于志鵬， 喬曉艷

(山西大學 物理電子工程學院， 山西 太原 030006)

人機交互(HCI)[1]實現(xiàn)用戶與計算機之間進行信息交換的方式， 是虛擬現(xiàn)實技術(shù)研究的核心內(nèi)容之一. 基于加速度信號的人體動作識別是一種自然的人機交互方式， 利用含有加速度傳感器的測量設(shè)備， 采集人體執(zhí)行不同動作對應關(guān)節(jié)活動的加速度信號， 通過信號的預處理、 特征提取、 模式識別等技術(shù)的相互融合， 實現(xiàn)下肢動作識別， 它在醫(yī)療康復訓練、 虛擬現(xiàn)實游戲、 智能監(jiān)控等領(lǐng)域有重要的應用價值[2].

人體動作模式識別技術(shù)的研究， 其信號源主要涉及生理信號、 圖像信號和力學信號等. 相比其他來源的信號， 加速度信號的數(shù)據(jù)獲取方式簡單、 采集設(shè)備便攜、 用戶體驗感舒適， 已經(jīng)成為科研工作者研究的熱點[3]. 目前， 對于信號特征的提取主要涉及時域、 頻域、 時頻域等多個方面. 時域特征通常具有明確的物理意義， 如均值、 均方根值、 方差、 閾值、 幅度峰值、 幅度均值、 相關(guān)系數(shù)等. 頻域特征包括中值頻率、 平均功率頻率、 FFT系數(shù)、 頻域熵等. 時頻分析能夠同時兼顧信號的時域和頻域信息， 可以較為全面地刻畫信號的特征[4]. Khan[5]等通過建立加速度向量自回歸( auto regressive， AR) 模型， 提取 7維擴充特征向量， 利用人工神經(jīng)網(wǎng)絡和線性分類器分別進行動作狀態(tài)判別； 梁維杰[6]等人通過加速度傳感器跌倒檢測裝置， 檢測老年人在正常活動和跌倒狀態(tài)下的加速度信號， 采用支持向量機分類器， 判斷跌倒的準確率可以達到90%以上. Jung Keun Lee[7]通過三軸加速度傳感器研究人體滑倒、 絆倒、 被人撞倒、 失去平衡跌倒、 失去重心跌倒5種不同跌倒動作模式， 根據(jù)閾值檢測方法判別人體是否跌倒， 準確率可以達到 95%. 然而， 基于加速度信號的人體下肢動作模式識別， 目前特征選擇較為單一， 分類器動作模式分類也較為簡單， 多數(shù)為二分類問題， 這些限制了它的廣泛應用.

本研究采集踝關(guān)節(jié)執(zhí)行趾屈、 背伸、 內(nèi)翻和外翻4種動作模式的三軸加速度信號， 通過提取其絕對積分平均值、 方差、 兩軸之間的相關(guān)系數(shù)以及幅度峰值和幅度均值5種時域特征參量， 融合組成11維的特征向量輸入支持向量機分類器， 對下肢踝關(guān)節(jié)4種不同動作模式進行4分類識別， 獲得了較高的動作識別正確率.

1　實驗數(shù)據(jù)采集

本研究選擇身體健康狀態(tài)良好的大學生作為受試者， 所有被試在相關(guān)骨骼、 肌肉、 神經(jīng)系統(tǒng)等方面均無任何疾病， 且在實驗前2h內(nèi)沒有做過劇烈運動， 避免由于神經(jīng)或肌肉過度疲勞緊張而影響測試結(jié)果.

實驗設(shè)備選用美國DELSYS公司的16通道人體生理信號采集系統(tǒng)， 該系統(tǒng)可以完成對加速度(ACC)信號的檢測， 具有較高的精確度和可靠性. 加速度信號采集框圖如圖 1 所示， 受試者依據(jù)實驗范式執(zhí)行踝關(guān)節(jié)對應的4種動作， 傳感器采集相應動作的三軸加速度信號， 通過16通道信號采集系統(tǒng)傳遞到計算機中進行處理.

