【《可穿戴传感器的人体行为识别分析的国内外文献综述》3700字】

可穿戴传感器的人体行为识别研究的国内外文献综述一段时间以来，随着传感器的智能化和小型化发展，利用可穿戴传感器所采集的实时信号进行人体行为识别，已经在很多方面得到了应用。在人体行为识别领域，可穿戴传感器可以精确地提供身体数据以实现对不同人体行为的建模分析,而且克服了给用户带来的隐私问题[6-7]，具有诸多优点。可穿戴传感器应用的领域包括医疗康复、室内精确定位、日常行为识别、人和机器的交流等[8-9]。对于研究人员来说，如何构建有效、高鲁棒性的人体行为识别系统已成为研究的热点问题。一个可靠稳定的人体行为识别系统需要解决的难点在于特征样本的构建和识别算法的选取。首先，数据主要是可穿戴传感器所采集的三轴加速度信号，为做到人体行为信号的实时识别，需要对一段时间内的信号进行加窗处理，得到固定长度的时间序列信号，再对其进行滤波，消除运动过程中的噪声影响，所采取的方法包括平滑滤波，高斯滤波；其次，就提取的特征来说，常选用时域和频域特征，总结来说，就是通过对采集到的原始数据进行预处理，得到不含噪声的时间序列，然后提取特征，生成特征样本，训练后得到识别模型，最后利用模型进行识别。由此可知，可穿戴式传感器的人体行为识别研究方式旨挖掘运动时加速度内部所隐藏的信息。目前，国内外许多的专家学者都投入到该领域的研究，各种创新算法也接连被提出，同时也产生了一些丰硕的研究成果。F.Dadashi等人研究了利用可穿戴式IMU去估计游泳的速度[10]，为了消除估算速度时因惯性信号的积分而产生的误差，提取骨运动的惯性信号在每个周期中一些特征，作为贝叶斯线性回归的映射，并根据线性最小二乘估计器和高斯过程回归（GPR）在概化和计算成本方面比较估计器结果，经过对15名游泳运动员的结果统计验证，该方法的平均相对误差为0.1±9.6％；HaoyuLi等人提出一种自适应的在线分类方法来检测四种下肢的运动活动–步行、奔跑、爬楼梯和下降[11]。该方法基于非参数三重态马尔可夫模型，是一种无监督的机器学习算法，可以同时检测步态阶段和活动，广泛适用于的各种健康人群。对十名健康受试者的实验结果表明，该算法的精度最高可达99.20％；NastaranMohammadianRad等人为研究自闭症患者的非典型运动状态，使用卷积神经元人工神经网络（CNN）来从原始数据中学习区分特征空间[12]。该算法将多个LSTM（长短时记忆网络）组合成一个具有三级迁移学习能力的识别模型，实现了较好的识别效果；CarlosA.Cifuentes等人发明了一种服务机器人，可以实现人与机器的自然互动，该机器人集成了LRF（激光测距仪），用于跟踪人的腿部运动，使用IMU（惯性测量单元）传感器，捕捉步态中的人体运动[13]，其主要创新点在于实现了步态的精确估计，此外，该算法融合了多种信号源，实现了参数的无偏估计；AndriamasinoroLalaina等人提出一种算法用于检测牛的草摄入量和反刍活动[14]，数据来自于智能手机上广泛使用的惯性测量单元（IMU），该单元包含一个加速度计，一个陀螺仪，一个磁力计，提取平均值和标准差两种数据，用来分析牛是在吃草还是在反刍，在独立的数据库上进行验证后，平均检测准确度为92％；HyunsooKim等人为监控施工设备的运行情况，使用惯性测量来测量施工设备的周期运行时间，提出一种动态时间规整（DTW）算法[15]，将IMU的DTW距离信号用作活动分类中的补充信号特征，实验结果表明，在周期时间测量方面，其精度达到了91.83％。结果证明使用运营商的主流移动设备来测量和报告其设备的周期时间的可行性，具有低成本和可持续的优点。国内关于可穿戴传感器的人体行为识别研究也有很多进展。王忠民等人对时间序列进行分析，以此来发现异常数据从而对跌倒状态进行判别[16]，具体做法是通过计算加速度信号相邻时间窗口之间的相关系数，来对异常数据进行检测，以解决在行为监测中经常会发生的跌倒行为误判问题，最终使用该方法对跌倒状态检测的成功率达到了95%；林海波等人通过构造隐马尔科夫模型对日常行为进行识别[17]，该方法首先利用放置在人体腰部的加速度传感器，实时采集运动过程中的加速度数据，再将加速度数据中的噪声进行滤除提取特征，实验结果表明该方法是一种能够精确检测跌倒的方法；余杰针等人对分类模型通用化和个性化的平衡问题，提出一种介于通用化和个性化之间的人体行为识别模型[18]，具体做法是对采集的加速度数据进行区分，已得到不同的训练数据集，区分的原则是根据人体行为产生的多样性，这样训练后可以得到多个模型，通过合理布置加速度传感器的位置，提高了模型的适用范围，在对日常行为进行识别判断时，其准确率可以达到95%左右；宋玲玲等人将三轴加速度传感器放置在人体不同的部位来获取运动信息，然后对加速度信号使用卡尔曼滤波算法进行滤波处理，提取特征后用于非特定人体状态的识别，该算法最大的创新点在于可以实时判断人体的运动、静止状态转换情况[19]。