【正文】 基于慣性傳感器的人體運動分析與識別在以下方面有著重要意義： （1）游戲動畫與電影制作 通過采集人體的各種動作的相關數據，再通過相關軟件技術將這些數據加載到電腦動畫中，從而實現動畫制作和相關游戲開發(fā)。 伴隨著微型機電系統(tǒng)(MEMS)技術的不斷發(fā)展與成熟，價格低廉、體積小、靈敏度高的 MEMS 加速度傳感器開始廣泛地應用于手機、筆記本、游戲機等嵌入式電子消費產品。因此，在眾多的傳感器中，利用加速度傳感器測量的加速度信號來識別人的運動狀態(tài)（或活動）受到世界各地研究人員的廣泛重視。在本文中，用于實現動作識別的幾種動作為向上、向下、向左、向右和畫圈，隨后對該動作進行動作捕捉，并采用快速傅里葉變換（Fast Fourier Transform, FFT）進行特征提取，最后采用Kmeans均值聚類進行識別，識別率為69%。西北工業(yè)大學明德學院本科畢業(yè)設計論文摘要基于慣性傳感器的運動識別系統(tǒng)是模式識別的一個新興領域，克服了傳統(tǒng)基于視頻的動作識別的諸多缺點和限制，具有更高的可操作性和實用性。本文的重點在于數據的特征提取，及慣性傳感器的運動識別，分別用到了快速傅里葉變換，及Kmean均值聚類兩種算法。 所謂“加速度信號”是指人們在日常生活中由于身體運動產生的人體動作信號。2007 年蘋果公司的 iPhone 手機、任天堂的 Wii 游戲機火爆銷售一度轟動業(yè)界，這其中，加速度傳感器功不可沒，它所帶來的全新使用體驗以及獨特的人機交互方式不僅造就了產品本身的巨大成功，更是給日趨同質化的電子整機市場注入了新鮮血液。同時，基于慣性傳感器的動作分析與識別在電影制作中也有廣泛的應用，尤其很多電影中的一些高難度動作，根據人體動作數據通過電腦技術制作出這些動作，效果也很好。 （3）臨床應用 臨床應用主要體現在醫(yī)療保健和康復訓練兩個方面[2]。通常，手術后的肢體康復訓練對醫(yī)療效果影響很大，醫(yī)生通過分析人體運動，對正在進行康復訓練的病人的動作情況、訓練時間和強度等進行分析，隨時了解他們的恢復情況，及時對康復方案進行改進。在基于慣性傳感器的動作識別中，預處理一般有重采樣、加窗、濾波、歸一化等。常用的時域特征有：均值、方差或標準差、均方根、及時域積分等頻域特征主要有：FFT系數、能量、能譜密度、頻域熵等。常見的分類算法有：最近鄰法、貝葉斯（Bayes）分類法、BP 神經網絡分類法、決策樹算法、支持向量機（SVM）算法、隱馬爾科夫（HMM）算法等。2008 年，JhunYing Yang[28]等人選取了7個測試者，研究了日常生活中的站、坐、走、跑、吸塵、洗衣服、刷牙7種動作，分別采用人工神經網絡分類器和最近鄰算法進行了識別，%%的識別率。 傳感器是將物理、化學、生物等自然科學和機械、土木、化工等工程技術中的非電信號轉換成電信號的換能器。傳感器可從不同角度分類。(2)集成傳感器。(6)多功能傳感器。本文用到的是MEMS慣性傳感器。綜合兩種分類方法的分類體系如圖1。按信號檢測方式劃分,有電容式、電阻式和隧道電流式。制造技術的日益精進使MEMS傳感器的參數指標和性能不斷提高,與多種學科的交叉融合又使傳感器不斷推陳出新,應用領域不斷拓寬。從敏感膜結構劃分,可分為圓形、方形、矩形和E形等。納米管、納米線、納米光纖、光導、超導和智能材料也將成為制作納米傳感器的材料。傳感器集成化是實現傳感器小型化、智能化和多功能的重要保證。MEMS傳感器是利用集成電路技術工藝和微機械加工方法將基于各種物理效應的機電敏感元器件和處理電路集成在一個芯片上的傳感器。圖3表示了MEMS控制系統(tǒng)。接著，在理解并掌握慣性傳感器的運動識別系統(tǒng)的理論基礎上，對系統(tǒng)模型的數據采集和特征提取算法及運動識別主要算法進行介紹。第三章，主要介紹了數據采集和特征提取算法，首先是慣性傳感器的內部結構，之后就是工作的流程，由于本項目中慣性傳感器的采樣頻率為100 Hz, 遠大于人體運動時的頻率。最后,課題總結與展望。在進行數據采集時，采樣頻率設為100 Hz。數據采集的目的是為了測量被測對象的動作信息，數據采集系統(tǒng)整合了信號、傳感器、信號調理、數據采集設備和應用軟件主要流程包括，慣性傳感器→藍牙接收器→數據采集→數據自動截取→數據處理→運動識別。]