圖 1　下肢踝關(guān)節(jié)ACC信號采集框圖Fig.1　ACC signal acquisition block diagram of lower limb ankle

圖 2　踝關(guān)節(jié)動作實驗范式Fig.2　Signal acquisition experimental paradigm

將傳感器豎直向上貼附在踝關(guān)節(jié)內(nèi)側(cè)上方約1 cm處， 當踝關(guān)節(jié)分別執(zhí)行趾屈、 背伸、 內(nèi)翻和外翻4種動作時， 采集執(zhí)行對應動作的ACC信號. 踝關(guān)節(jié)動作實驗范式如圖 2 所示， 受試者在執(zhí)行動作之前先進行3 s倒計時準備， 調(diào)整狀態(tài)， 避免下肢抖動而影響測量結(jié)果. 倒計時結(jié)束后開始試驗計時， 當時間到達3 s時， 發(fā)出提示音開始執(zhí)行相應動作并且保持動作狀態(tài)5 s, 當時間到達8 s時提示執(zhí)行復原動作， 到達10 s時結(jié)束. 顯然， 在第3 s和第8 s踝關(guān)節(jié)動作執(zhí)行狀態(tài)加速度幅值變化最大， 動作保持狀態(tài)的加速度大小約為零. 選擇踝關(guān)節(jié)起始動作的2～4 s時間段內(nèi)的ACC數(shù)據(jù)點進行截取， 由于ACC信號的采樣頻率為150 Hz， 故采樣點為300個. 本文選取加速度信號明顯變化的300個數(shù)據(jù)點進行特征提取.

實驗選用5名受試者， 每位受試者每種動作進行了20組實驗， 故每種動作可以得到100組實驗數(shù)據(jù)， 完成4種踝關(guān)節(jié)動作共計得到400(20*5*4)組ACC數(shù)據(jù). 圖 3 為完成趾屈動作對應的x，y，z三軸ACC的原始信號以及采用小波去噪后得到的三軸ACC信號， 圖中縱坐標單位為g， 1 g=9.8 m/s2.

圖 3　趾屈動作所對應的三軸加速度信號圖Fig.3　Triaxial acceleration signal diagram of toe flexion movement

2　算法理論分析

2.1　特征提取

為實現(xiàn)較好的動作分類效果， 加速度信號特征提取選用時域分析方法， 將絕對積分平均值(AVA)、 方差(VAR)、 兩軸之間的相關(guān)系數(shù)(Corr)以及幅度峰值(SMV)和幅度均值(SMA)5種特征參數(shù)進行特征層的融合， 共同組成11維特征向量， 用于對應踝關(guān)節(jié)動作模式識別. 由于采集到的加速度信號分別是x,y,z三軸加速度， 代表三個維度信息， 因此提取特征參數(shù)時， 需要考慮到各維度數(shù)據(jù)信息， 具體特征向量參數(shù)的計算公式為

AVA=[AVAx,AVAy,AVAz],

(1)

VAR=[VARx,VARy,VARz],

(2)

Corr=[Corr(x,y),Corr(x,z),Corr(y,z)],

(3)

(4)

式中：Xi,Yi,Zi分別表示第i時刻三軸加速度采樣點.

(5)

式中：T為截取的時間間隔， 本文T=2 s；x(t),y(t),z(t)分別表示對應三軸加速度幅值的大小.

本文提取的加速度信號特征參數(shù)如表 1 所示.

表 1　特征向量參數(shù)

2.2　支持向量機

支持向量機(SVM)是一種基于統(tǒng)計學理論的有監(jiān)督式的機器學習方法， 通過尋求結(jié)構(gòu)化風險最小的原則來提高學習機泛化能力， 從而滿足經(jīng)驗風險和置信范圍的最小化， 使得在較少的樣本數(shù)量下， 能獲得較好的統(tǒng)計規(guī)律[8].

SVM基本思想可由圖 4 所示的二分類情況來說明. 圖 4 中， 實心點和空心點代表兩類不同數(shù)據(jù)樣本，H為分類線，H1和H2為平行于分類線且離分類線最近的兩類數(shù)據(jù)樣本所在直線， 兩直線間的距離為分類間隔(margin).

圖 4　線性分類器模型Fig.4　Linear classifier model

設(shè)兩類線性樣本集為(xi,yi)，i=1,2,…,n，x∈Rn， 分類結(jié)果為yi∈{-1,+1}，n維空間線性判別函數(shù)的一般形式為f(x)=ω·x+b， 則分類超平面方程為

ω·x+b=0.