除了上述研究人员所提出的多种识别算法外，目前国内也落地了许多投入使用的产品。深圳先进技术研究院开发出一套对病人康复情况进行评估的系统[20]，该系统通过分布在人体膝关节部位的惯性测量单元获取膝关节弯曲程度，以评估患病人员的康复情况，所使用的基本器件仅仅包括加速度计和陀螺仪，具有成本低，可推广性强的特点；武汉纺织大学开发出一种可穿戴的压力传感器[21]，该传感器跟常见的一些压力传感器有着很大不同，其主要特点是在衣物里内嵌了一套传感器系统，在实用性和美观性方面做到了较好的平衡，其应用范围不仅限于民用领域，在军事领域也有着很高地应用前景；国内某科技公司生产出一种可穿戴传感器[22]，实现了对人体状态的实时监测，其监测的范围包括体温、心率和运动轨迹，另外，还可对人员是否佩戴口罩进行监测，在疫情期间的可以起到很好地防控作用；北京航空航天大学研制出一种卡扣式可穿戴系统[23]，可用于对人体心磁图的监测，该系统是基于柔性织物技术实现的，能够紧密贴合人体，其隔热技术能够有效保护皮肤不受伤害，在医疗监测领域应用很广。综上所述，基于可穿戴传感器的在很多领域都有着广泛地应用，相关的研究成果也在改变我们的生活，但仍然有很大的进步空间。基于可穿戴传感器的人体行为识别面临着两大难题在于特征提取和模型构建，传统方法在解决这两大问题上有着一定的局限性，因此持续地对相关算法进行改进和完善是很有必要的，本文在此基础上，针对性地解决了这两点问题，达到了较好的实验效果。参考文献[1] LopreiteM,ZhuZ.TheEffectsofAgeingPopulationonHealthExpenditureandEconomicGrowthinChina:ABayesian-VARApproach[J].SocialScience&Medicine,2020.[2] MukhopadhyaySC.WearableSensorsforHumanActivityMonitoring:AReview[J].IEEESensorsJournal,2015,15(3):1321-1330.[3] 张佳东.基于MEMS传感器的无线人体姿态识别系统设计及应用[D].电子科技大学,2014.[4] L.Chen,J.Hoey,C.D.Nugent,D.J.Cook,Z.Yu,Sensorbasedactivityrecognition,IEEETrans.Syst.Man.Cybern.C42(2012)790–808.[5] W.Ugulino,D.Cardador,K.Vega,E.Velloso,R.Milidiú,H.Fuks,Wearablecomputing:accelerometers’dataclassifyationofbodyposturesandmovements,in:AdvancesinArtificialIntelligence—SBIA2012,Springer,Berlin,Germany;Heidelberg,Germany,2012,pp.52–61.[6] O.D.Lara,M.A.Labrador,Asurveyonhumanactivityrecognitionusingwearablesensors,IEEECommun.Surv.Tutor.15(2013)1192–1209.[7] P.Dohnálek,P.Gajdoš,P.Moravec,T.Peterek,V.SnáŠel,Applicationandcomparisonofmodifiedclassifiersforhumanactivityrecognition,Prz.Elektrotech.89(2013)55–58.[8] N.Ravi,N.Dandekar,P.Mysore,M.L.Littman,Activityrecognitionfromaccelerometerdata,in:Proceedingsofthe17thConferenceonInnovativeApplicationsofArtificialIntelligence(IAAI),Pittsburgh,PA,USA,9–13July2005,3,AAAIPress,Pitts-burgh,PA,USA,2005,pp.1541–1546.[9] 曹春梅,季林红,王子羲,陈大融.跳板跳水起跳动作时的人板协调关系[J].清华大学学报(自然科学版),2008,48(2):207-210.[10] DadashiF,MilletGP,AminianK.ABayesianapproachforpervasiveestimationofbreaststrokevelocityusingawearableIMU[J].Pervasive&MobileComputing,2015,19:37-46.