基于手机加速度传感器的人体行为识别

衡 霞， 王忠民

( 西安邮电大学 计算机学院, 陕西 西安 710121 )

基于手机加速度传感器的人体行为识别

衡 霞， 王忠民

( 西安邮电大学 计算机学院, 陕西 西安 710121 )

提出一种依据手机内置三维加速度传感器采集的人体日常行为数据来进行识别分类的方法。该方法对采集的原始加速度数据进行预处理，从水平和垂直方向提取多种统计特征,包括标准差、四分位差、信号幅度、偏度、峰度和相关系数等，由支持向量机分类器进行分类识别，可识别手机携带者站立、走路、跑步、上楼和下楼5种动作。通过对比分析实验结果，对不同实验者的平均识别正确率达到87.17%，验证了该方法的有效性。

人体行为识别；加速度传感器；支持向量机

近年来随着信息科学和传感器技术的进步，基于传感器的行为识别获得了极大的发展,其中基于可穿戴传感器的人体行为识别具有极其广泛的应用前景。例如在智能家居、老人或病人监护等领域使用可穿戴式传感器可以实时获得用户的行为数据，从而快速准确的判断出当前用户的活动情况。

文[1]中使用在右脚踝和左大腿固定两个加速度传感器采集数据来研究人体行为识别方法；文[2]提出一种在人体不同位置固定多个加速度传感器来进行老年人跌倒检测；文[3]采用将两个加速度传感器分别佩戴在右手臂的前后来解决交互式游戏中的上肢动作识别问题。这些研究将多个传感器固定在实验者身上来进行行为感知，在实际应用中将给用户的生活带来不便。

目前智能手机的多种内置传感器如加速度传感器、陀螺仪、磁力计、方向传感器等可以对不同的运动、方向和外部环境进行感知，特别在监测设备的移动和位置变化时，能获得较精确的原始三维数据[4]。鉴于手机传感器的这种便携性和高性能，本文提出一种基于智能手机采集用户行为数据来进行行为识别与分析的方法。该方法通过对三维加速度信号进行处理及特征提取获得特征矩阵，采用支持向量机分类器进行分类识别。

1 人体行为识别处理过程

行为识别可以被概括为依据传感器采集的原始数据来训练机器学习模型，从而对测试集数据进行分类识别[5]。这个处理过程主要包含数据采集、预处理、特征提取选择和分类器识别4个模块[5]，如图1所示。首先利用传感器采集各种动作的原始加速度信号，并为了获得较好的识别效果，需对这些信号进行滤波去噪等预处理；接下来针对识别目标提取各种不同的特征[6]，通常提取的加速度信号特征包括时域特征、频域特征和时频特征，优选后的特征集表征了各种行为的突出特性；最后用特征矩阵训练出相应的参考模型，分类器通过这个参考模型对测试集进行分类识别。

图1 人体行为识别流程图

1.1 数据采集

基于监督式学习算法的行为识别方法在很大程度上取决于已标签的训练数据样本集。通过一个自行开发并可安装在手机上的应用程序来采集数据。它的图形操作界面简单方便，用户可以设置采集数据的频率，控制数据采集的开始和结束，以及对所采集的数据设置标签，标签包括静止、走路、跑步、上楼和下楼等，图2显示这个应用程序的操作界面。

应用程序默认的采集频率为100 Hz；采集数据时对手机放置的方向没有刻意约定，完全取决于用户个人的使用习惯。手机放置的位置分别选取手握、裤兜和提包这三个最常用的位置。对每一个行为的采集数据周期默认设置为5 s，用户在采集数据刚一开始因放置手机，前2 s采集的数据将舍弃不予考虑。而实际采集的加速度数据一般都含有噪声，通常使用带通滤波或者转换原始加速度数据的方法来进行数据预处理。

图2 手机采集数据应用程序的操作界面

1.2 特征提取

av(t)=az(t);

水平方向的加速度为

图3和图4分别描述了某个实验者在5种不同行为采集的x、y、z轴和水平垂直方向加速度数据。从图中可以看到水平和垂直方向的加速度数据在各种行为中呈现出不同特点。

图3 5种不同行为的x轴、y轴、z轴加速度数据

图4 5种不同行为的水平和垂直方向加速度数据

在特征提取过程中采用了滑动窗技术。因手机内置应用程序的默认采样频率为100 Hz，滑动窗的大小设定为1.5 s，相邻窗口按50%进行交叉重叠。对每一个滑动窗口，依据采集的水平和垂直方向加速度数据提取时域和频域上共33个特征，如均值(mean)，标准差(standard deviation)，信号幅度(signal magnitude area)，四分位差 (inter quartile range)，偏度(skewness)，峰度(kurtosis)，信息熵(entropy)，相关系数(signal-pair correlation)等。

1.3 分类器

支持向量机(Support Vector Machine)对于线性不可分的情况，通过使用非线性映射算法,将低维输入空间特性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能[8]。特别在解决小样本、非线性及高维模式识别中表现出许多特有的优势[9]，因此选取支持向量机作为分类器。