(6)

對判別函數(shù)進行歸一化處理， 使得離分類面最近的樣本滿足|f(x)|=1， 要使所有樣本正確分類， 則應該滿足

yi[(ω·xi)+b]≥1,i=1,2,…,n.

(7)

(8)

通過Lagrange乘子算法最終求得最優(yōu)解

(9)

確定最優(yōu)分類面函數(shù)為

(10)

式中：αi為每個樣本對應的Lagrange乘子式；ω*,b*為最優(yōu)分類超平面的法向量和偏移量. 用內(nèi)積K(xi,x)替代最優(yōu)分類面中的點積， 相當于將原特征空間變換到另一個新的特征空間， 相應的判別函數(shù)式為

(11)

此時所得的最優(yōu)分類就是支持向量機分類算法， 其中K(xi,x)為核函數(shù). 通過核函數(shù)的引入， 可以很好地解決高維問題， 將高維空間的內(nèi)積運算轉(zhuǎn)化為低維空間的函數(shù)運算.

3　加速度信號特征分析

根據(jù)2.1節(jié)中的計算公式， 提取不同動作的踝關(guān)節(jié)三軸加速度特征參數(shù)， 并對絕對積分平均值(AVA)、 方差(VAR)、 兩軸之間的相關(guān)系數(shù)(Corr)以及SMV峰值和信號SMA均值這5種特征參數(shù)進行分析， 得到踝關(guān)節(jié)4種動作對應各特征參數(shù)的均值與標準差， 如表 2 所示.

表 2　加速度特征參數(shù)統(tǒng)計特性(均值±標準差)

由表 2 可以明顯看出： 內(nèi)翻動作對應的三軸AVA數(shù)據(jù)差異相比其他3種動作差異較明顯， 外翻動作的Z軸數(shù)據(jù)差異更大， 容易區(qū)分， 趾屈和背伸兩種動作差異較小， 不易區(qū)分. 就VAR而言， 4種動作對應數(shù)據(jù)變化較小， 趾屈、 背伸兩種動作較內(nèi)翻和外翻差異較小. 由于Corr值的大小存在正負不同情況， 不同動作對應的方向也不相同， 加速度特征值變化明顯， 比較容易對4種動作進行分類. SMV峰值能夠較好地反應在某一時刻運動的劇烈程度， 表中數(shù)據(jù)顯示： 內(nèi)翻動作對應SMV峰值最小， 其動作幅度也最小， 而趾屈和外翻兩種動作差異較不明顯. SMA均值能夠表征單位時間內(nèi)身體運動的劇烈程度， 同樣顯示內(nèi)翻動作劇烈程度最小， 而背伸動作對應劇烈程度最為明顯.

分別將AVA, VAR, Corr特征參數(shù)向量制成三維散點圖， 如圖 5 所示. 圖 5 中4種散點分別代表踝關(guān)節(jié)4種不同動作， 每種動作選取的樣本數(shù)為60個. 從圖 5 中可以看出， 加速度信號的AVA特征能夠較好地區(qū)分內(nèi)翻和外翻兩種動作， 趾屈和背伸有著較好的聚類特性， 但不易區(qū)分. VAR特征能夠把趾屈和背伸兩種動作同另外兩種動作較好地區(qū)分開， 但趾屈和背伸兩種動作之間不易區(qū)分. Corr特征能夠?qū)?種動作明顯區(qū)分開， 且具有良好的聚類特性.

