，并將計數(shù)結(jié)果通過藍牙模塊實時地傳輸?shù)紸ndroid終端。

1 系統(tǒng)架構(gòu)設計

電子呼啦圈的硬件設計如圖1所示。

圖1 系統(tǒng)硬件設計

主要由三軸加速度計ADXL345、微控制器MSP430F2272、藍牙模塊HC—05及線性穩(wěn)壓器LM9036組成。

加速度計與微控制器采用4線SPI通信，采樣頻率為100Hz；微控制器與藍牙模塊通過串行通信接口，藍牙僅需從微控制器接收計數(shù)結(jié)果，因此,僅用RX口即可，系統(tǒng)通信模式如圖2所示。

圖2 4線SPI通信

2 算法設計

算法主要由卡爾曼濾波器和樸素貝葉斯分類器組成。卡爾曼濾波器對加速度計產(chǎn)生的數(shù)據(jù)進行濾波，去掉一些異常數(shù)據(jù)[10，11]。整個系統(tǒng)算法流程如圖3所示。

圖3 算法流程

樸素貝葉斯分類法基于貝葉斯定理并假設特征條件彼此獨立，利用先驗信息和樣本數(shù)據(jù)信息確定事件的后驗概率。

1)每個數(shù)據(jù)樣本用一個n維向量U={c1,c2,…,cn},分別為n個屬性C1，C2，…，Cn的n個度量。

2)現(xiàn)有m個區(qū)間，分別為Z1，Z2，…，Zm，對于未知的數(shù)據(jù)樣本U，分類器將預測U屬于具有最高后驗概率的類P(Zi|U)為

(1)

3)對所有區(qū)間,式(1)分母均相同，因此，只需求出P(U|Zi)P(Zi)的最大值即可。通常假定這些區(qū)間等概率，因此,只需求出P(U|Zi)的最大值

P(U|Zi)=P(C1|Zi)P(C2|Zi)…P(Cn|Zi)

(2)

式(2)中等號右邊的每一項可以通過樣本數(shù)據(jù)集計算得出。

2.1 訓練樣本特征提取

招募10名腰圍身高各異的志愿者轉(zhuǎn)實體呼啦圈，每名志愿者累計轉(zhuǎn)500圈，收集運動過程中的加速度數(shù)據(jù)作為訓練樣本。利用卡爾曼濾波器濾除訓練樣本中一些異常數(shù)據(jù)獲得可用的訓練集。訓練集中的數(shù)據(jù)分為3類，分別為加速度計X，Y，Z軸的數(shù)據(jù)。以時間為橫坐標，加速度數(shù)值為縱坐標，對連續(xù)波形進行分割，求出每位志愿者轉(zhuǎn)一次呼啦圈需要的加速度數(shù)據(jù)個數(shù)，并求取平均值m作為后續(xù)滑動窗口大小。計算每個波形的特征參量，包括：均值,方差V，有效值RMS，峰值因子CF，三軸相關(guān)性Rx,y。

以加速度計X軸數(shù)據(jù)為例，一個波形的X軸數(shù)據(jù)記為X1,X2,X3,…,Xm，Y軸數(shù)據(jù)記為Y1,Y2,Y3,…,Ym。各特征值計算公式如下

(3)

(4)

(5)

(6)

(7)

2.2 訓練分類算法

十名志愿者共生成了R(5000)圈訓練數(shù)據(jù)，基本包括了轉(zhuǎn)實體呼啦圈的各種狀態(tài)，因此,訓練的分類算法能適應不同人的要求，同時為了區(qū)分呼啦圈運動于其他運動，如走路、跳躍、跑步等，又采集了大量其他的動作數(shù)據(jù)作為反面訓練樣本。以2組訓練樣本數(shù)據(jù)訓練樸素貝葉斯分類器。

以走路動作為例，采集走W步的數(shù)據(jù)為非呼啦圈運動的訓練樣本，并以波形特征中的平均值為例(其他特征處理方法一致)，訓練步驟如下：

(8)

(9)

CP2=1-CP1

(10)

4)同理求出其他特征參量的概率。

經(jīng)過上述步驟，求出的所有概率即為樸素貝葉斯分類器訓練的結(jié)果。

2.3 呼啦圈運動判斷

當電子呼啦圈佩戴在運動者腰帶扣頭進行轉(zhuǎn)呼啦圈運動時，加速度計產(chǎn)生大量實時數(shù)據(jù)流,設置一個長度為m的滑動窗口存儲數(shù)據(jù)[12]，將滑動窗口內(nèi)的數(shù)據(jù)放到貝葉斯分類算法中判斷這些數(shù)據(jù)是否符合完成一次轉(zhuǎn)實體呼啦圈運動的數(shù)據(jù)，如符合，則計一圈，之后滑動窗口向新產(chǎn)生的數(shù)據(jù)方向滑動m個數(shù)據(jù)；否則，不計圈，滑動窗口移動m/4個數(shù)據(jù)。判斷方法如下：

1)提取滑動窗口內(nèi)數(shù)據(jù)的特征(均值、方差、有效值、峰值因子、三軸的相關(guān)性)。

2)查找5個波形特征屬于S個區(qū)間的具體區(qū)間，對應得到該區(qū)間的概率，以X軸數(shù)據(jù)為例，Y軸和Z軸處理方法一致，假設5個波形特征在呼啦圈運動情況下所屬區(qū)間的概率分別為Pa，Pv，Prms，Pcf，Pr，在非呼啦圈運動情況下所屬區(qū)間的概率分別為FPa，F(xiàn)Pv，F(xiàn)Prms，F(xiàn)Pcf，F(xiàn)Pr。

