本發(fā)明涉及一種運(yùn)動(dòng)識別方法，特別涉及一種基于三軸加速度計(jì)的寵物運(yùn)動(dòng)識別方法。

背景技術(shù)：

隨著手機(jī)、平板等移動(dòng)智能終端的普及，其中內(nèi)含的帶有加速度傳感器的移動(dòng)智能設(shè)備在人們的生活中得到了非常廣泛的應(yīng)用，帶有加速度傳感器的移動(dòng)智能設(shè)備可以方便地識別到人體的運(yùn)動(dòng)，對人體的運(yùn)動(dòng)識別是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)熱點(diǎn)問題，在智能健康、人機(jī)交互以及視頻檢索等領(lǐng)域具有廣泛的應(yīng)用前景和潛在的經(jīng)濟(jì)價(jià)值。目前，隨著人體運(yùn)動(dòng)識別的興起，各式各樣的智能手表、手環(huán)層出不窮，可以對人的運(yùn)動(dòng)狀態(tài)進(jìn)行實(shí)時(shí)的識別，這也使得人們開始提高對自身的健康關(guān)注。與此同時(shí)，一些熱愛寵物的人士逐漸將注意力轉(zhuǎn)移到自家的寵物身上，希望找到針對寵物的運(yùn)動(dòng)識別及分析算法。而目前，對寵物運(yùn)動(dòng)識別算法的研究尚未成熟，處于起步階段。與人體運(yùn)動(dòng)識別相比，寵物運(yùn)動(dòng)識別具有傳感器佩戴困難、寵物運(yùn)動(dòng)變化快、寵物運(yùn)動(dòng)分類難等技術(shù)難點(diǎn)，有較大的應(yīng)用和研究價(jià)值。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種準(zhǔn)確性、魯棒性和實(shí)時(shí)性高的基于三軸加速度計(jì)的寵物運(yùn)動(dòng)識別方法。

本發(fā)明的目的通過下述技術(shù)方案實(shí)現(xiàn)：一種基于三軸加速度計(jì)的寵物運(yùn)動(dòng)識別方法，具體步驟如下：

S1、樣本預(yù)處理：對三軸加速度數(shù)據(jù)進(jìn)行滑動(dòng)窗的加窗處理，以將連續(xù)的多個(gè)采樣點(diǎn)從數(shù)據(jù)流中截取出來，獲取到各個(gè)樣本，其中每個(gè)滑動(dòng)窗的信號對應(yīng)一個(gè)樣本；

S2、樣本特征提取：將步驟S1中獲取到的各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行快速傅里葉變換蝶形算法，然后將每一軸加速度信號的傅里葉系數(shù)作為特征提取出來，構(gòu)成樣本特征；

S3、獲取訓(xùn)練樣本集：通過佩帶在寵物身上的三軸加速度計(jì)采集三軸加速度數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到訓(xùn)練樣本集，然后通過步驟S2的方式提取訓(xùn)練樣本集中各訓(xùn)練樣本的樣本特征，并且通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注其所屬運(yùn)動(dòng)類別；

S4、模型訓(xùn)練：將各訓(xùn)練樣本對應(yīng)的樣本特征作為隨機(jī)森林模型的輸入對隨機(jī)森林模型進(jìn)行訓(xùn)練，生成一個(gè)包含多棵決策樹的隨機(jī)森林模型；其中每棵決策樹均是通過隨機(jī)選擇訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征并且利用信息增益率最大的方法訓(xùn)練得到的；

S5、運(yùn)動(dòng)識別，通過佩帶在寵物身上的三軸加速度計(jì)實(shí)時(shí)采集三軸加速度數(shù)據(jù)，將實(shí)時(shí)采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到測試樣本，然后通過步驟S2的方式提取各測試樣本的樣本特征，最后將測試樣本的樣本特征輸入至隨機(jī)森林模型，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，最終確定測試樣本所屬運(yùn)動(dòng)類別。

優(yōu)選的，所述滑動(dòng)窗的窗長為64，各個(gè)樣本包括三軸加速度數(shù)據(jù)的64個(gè)采樣點(diǎn)。

更進(jìn)一步的，滑動(dòng)窗的窗移為32點(diǎn)。

更進(jìn)一步的，每個(gè)滑動(dòng)窗所占的采樣時(shí)間為1.28秒。

更進(jìn)一步的，步驟S2中各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行64點(diǎn)快速傅里葉變換蝶形算法，得到的是三軸加速度信號各自的長度為64的傅里葉系數(shù)。