圖 5　ACC特征三維散點圖Fig.5　Three-dimensional scatterplot of ACC feature

4　識別結(jié)果分析

在特征空間維數(shù)較高的情況下， 支持向量機采用RBF核分類性能較好， 能夠減少計算量[9]. 本文選用RBF核作為SVM的核函數(shù)， 通過網(wǎng)格搜索法得到最優(yōu)核函數(shù)參數(shù)對(C，γ)， 最終確立SVM判別模型. 本實驗每種動作均有100個樣本數(shù)據(jù)， 選取60個樣本作為訓練集， 其余40個樣本作為測試集. 將每一種單一特征以及融合后的11維特征向量分別依次輸入支持向量機， 進行踝關(guān)節(jié)動作分類， 結(jié)果如表 3 所示. 結(jié)果表明： 不同ACC特征對應的踝關(guān)節(jié)動作平均分類正確率不同， 對于5種單一特征的踝關(guān)節(jié)動作模式分類， Corr特征的分類結(jié)果最佳， 識別正確率最高可達到91.3%， VAR特征分類結(jié)果最差， 平均識別率僅為69.4%， 對于AVA， SMV， SMA這3種ACC特征， 平均識別率范圍大致在80%到85%之間， 其中AVA對于內(nèi)翻、 外翻兩種動作的識別率最佳， SMV對于背伸和內(nèi)翻兩種動作識別率較好. 將5種特征向量融合起來組成11 b特征向量， 每種動作相應識別率均可達到90%以上， 動作模式分類正確率得到很大程度的提升. 由此可見， 基于加速度信號的踝關(guān)節(jié)動作模式識別， 將多特征有效地融合， 能夠較好地提高動作識別正確率.

表 3　踝關(guān)節(jié)4種動作分類正確率

5　結(jié)　論

本文采集了下肢踝關(guān)節(jié)4種不同動作對應的加速度信號， 通過計算提取AVA, VAR, Corr, SMV, SMA 5種特征參數(shù)， 采用基于RBF核函數(shù)的支持向量機分類方法， 對ACC信號的單一特征以及融合后的特征向量分別進行動作模式識別. 實驗結(jié)果表明： 基于加速度信號的融合特征實現(xiàn)動作模式判別能夠獲得較高的分類正確率. 該研究可以應用于機器人康復訓練以及人體運動姿態(tài)分析等領(lǐng)域.

參考文獻：

[1]張鳳軍， 戴國忠， 彭曉蘭. 虛擬現(xiàn)實的人機交互綜述[J]. 中國科學： 信息科學， 2016, 46(12)： 1711-1736.

Zhang Fengjun, Dai Guozhong, Peng Xiaolan. Human-computer interaction summary of virtual reality[J]. Chinese Science: Information Science， 2016, 46(12): 1711-1736. (in Chinese)

[2]Bednarz T P, Caris C, Thompson J, et al. Human-computer interaction experiments- immersive virtual reality applications for the mining industry[C]. In: 24th IEEE International Conference on Advanced Information Networking and Applications. Perth, WA , 2010, 1323-1327.

[3]Xu R Z, Zhou S L, Li W J. MEMS accelerometer based nonspecific-user hand gesture recognition[J]. IEEE Sensors Journal, 2012, 12(5): 1166-1173.

[4]劉建， 鄒任玲， 張東衡， 等. 表面肌電信號特征提取方法研究發(fā)展趨勢[J]. 生物醫(yī)學工程學進展， 2015, 36(3): 164-168.

Liu Jian, Zou Renling, Zhang Dongheng, et al. Research and development trend of feature extraction methods of surface electromyogrphic signals[J]. Progress in Biomedical Engineering, 2015, 36(3): 164-168. (in Chinese)

[5]KHAN Adil Mehmood, LEE Young-Koo. A triaxi alaccelero meter-based physical-activity recognition viaaugmented-signal features and a hierarchical recognizer[J]. IEEE Transactions on Information Technology in Biomedicine, 2010, 14( 5): 1166-1172.

[6]梁維杰， 張應紅， 景暉. 基于支持向量機的跌倒檢測方法研究[J]. 測控技術(shù)， 2014, 33(9)： 33-35, 39

Liang Weijie, Zhang Yinghong, Jing Hui. Research on fall detection method based on support vector machine[J]. Measurement and Control Technology, 2014, 33(9): 33-35, 39. (in Chinese)

[7]Jung Keun Lee, Stephen N. Robinovitch, Edward J. Park. Inertial Sensing-Based Pre-Impact Detection of Falls Involving Near-Scenarios[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(2) : 258-266.

[8]Chen J L, Jiao L C. Classification mechanism of support vector machines[C]. In: 5th International Conference on Signal Processing Proceedings. Beijing, China, 2000, 1556-1559.

[9]奉國和. SVM分類核函數(shù)及參數(shù)選擇比較[J]. 計算機工程與應用， 2011, 47(3)： 123-124, 128

Feng Guohe. Parameter optimizing for support vector machines classification[J]. Computer Engineering and Applications, 2011, 47(3): 123-124, 128. (in Chinese)