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