3)根據(jù)概率判斷滑動窗口內(nèi)數(shù)據(jù)是否屬于呼啦圈運動，PX，PY，PZ分別為X軸、Y軸和Z軸在呼啦圈運動下對應的概率，F(xiàn)PX，F(xiàn)PY，F(xiàn)PZ分別為X軸、Y軸和Z軸在非呼啦圈運動下對應的概率，PX和FPX如式(11)、式(12)所示，對應的PY，PZ，F(xiàn)PY，F(xiàn)PZ處理方法一致。如果Ps>Pt，則是呼啦圈運動；否則，不是。Ps和Pt表達式如式(13)、式(14)所示

PX=Pa×Pv×Prms×Pcf×Pr

(11)

FPX=FPa×FPv×FPrms×FPcf×FPr

(12)

Ps=PX×PY×PZ×CP1

(13)

Pt=FPX×FPY×FPZ×CP2

(14)

式(13)、式(14)中CP1和CP2由式(9)、式(10)求得。

3 測試結(jié)果

電子呼啦圈運行時功耗僅為30mA。

測試另一組20名志愿者，測試者轉(zhuǎn)真實呼啦圈，每名測試者轉(zhuǎn)100圈，測試者轉(zhuǎn)呼啦圈的速度和力度均不同，測試結(jié)果如圖4、圖5所示，系統(tǒng)準確率約為0.92。

圖4 計圈數(shù)結(jié)果

圖5 系統(tǒng)計圈準確率

20名志愿者以同樣方法佩戴裝置各步行100步、跑步100步，跳躍、深蹲100次，測試系統(tǒng)的抗干擾性，結(jié)果如表1所示。

表1 抗干擾性統(tǒng)計

由圖5及表1可知，系統(tǒng)的精確度及抗干擾性較高。

4 結(jié)束語

設計了一種基于貝葉斯分類算法的電子呼啦圈，對運動時加速度計數(shù)據(jù)進行濾波分類，并將計圈結(jié)果發(fā)送至Android端。該電子呼啦圈體積小，方便攜帶使用，功耗低，實時性好，準確率高，抗干擾性較強。使用電子呼啦圈時卡路里的消耗量及提高抗干擾性將是后續(xù)工作的重點。

[1] 陳成鈞.呼啦圈的物理學[J].物理,2015(1):47-50.

[2] 高 楊,周 斌,何 移,等.基于微加速度計的虛擬呼啦圈[J].測控技術(shù),2014,33(6):135-138.

[3] Seyranian A P,Belyakov A O.How to twirl a hula hoop[J].American Journal of Physics,2010,79(7):712-715.

[4] Cluff T,Robertson D G E,Balasubramaniam R.Kinetics of Hula hooping: An inverse dynamics analysis[J].Human Movement Science,2007(27):622-635.

[5] 李熙熙，李 宏.基于腿部三角特征的貝葉斯步態(tài)識別方法[J].計算機工程與應用，2008，44(17):195-197.

[6] 賀金鑫,陳圣波,王 陽,等.一種基于樸素貝葉斯分類模型的高光譜礦物精確識別方法[J].光譜學與光譜分析,2014,34(2):505-509.

[7] Chowdhury Debjyoti1,Banerjee Soumya Jyoti,Sanyal Krishnendu,et al.A real time gesture recognition with wrist mounted accele-rometer[C]∥The 2nd International Conference on Information Systems Design and Intelligent Applications,INDIA 2015.

[8] 陳 旋,劉 健,馮新淇,等.基于樸素貝葉斯的差分隱私合成數(shù)據(jù)集發(fā)布算法[J].計算機科學,2015,42(1):236-238.

[9] Roy Subhendu,Ghosh Sraboni,Barar Aratrika,et al.Real-time implementation of electromyography for hand gesture detection using micro accelerometer[C]∥International Conference on Artificial Intelligence and Evolutionary Computations in Engineering Systems,ICAIECES,2015.

[10] 金光明,張國良,陳林鵬,等.MEMS陀螺儀靜態(tài)漂移模型與濾波方法研究[J].傳感器與微系統(tǒng),2007,26(11):48-50.

[11] 楊長林,柏秀亮,劉延飛,等.新息自適應區(qū)間Kalman濾波算法及其應用[J].傳感器與微系統(tǒng),2012,31(11):132-135.

[12] 王 栩,李建中,王偉平.基于滑動窗口的數(shù)據(jù)流壓縮技術(shù)及連續(xù)查詢處理方法[J] .計算機研究與發(fā)展，2004,41(10):1639-1644.

DesignofelectronicHulahoopbasedonBayesclassificationalgorithm

DUAN Peng-peng1, ZHOU Yu2, ZHANG Jun-kang1, ZHANG Zhuo1, FANG Kai1

(1.SchoolofComputerScienceandTechnology，ZhejiangUniversityofTechnology,Hangzhou310000,China;2.SchoolofMechanicalEngineering,ShanghaiJiaoTongUniversity,Shanghai200000,China)

Aiming at problem that Hula hoop is bulky,hard to carry,and improper usage may do harm to the body,an electronic Hula hoop based on Bayes classification algorithm is designed.A three-axis accelerometer is used to capture acceleration signal at waist when tester doing hula hoop exercise,train the Naive Bayesian classifier by the wave characteristics within a given period after Kalman filtering ,the trained classifier is carried out to analyze the real-time data in sliding window，then send the result to android terminal by Bluetooth.The results prove that the system is precision with low-power consumption,good real-time.

Bayes classification; Kalman filtering;Hula hoop; three-axis accelerometer; sliding window

10.13873/J.1000—9787(2017)10—0099—03

2016—11—05

TP 212.9

A

1000—9787(2017)10—0099—03

段鵬鵬(1993-)，男，碩士研究生，主要研究方向為嵌入式系統(tǒng)，微電子機械系統(tǒng),E—mail:dppisok@163.com 。