采用台湾大学林智仁博士等开发设计的LIBSVM[10],这是一个操作简单、快速有效的通用SVM软件包，对于RBF径向基核函数采用交叉验证设置最优参数为

C=1024, G=2。

2 实验结果和分析

实验中选择了5个年龄段在24至30岁之间的实验者在自然环境中采集数据。每个实验者都将手机分别握在手中、放在裤兜或放在手提包里对5种不同的行为采集数据。采集的数据随机选取70%作为训练集，剩余30%作为测试集，确保训练集和测试集数据无交叉重叠。实验中统一用三星Galaxy Note 2智能手机作为采集数据工具。采集的加速度数据先进行归一化处理，然后分两组实验来对比验证该行为识别方法的性能。

先对每一个实验者采集的数据单独测试,即将每个实验者的手机放置在3个不同位置对5种行为采集数据，从采集到的数据中任意选取70%作为训练集，剩余为测试集。表1罗列出对每个实验者的5种不同行为的识别结果。因实验是针对具体某一个人的行为进行识别，识别准确率较高，平均识别率达到了87.17%。

表1 单个实验者的5种行为识别率

再将5个实验者采集的所有数据汇总作为一个整体，按照实验一中同样比例分配训练集和测试集,静止、走路、跑步、上楼和下楼5种行为的识别率分别为100.00%，63.41%，92.50%，51.28%，30.77%。

因实验者个体行为存在差异，实验总体的行为识别准确率相对第一组实验略有下降。5种行为的综合识别率下降为67.51%,两组实验中静止站立的识别率达到了100%，跑步的识别率大于92.50%，但对于上楼、下楼和走路这3种近似行为的识别分类还有待提高。

3 结论

提出一种基于手机内置加速度传感器的人体行为识别方法，该方法采用滑动窗技术，在单个时间窗基于水平和垂直方向的加速度提取信号幅度、四分位差、偏度、峰度、相关系数等作为特征，利用SVM分类器进行分类识别，识别了手机携带者站立、走路、跑步、上楼和下楼5种动作。通过两组实验验证了这种方法的有效性，但对于上楼、下楼和走路这3种近似行为的识别分类还有待提高。

[1] Krishnan N C. A Computational Framework for Wearable Accelerometer Based Activity and Gesture Recognition[D]. USA: Arizona State University, 2010:14-25.

[2] Lustrek M, Kaluza B. Fall detection and activity recognition with machine learning[J]. Informatics (Ljubljana), 2009, 33(2):205-212.

[3] 王昌喜，杨先军，徐强，等．基于三维加速度传感器的上肢动作识别系统[J]．传感技术学报，2010,6(23):816-819．

[4] Sensors Overview _Android Developers.(2014-03-30) [2014-04-20].http://developer.android.com/guide/topics/sensors/sensors_verview.html.

[5] Incel O D, Kose M, ErsoyIncel C. A Review and Taxonomy of Activity Recognition on Mobile Phones[J].Springer BioNanoScience Journal, 2013, 3(2): 145-171.

[6] 王忠民，曹栋．基于蚁群算法的行为识别特征优选方法[J]．西安邮电大学学报，2014, 19(1): 73-77.

[7] Lane N D, Miluzzo E, Lu H, et al. A survey of mobile phone sensing[J]. Communications Magazine, IEEE, 2010, 48(9): 140-150.

[8] Hsu Chih-Wei, Chang Chih-Chung, Lin Chih-Jen. A practical guide to support vector classification[J]. Bioinformatics, 2010, 1(1):1-16.

[9] 吴青，赵雄．一类新样条光滑支持向量机[J]．西安邮电大学学报，2013,18(6):68-74.

[10] Chang Chih-Chung, Lin Jen. LIBSVM: A Library for Support Vector Machines. (2014-04-01)[2014-04-25].http://www.csie.ntu.edu.tw/～cjlin/libsvm.

[责任编辑:祝剑]

Human activity recognition based on accelerometer data from a mobile phone

HENG Xia, WANG Zhongmin

(School of Computer Science and Technology，Xi’an University of Posts and Telecommunications，Xi’an 710121,China)

A method of accurate analysis of basic activities with accelerometer data from a mobile phone is described in this paper. After sensor data are collected, preprocessing, vertical and horizontal feature extraction, classification steps are followed to build a training model. The system is trained to recognize five activities: staying, walking, running, ascending stairs, and descending stairs. Many statistical features are extracted such as standard deviation, signal magnitude areas, inter quartile range, skewness, kurtosis, entropy, and signal-pair correlation. For different subject, an average recognition accuracy of 87.17% is achieved. Results show the proposed method is effective.

human activity recognition, accelerometer data, support vector Machines (SVMs)

10.13682/j.issn.2095-6533.2014.06.015

2014-04-28

国家自然科学基金资助项目(61373116)

衡霞(1978- )，女，讲师，从事多媒体通信，智能信息处理研究。E-mail:hx@xupt.edu.cn 王忠民(1967-)，男，教授，从事嵌入式系统，智能信息处理研究。E-mail: zmwang@xupt.edu.cn

TP3

A

2095-6533(2014)06-0076-04