[11] LiH,DerrodeS,PieczynskiW.Anadaptiveandon-lineIMU-basedlocomotionactivityclassificationmethodusingatripletMarkovmodel[J].Neurocomputing,2019,362(Oct.14):94-105.[12] RadNM,KiaSM,ZarboC,etal.DeepLearningforAutomaticStereotypicalMotorMovementDetectionusingWearableSensorsinAutismSpectrumDisorders[J].SignalProcessing,2018,144(MAR.):180-191.[13] CifuentesCA,FrizeraA,CarelliR,etal.Human–robotinteractionbasedonwearableIMUsensorandlaserrangefinder[J].Robotics&AutonomousSystems,2014,62(10):1425-1439.[14] Andriamasinoro,Lalaina,Herinaina,etal.Developmentofanopensourcealgorithmbasedoninertialmeasurementunits(IMU)ofasmartphonetodetectcattlegrassintakeandruminatingbehaviors[J].Computers&ElectronicsinAgriculture,2017.[15] KimH,AhnCR,EngelhauptD,etal.Applicationofdynamictimewarpingtotherecognitionofmixedequipmentactivitiesincycletimemeasurement[J].AutomationinConstruction,2018,87(MAR.):225-234.[16] 王忠民,张新平,梁琛.一种基于时序分析异常数据的跌倒行为监测方法[J].计算机应用研究,2018,35(03):205-209.[17] 林海波,李扬,张毅,等.基于时序分析的人体运动模式的识别及应用[J].计算机应用与软件,2014(12):225-228.[18] 余杰,杨连贺,焦帅,等.基于三轴加速度传感器的人体行为识别研究[J].软件工程,2016,19(009):34-37.[19] 宋玲玲,李鹏,王瑞凤.基于加速度传感器的实时人体状态识别算法[J].武汉理工大学学报(信息与管理工程版),2013(5):693-696.[20] 刁亚楠,宁运琨,赵国如,梁升云.一种基于可穿戴传感器的康复评估方法和系统[P].广东省：CN112603295A,2021-04-06.[21] 王栋,钟卫兵,明晓娟,蒋海青,李沐芳,丁新城.点接触式可穿戴压力传感器[P].湖北省：CN112595445A,2021-04-02.[22] 黄爱东.一种实时监测人体状态的可穿戴设备[P].安徽省：CN212816225U,2021-03-30.[23] 宁晓琳,谢夏,马辛,刘祀浔,房建成.一种用于人体心磁图测量的卡扣式隔热可穿戴系统[P].北京市：CN111345805B,2021-03-26.[24]樊志强,董朝轶,王启来,母英泽,李柏辰,陈旗鸣.基于多传感器数据融合的巡检机器人测姿系统研究[J].自动化与仪器仪表,2021(03):77-82+86.[25]任磊,周金海,吴祥飞,等.移动设备佩戴位置自适应识别的跌倒检测方法[J].计算机工程与应用,2018,054(021):7-12.[26]TongL,ChenW,SongQ,etal.Aresearchonautomatichumanfalldetectionmethodbasedonwearableinertialforceinformationacquisitionsystem[C]//IEEEInternationalConferenceonRoboticsandBiomimetics.IEEEXplore,2010:949-953.[27]卢先领,王洪斌,王莹莹,等.一种基于加速度传感器的人体跌倒识别方法[J].计算机应用研究,2013,30(004):1109-1111.[28]朱菊华,杨新,李俊.一种改进的自适应保细节中值滤波算法[J].计算机工程与应用,2001,37(003):93-95.[29]孙辉,张葆,刘晶红.基于维纳滤波的运动模糊消除算法及其在航空成像系统中的应