優(yōu)選的，所述步驟S4模型訓(xùn)練過程中，針對獲取到的訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征，通過有放回的隨機(jī)選擇訓(xùn)練樣本以及無放回的隨機(jī)選擇訓(xùn)練樣本對應(yīng)的樣本特征，得到多組訓(xùn)練數(shù)據(jù)，針對每組訓(xùn)練數(shù)據(jù)通過信息增益率最大的方法建立決策樹。

更進(jìn)一步的，所述步驟S4模型訓(xùn)練過程中，針對獲取到的訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征，通過有放回的隨機(jī)選擇訓(xùn)練樣本以及無放回的隨機(jī)選擇訓(xùn)練樣本對應(yīng)的樣本特征，得到20組訓(xùn)練數(shù)據(jù)，針對每組訓(xùn)練數(shù)據(jù)通過信息增益率最大的方法建立決策樹，獲取包含20棵決策樹的隨機(jī)森林模型。

優(yōu)選的，所述三軸加速度內(nèi)置于基于Android Wear操作系統(tǒng)的智能手表中，通過智能手表佩帶在寵物身上。

優(yōu)選的，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，多個(gè)決策樹通過投票方式確定測試樣本最終所屬運(yùn)動(dòng)類別。

本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：

(1)本發(fā)明方法針對三軸加速度計(jì)獲取到的三軸加速度信號進(jìn)行滑動(dòng)窗處理后分別獲取到訓(xùn)練樣本集以及測試樣本，針對于訓(xùn)練樣本集進(jìn)行快速傅里葉變換蝶形算法后獲取到樣本特征，并且通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注其所屬運(yùn)動(dòng)類別，然后通過訓(xùn)練樣本訓(xùn)練隨機(jī)森林模型中決策樹，得到包含多棵決策樹的隨機(jī)森林模型，針對于需要測試寵物運(yùn)動(dòng)的測試樣本，經(jīng)過快速傅里葉變換蝶形算法后獲取到樣本特征，然后作為訓(xùn)練樣本集已訓(xùn)練后的隨機(jī)森林模型的輸入，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，最終確定出測試樣本所屬運(yùn)動(dòng)類別。本發(fā)明隨機(jī)森林模型通過多棵決策樹對測試樣本進(jìn)行分類，特別適用于多輸入特征的模式分類，在保證準(zhǔn)確率的同時(shí)不會(huì)產(chǎn)生過擬合的問題。本發(fā)明寵物運(yùn)動(dòng)識別方法具有準(zhǔn)確性、魯棒性和實(shí)時(shí)性高的優(yōu)點(diǎn)。

(2)本發(fā)明方法中隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策后，多個(gè)決策樹通過投票方式確定測試樣本最終所屬運(yùn)動(dòng)類別，進(jìn)一步提高了寵物運(yùn)動(dòng)類別識別的準(zhǔn)確性。

(3)本發(fā)明方法中通過滑動(dòng)窗對三軸加速度信號進(jìn)行加窗處理，其中滑動(dòng)窗選取64點(diǎn)為窗長，這個(gè)窗長使得50Hz采樣率下，每個(gè)滑動(dòng)窗所占的時(shí)間僅為1.28s，在該時(shí)間長度下的滑動(dòng)窗識別具有較高的實(shí)時(shí)性，能很好的適應(yīng)寵物運(yùn)動(dòng)動(dòng)作靈敏的特點(diǎn)。另外，在50Hz的采樣率下，64點(diǎn)的滑動(dòng)窗能包含三至四個(gè)運(yùn)動(dòng)周期，這不僅滿足Nyquist采樣定理，而且從滑動(dòng)窗所包含的信號內(nèi)容上看完全可以用于運(yùn)動(dòng)識別。