圖 23 畫圈圖24 向下 圖25 十字圖26 向左圖27 向右 離散傅里葉變換(DFT) 在信號處理中，DFT 的計算具有舉足輕重的地位，信號的相關、濾波、譜估計等等都可通過 DFT 來實現。離散時間信號x (n)的連續(xù)傅立葉變換定義為 = （21）式中 X(e jω )是一個連續(xù)函數，不能直接在計算機上做數字運算。 x。 （25）傅里葉變換的振幅譜、相位譜和能量譜分別為 （26） （27） （28）式中 R(u, 237。 連續(xù)信號f (x, y)經過抽樣后成為二維離散信號f (m, n)，其中0≤m≤M1，0≤n≤N1，相應地定義二維離散傅里葉變換(DCT)及其反變換為 （29） （210） 的應用 圖3是模擬遠程高空衛(wèi)星照片，圖4 是利用Matlab (Image Processing Toolbox)提供的圖像處理函數[8~9] 將圖像信號讀入，經傅里葉變換將空間域圖像信號變換到空間頻率域信號，使快速卷積、目標識別等許多算法易于實現，然后對圖像信號的頻譜分布進行分析，用Butterworth帶通濾波器和二維維納濾波進行濾波處理，去除圖像信號中的低頻干擾信號和噪聲信號，然后利用傅里葉反變換將信號還原，所得到的模擬遠程高空衛(wèi)星照片。根據上述公式,計算一個X(k），需要N次復數乘法和N1一次復數加法,而計算全部X(k）(0≤K≤N1),共需要,次復數乘法和N(N1)一次復數加法實現一次復數乘法需要四次實數乘法和兩次實數加法,一次復數加法需要兩次實數加法,因此直接計算全部共需要4次實數乘法和2N(N1),對實時信號處理來說,對處理器計算速度有十分苛刻的要求,于是如何減少計算離散傅里葉變換運算量的問題變得至關重要. 為減少運算量,提高運算速度,就必須改進算法。時間序列X(t）中己含有從0至的頻域信息,所以如果用連續(xù)的傅里葉變換對譜進行計算 （217） （218） 這時頻率分辨率己不受采樣點數的限制,f是一個連續(xù)的頻率。十細化算法與比例法校正精度基本相同,但其相位精度要高一些。隱馬爾可夫模型是一種能很好地對基于時間序列的數字信號進行建模的技術，它最大的好處在于它完善的數學模型框架以及現有成熟的自動訓練和識別的相應算法HMM 最初被用在連續(xù)語音的自動識(Automatic Speech Recognition, ASR)上，并獲得了很大的成功。而對于運動產生的加速度信號都是三維信號，為了能應用語識別領域已經成熟的一維HMM 模型，人體運動模式識別的研究人員想了各種方法將三維信號轉成一維信號，最常見的方法是用矢量量化得到一維特征矢量，然后用這個一維特征矢量來訓練 HMM模型典型結構框圖如圖所示。最簡單的支持向量機只能對兩類線性可分的模式進行識別，為了使其能夠應用在非線性可分模式的識別，產生了核技術。鑒于 SVM 強大的分類識別能力，它也被研究人員應用到基于加速度傳感器的人體運動模式識別研究中 圖31 基于 HMM的手勢識別及訓練框圖 K均值聚類算法基本思想 。如果在一次迭代算法中，所有的數據對象被正確分類，則不會有調整，聚類中心也不會有任何變化，這標志著Jc已經收斂，至此算法結束。 Kmeans 文本聚類算法優(yōu)化 Kmeans 算法通過不斷地迭代與重新計算聚類中心直至收斂進行聚類， 因此聚類收斂條件是算法的重要組成部分。 Creator 等的研究發(fā)現， 由于目標函數 Wn 存在局部極小值點， K － means 算法會陷入局部最優(yōu)解。為此， 學界提出了很多改進的聚類收斂函數， 以期更加全面地反映聚類的質量。針對該問題，學界提出多種改進的算法。一均值聚類算法在執(zhí)行過程中還可以加入聚類準則函數來終止迭代過程,一般采用聚類誤差平方和準則函數,即在上面算法流程中4的叩中計算聚類誤差平方和J,然后加入判斷,若兩次的J值沒有明顯變化,則說明值已經收斂,結束算法,否則轉入繼續(xù)執(zhí)行. SOM算法介紹生物學研究表明，在人腦的感覺通道上，神經元的組織原理是有序排列的。Map，SOM），又稱Kohonen網絡。它通過自動尋找樣本中的內在規(guī)律和本質屬性，自組織、自適應地改變網絡參數與結構。 最典