基于MEMS傳感器的步態(tài)識別算法研究及實現(xiàn).pdf

1、近年來，步態(tài)識別、身份識別、步態(tài)認證等生物特征領域的研究越來越被人們所關注。隨著微型機電系統(tǒng)(MEMS)技術的不斷發(fā)展與成熟，基于MEMS傳感器的人體步態(tài)識別成為一個新興的研究領域，它是一個通過對人體步態(tài)加速度數(shù)據(jù)的分析，實現(xiàn)對人體步態(tài)的定性判斷的過程?；诩铀俣葌鞲衅鞯娜梭w步態(tài)識別應用廣泛，在智能人機交互、智能監(jiān)控、生物醫(yī)學研究、體育競技以及運動能量消耗評估等眾多領域有著非常廣闊的應用前景。因此，本文對基于MEMS傳感器的步態(tài)識別的研

2、究有著重要的意義。
　　為了對步態(tài)動作進行更細致地分類，提高步態(tài)動作的識別率，本文對基于MEMS傳感器人體步態(tài)識別的算法進行了研究與改進，主要內容包括：
　　1.本文構建了能夠支撐基于MEMS傳感器的人體步態(tài)識別研究任務的加速度和陀螺儀數(shù)據(jù)，設計了步態(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)動作數(shù)據(jù)。
　　2.本文對采集到的步態(tài)數(shù)據(jù)進行了一系列預處理工作：平滑去噪、歸一化、加窗、坐標系變化與重力分量濾除；并在此基礎上，對預處理后的數(shù)據(jù)進行了時域特征（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(SVM)分類器設計的工作。
　　3.本文利用提取的三種特征和設計的三種分類器進行步態(tài)識別

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