(4)本發(fā)明采方法將快速傅里葉變換蝶形算法用于每個(gè)樣本的樣本特征提取，其中采用的快速傅里葉變換蝶形算法為64點(diǎn)的，由于64點(diǎn)滿足快速傅里葉變換蝶形算法對信號長度的要求，為2的整數(shù)次冪，不需要額外補(bǔ)零，保證了傅里葉系數(shù)和信號的真實(shí)對應(yīng)關(guān)系。傅里葉系數(shù)作為時(shí)間序列中的頻域特征，能夠很好的描述和表征不同的寵物運(yùn)動(dòng)模式，但是往往需要較多的運(yùn)算量，若對長度為64的信號采用離散傅里葉變換算法，則需要4096(64*64)次乘法和4032(64*(64-1))，而本發(fā)明方法使用快速傅里葉變換蝶形算法，僅需要192(64*log2(64)/2)次乘法和384(64*log2(64))次加法，利用快速傅里葉變換蝶形算法計(jì)算長度為64的信號耗時(shí)不到1毫秒，對算法的實(shí)時(shí)性幾乎毫無影響，因此大大提高了本發(fā)明寵物運(yùn)動(dòng)識別方法的實(shí)時(shí)性。

附圖說明

圖1是本發(fā)明方法流程圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例

本實(shí)施例公開了一種基于三軸加速度計(jì)的寵物運(yùn)動(dòng)識別方法，如圖1所示，具體步驟如下：

S1、樣本預(yù)處理：對三軸加速度數(shù)據(jù)進(jìn)行滑動(dòng)窗的加窗處理，以將連續(xù)的多個(gè)采樣點(diǎn)從數(shù)據(jù)流中截取出來，獲取到各個(gè)樣本，其中每個(gè)滑動(dòng)窗的信號對應(yīng)一個(gè)樣本；

本實(shí)施例中三軸加速度內(nèi)置于基于Android Wear操作系統(tǒng)的智能手表中，通過加長智能手表表帶的方式固定在寵物身上。本實(shí)施例中滑動(dòng)窗的窗長為64點(diǎn)，滑動(dòng)窗的窗移為32點(diǎn)，即各個(gè)樣本包括三軸加速度數(shù)據(jù)的64個(gè)采樣點(diǎn)。當(dāng)采樣頻率為50Hz時(shí)，每個(gè)滑動(dòng)窗所占的時(shí)間為1.28s。

S2、樣本特征提取：將步驟S1中獲取到的各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行快速傅里葉變換蝶形算法，然后將每一軸加速度信號的傅里葉系數(shù)作為特征提取出來，構(gòu)成樣本特征；其中每個(gè)樣本中包含一個(gè)長度為64個(gè)采樣點(diǎn)的信號，每個(gè)采樣點(diǎn)包含三個(gè)數(shù)值，分別代表三軸加速度計(jì)測量的三個(gè)軸的加速度分量大小，本實(shí)施例中各樣本對應(yīng)的三軸加速度信號的每一軸加速度信號進(jìn)行64點(diǎn)的快速傅里葉變換蝶形算法，提取每一軸加速度信號的傅里葉系數(shù)，得到每個(gè)樣本中三個(gè)軸各自的長度為64的傅里葉系數(shù)，將這些傅里葉系數(shù)作為樣本特征。

S3、獲取訓(xùn)練樣本集：通過佩帶在寵物身上的三軸加速度計(jì)采集三軸加速度數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到訓(xùn)練樣本集，然后通過步驟S2的方式提取訓(xùn)練樣本集中各訓(xùn)練樣本的樣本特征，并且通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注其所屬運(yùn)動(dòng)類別；

S4、模型訓(xùn)練：將各訓(xùn)練樣本對應(yīng)的樣本特征作為隨機(jī)森林模型的輸入對隨機(jī)森林模型進(jìn)行訓(xùn)練，生成一個(gè)包含多棵決策樹的隨機(jī)森林模型；其中每棵決策樹均是通過隨機(jī)選擇訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征并且利用信息增益率最大的方法訓(xùn)練得到的。在本實(shí)施例中，針對獲取到的訓(xùn)練樣本和訓(xùn)練樣本對應(yīng)的樣本特征，通過有放回的隨機(jī)選擇訓(xùn)練樣本以及無放回的隨機(jī)選擇訓(xùn)練樣本對應(yīng)的樣本特征，得到20組訓(xùn)練數(shù)據(jù)，針對每組訓(xùn)練數(shù)據(jù)通過信息增益率最大的方法建立決策樹，從而獲取包含20棵決策樹的隨機(jī)森林模型。

