基于MEMS傳感器的步態(tài)識(shí)別算法研究及實(shí)現(xiàn).pdf

1、近年來，步態(tài)識(shí)別、身份識(shí)別、步態(tài)認(rèn)證等生物特征領(lǐng)域的研究越來越被人們所關(guān)注。隨著微型機(jī)電系統(tǒng)(MEMS)技術(shù)的不斷發(fā)展與成熟，基于MEMS傳感器的人體步態(tài)識(shí)別成為一個(gè)新興的研究領(lǐng)域，它是一個(gè)通過對(duì)人體步態(tài)加速度數(shù)據(jù)的分析，實(shí)現(xiàn)對(duì)人體步態(tài)的定性判斷的過程?；诩铀俣葌鞲衅鞯娜梭w步態(tài)識(shí)別應(yīng)用廣泛，在智能人機(jī)交互、智能監(jiān)控、生物醫(yī)學(xué)研究、體育競(jìng)技以及運(yùn)動(dòng)能量消耗評(píng)估等眾多領(lǐng)域有著非常廣闊的應(yīng)用前景。因此，本文對(duì)基于MEMS傳感器的步態(tài)識(shí)別的研

2、究有著重要的意義。
　　為了對(duì)步態(tài)動(dòng)作進(jìn)行更細(xì)致地分類，提高步態(tài)動(dòng)作的識(shí)別率，本文對(duì)基于MEMS傳感器人體步態(tài)識(shí)別的算法進(jìn)行了研究與改進(jìn)，主要內(nèi)容包括：
　　1.本文構(gòu)建了能夠支撐基于MEMS傳感器的人體步態(tài)識(shí)別研究任務(wù)的加速度和陀螺儀數(shù)據(jù)，設(shè)計(jì)了步態(tài)數(shù)據(jù)采集裝置，采用九軸傳感器LSM9DS0，用STM32F103芯片作為微控制器采集步態(tài)數(shù)據(jù)。該裝置佩戴在采集者腰部位置，采集了人體正常走、快走、倒退走、上樓、下樓、跑、跳、原

3、地踏步、靜坐、騎自行車共10種步態(tài)動(dòng)作數(shù)據(jù)。
　　2.本文對(duì)采集到的步態(tài)數(shù)據(jù)進(jìn)行了一系列預(yù)處理工作：平滑去噪、歸一化、加窗、坐標(biāo)系變化與重力分量濾除；并在此基礎(chǔ)上，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行了時(shí)域特征（TF）、FFT系數(shù)、DCT系數(shù)特征的特征提取和樸素貝葉斯(NaiveBayes)、C4.5決策樹(Decision Tree)、以及支持向量機(jī)(SVM)分類器設(shè)計(jì)的工作。
　　3.本文利用提取的三種特征和設(shè)計(jì)的三種分類器進(jìn)行步態(tài)識(shí)別

4、的研究比較。發(fā)現(xiàn)：采用FFT系數(shù)特征，利用 SVM分類器進(jìn)行步態(tài)識(shí)別時(shí)，識(shí)別率最高。其中，跑、跳的識(shí)別率是97.14％，而靜止的識(shí)別率為94.29%。相比于這三種動(dòng)作的高識(shí)別率，上樓和下樓動(dòng)作的之間容易混淆，正常走、快走及倒退走之間容易混淆。
　　4.為了更細(xì)致地區(qū)分容易混淆的步態(tài)，本文對(duì)識(shí)別算法進(jìn)行了改進(jìn)，將wrapper特征子集選擇算法引入基于MEMS傳感器的步態(tài)識(shí)別算法中，利用Wrapper特征子集選擇算法選出最優(yōu)特征子集，