資源描述:
《基于mems傳感器的步態(tài)識別算法研究及實(shí)現(xiàn)》由會員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、,;;巧板巧覃興請-襲菱,片遷/螺;女多;爵;為;-?/V'觀V,.-氣‘;春\.;..蒂繁其.位:雌%密V單觀i^心瓦幸.夢.舊?!替r./起%":v護(hù);i/譯.吁:7磚知&i'?:片端w軒運(yùn).M導(dǎo)li.與;為M雀^J豪.>rV^^V,、心賓巧V:.當(dāng).苗V>;:.:.坤..j.摩-^L義皮旁衫您I^j合或長.參.扛‘:攔.:.:.^;!:.:;萬苗.公>:.'訂參:,.cr著.^.—:l.氣./爲(wèi)擎.>'.7'襄:獻(xiàn).^,心叫"一.s喻;六廬?妾道.掉點(diǎn)/.焉寒.
2、豪;象麟女.、成‘,>\."v表i寺釋V.1施贊塊目^JI織步滯別研.f規(guī)r;畔...-‘;,,>.-:-.-心產(chǎn)":;-‘^:交-資;:.^知1‘'2/:掃:.v.案1.巧氧.:v?:苗y:參..r.,...興'..皆甚:島,..,.N:學(xué)號>-WW:^/.!轉(zhuǎn)-.\,5..^>.-‘.s姓名.^獨(dú)、a心;繫.'-專c.:貧導(dǎo)師、.義葉.",'起....滬專^顯別囊玲:賊'±.眷戶w皆類型V?.>全制串,:'作舍專^纖;電巧信程巧議
3、巧.>、.-:.;.,如論滯期.14v..:.一或,嶺:.,苦.如叫-甚、,私急.f.:■舊巧V%萍■■苗,.錢..鄉(xiāng).島F二.V技;,.\戶蒲霉一%稼秦,ResearchonGaitRecognitionAlgorithmandImplementationbasedonMEMSSensorsThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegree
4、ofMasterofEngineeringByFanShanshanSupervisor:Prof.YeLingMarch2016摘要近年來,步態(tài)識別、身份識別、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)識別成為一個新興的研究領(lǐng)域,它是一個通過對人體步態(tài)加速度數(shù)據(jù)的分析,實(shí)現(xiàn)對人體步態(tài)的定性判斷的過程。基于加速度傳感器的人體步態(tài)識別應(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、體育競技以及運(yùn)動能量消耗評估等眾多領(lǐng)域有著非常廣闊的應(yīng)
5、用前景。因此,本文對基于MEMS傳感器的步態(tài)識別的研究有著重要的意義。為了對步態(tài)動作進(jìn)行更細(xì)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(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
6、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,對預(yù)處理后的數(shù)據(jù)進(jìn)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(DecisionTree)、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)識別的研究比較。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
7、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(xì)致地區(qū)分容易混淆的步態(tài),本文對識別算法進(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)識別算法中,利用Wrapper特征子集選擇算法選出最優(yōu)特征子集,最后用SVM分類器進(jìn)行識別,步態(tài)識別算法識別率平均提高了13.15%;并且有效區(qū)分了上樓和下樓動作的混淆,走、快走及倒退走之間的混淆。5.最后,本文將改進(jìn)的步態(tài)識別算法與硬件平臺相結(jié)合,將改進(jìn)算法用于實(shí)際應(yīng)用。本文實(shí)現(xiàn)了對人體步態(tài)更細(xì)致地分類及識別率的提高,
8、改進(jìn)后的算法優(yōu)于傳統(tǒng)的方法。關(guān)鍵詞:步態(tài)識別,加速度,SVM,wrapper特征選擇,IAbstractBiologicalcharacteristics,suchasgaitrecognition,identificationandgaitcertification,aregainingmoreandmoreattentioninrecent