S5、運(yùn)動(dòng)識別，通過佩帶在寵物身上的三軸加速度計(jì)實(shí)時(shí)采集三軸加速度數(shù)據(jù)，將實(shí)時(shí)采集的三軸加速度數(shù)據(jù)經(jīng)過步驟S1處理后獲取到測試樣本，然后通過步驟S2的方式提取各測試樣本的樣本特征，最后將測試樣本的樣本特征輸入至隨機(jī)森林模型，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，多個(gè)決策樹通過投票方式確定測試樣本最終所屬運(yùn)動(dòng)類別。

本實(shí)施例寵物運(yùn)動(dòng)識別方法三軸加速度計(jì)獲取到的三軸加速度信號進(jìn)行滑動(dòng)窗處理后作為樣本，其中一個(gè)滑動(dòng)窗的數(shù)據(jù)對應(yīng)一個(gè)樣本。訓(xùn)練樣本和測試樣本均通過以上方式獲取到。

針對于訓(xùn)練樣本集進(jìn)行快速傅里葉變換蝶形算法后獲取到樣本特征，并且通過視頻同步觀測寵物運(yùn)動(dòng)的方式，人工為每一個(gè)滑動(dòng)窗內(nèi)的數(shù)據(jù)加入類別標(biāo)注，即通過視頻觀察方法人工為各訓(xùn)練樣本標(biāo)注上其所屬運(yùn)動(dòng)類別，然后通過訓(xùn)練樣本訓(xùn)練隨機(jī)森林模型中決策樹，得到包含多棵決策樹的訓(xùn)練好的隨機(jī)森林模型中。

針對于需要測試寵物運(yùn)動(dòng)的測試樣本，經(jīng)過快速傅里葉變換蝶形算法后獲取到樣本特征，然后作為訓(xùn)練好的隨機(jī)森林模型的輸入，隨機(jī)森林模型中每棵決策樹根據(jù)測試樣本的樣本特征進(jìn)行自己的決策，最終通過投票的方式確定出測試樣本所屬運(yùn)動(dòng)類別。

本實(shí)施例隨機(jī)森林模型通過多棵決策樹對測試樣本進(jìn)行分類，特別適用于多輸入特征的模式分類，在保證準(zhǔn)確率的同時(shí)不會(huì)產(chǎn)生過擬合的問題，并且具有準(zhǔn)確性、魯棒性和實(shí)時(shí)性高的優(yōu)點(diǎn)。

本實(shí)施例上述方法的步驟S1中通過滑動(dòng)窗對三軸加速度信號進(jìn)行加窗處理，其中滑動(dòng)窗選取64點(diǎn)為窗長，這個(gè)窗長使得50Hz采樣率下，每個(gè)滑動(dòng)窗所占的時(shí)間僅為1.28s，在該時(shí)間長度下的滑動(dòng)窗識別具有較高的實(shí)時(shí)性，能很好的適應(yīng)寵物運(yùn)動(dòng)動(dòng)作靈敏的特點(diǎn)。另外，在50Hz的采樣率下，64點(diǎn)的滑動(dòng)窗能包含三至四個(gè)運(yùn)動(dòng)周期，這不僅滿足Nyquist采樣定理，而且從滑動(dòng)窗所包含的信號內(nèi)容上看完全可以用于運(yùn)動(dòng)識別。

本發(fā)明上述方法的步驟S2中將快速傅里葉變換蝶形算法用于每個(gè)樣本的樣本特征提取，其中采用的快速傅里葉變換蝶形算法為64點(diǎn)的，由于64點(diǎn)滿足快速傅里葉變換蝶形算法對信號長度的要求，為2的整數(shù)次冪，不需要額外補(bǔ)零，保證了傅里葉系數(shù)和信號的真實(shí)對應(yīng)關(guān)系。傅里葉系數(shù)作為時(shí)間序列中的頻域特征，能夠很好的描述和表征不同的寵物運(yùn)動(dòng)模式，但是往往需要較多的運(yùn)算量，若對長度為64的信號采用離散傅里葉變換算法，則需要4096(64*64)次乘法和4032(64*(64-1))，而本發(fā)明方法使用快速傅里葉變換蝶形算法，僅需要192(64*log2(64)/2)次乘法和384(64*log2(64))次加法，利用快速傅里葉變換蝶形算法計(jì)算長度為64的信號耗時(shí)不到1毫秒，對算法的實(shí)時(shí)性幾乎毫無影響，因此大大提高了本發(fā)明寵物運(yùn)動(dòng)識別方法的實(shí)時(shí)性。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。