【正文】 基于慣性傳感器的人體運(yùn)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(guān)數(shù)據(jù)，再通過相關(guān)軟件技術(shù)將這些數(shù)據(jù)加載到電腦動畫中，從而實(shí)現(xiàn)動畫制作和相關(guān)游戲開發(fā)。 伴隨著微型機(jī)電系統(tǒng)(MEMS)技術(shù)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(yīng)用于手機(jī)、筆記本、游戲機(jī)等嵌入式電子消費(fèi)產(chǎn)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(yùn)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(shí)現(xiàn)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(jìn)行動作捕捉，并采用快速傅里葉變換（Fast Fourier Transform, FFT）進(jìn)行特征提取，最后采用Kmeans均值聚類進(jìn)行識別，識別率為69%。西北工業(yè)大學(xué)明德學(xué)院本科畢業(yè)設(shè)計論文摘要基于慣性傳感器的運(yùn)動識別系統(tǒng)是模式識別的一個新興領(lǐng)域，克服了傳統(tǒng)基于視頻的動作識別的諸多缺點(diǎn)和限制，具有更高的可操作性和實(shí)用性。本文的重點(diǎn)在于數(shù)據(jù)的特征提取，及慣性傳感器的運(yùn)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(yùn)動產(chǎn)生的人體動作信號。2007 年蘋果公司的 iPhone 手機(jī)、任天堂的 Wii 游戲機(jī)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(dú)特的人機(jī)交互方式不僅造就了產(chǎn)品本身的巨大成功，更是給日趨同質(zhì)化的電子整機(jī)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(yīng)用，尤其很多電影中的一些高難度動作，根據(jù)人體動作數(shù)據(jù)通過電腦技術(shù)制作出這些動作，效果也很好。 （3）臨床應(yīng)用 臨床應(yīng)用主要體現(xiàn)在醫(yī)療保健和康復(fù)訓(xùn)練兩個方面[2]。通常，手術(shù)后的肢體康復(fù)訓(xùn)練對醫(yī)療效果影響很大，醫(yī)生通過分析人體運(yùn)動，對正在進(jìn)行康復(fù)訓(xùn)練的病人的動作情況、訓(xùn)練時間和強(qiáng)度等進(jìn)行分析，隨時了解他們的恢復(fù)情況，及時對康復(fù)方案進(jìn)行改進(jìn)。在基于慣性傳感器的動作識別中，預(yù)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(biāo)準(zhǔn)差、均方根、及時域積分等頻域特征主要有：FFT系數(shù)、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(jīng)網(wǎng)絡(luò)分類法、決策樹算法、支持向量機(jī)（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(jīng)網(wǎng)絡(luò)分類器和最近鄰算法進(jìn)行了識別，%%的識別率。 傳感器是將物理、化學(xué)、生物等自然科學(xué)和機(jī)械、土木、化工等工程技術(shù)中的非電信號轉(zhuǎn)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(shù)的日益精進(jìn)使MEMS傳感器的參數(shù)指標(biāo)和性能不斷提高,與多種學(xué)科的交叉融合又使傳感器不斷推陳出新,應(yīng)用領(lǐng)域不斷拓寬。從敏感膜結(jié)構(gòu)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(dǎo)、超導(dǎo)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(shí)現(xiàn)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(shù)工藝和微機(jī)械加工方法將基于各種物理效應(yīng)的機(jī)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(yùn)動識別系統(tǒng)的理論基礎(chǔ)上，對系統(tǒng)模型的數(shù)據(jù)采集和特征提取算法及運(yùn)動識別主要算法進(jìn)行介紹。第三章，主要介紹了數(shù)據(jù)采集和特征提取算法，首先是慣性傳感器的內(nèi)部結(jié)構(gòu)，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(yuǎn)大于人體運(yùn)動時的頻率。最后,課題總結(jié)與展望。在進(jìn)行數(shù)據(jù)采集時，采樣頻率設(shè)為100 Hz。數(shù)據(jù)采集的目的是為了測量被測對象的動作信息，數(shù)據(jù)采集系統(tǒng)整合了信號、傳感器、信號調(diào)理、數(shù)據(jù)采集設(shè)備和應(yīng)用軟件主要流程包括，慣性傳感器→藍(lán)牙接收器→數(shù)據(jù)采集→數(shù)據(jù)自動截取→數(shù)據(jù)處理→運(yùn)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(guān)、濾波、譜估計等等都可通過 DFT 來實(shí)現(xiàn)。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(shù)，不能直接在計算機(jī)上做數(shù)字運(yùn)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(jīng)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(yīng)地定義二維離散傅里葉變換(DCT)及其反變換為 （29） （210） 的應(yīng)用 圖3是模擬遠(yuǎn)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(shù)[8~9] 將圖像信號讀入，經(jīng)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(biāo)識別等許多算法易于實(shí)現(xiàn)，然后對圖像信號的頻譜分布進(jìn)行分析，用Butterworth帶通濾波器和二維維納濾波進(jìn)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(yuǎn)程高空衛(wèi)星照片。根據(jù)上述公式,計算一個X(k），需要N次復(fù)數(shù)乘法和N1一次復(fù)數(shù)加法,而計算全部X(k）(0≤K≤N1),共需要,次復(fù)數(shù)乘法和N(N1)一次復(fù)數(shù)加法實(shí)現(xiàn)一次復(fù)數(shù)乘法需要四次實(shí)數(shù)乘法和兩次實(shí)數(shù)加法,一次復(fù)數(shù)加法需要兩次實(shí)數(shù)加法,因此直接計算全部共需要4次實(shí)數(shù)乘法和2N(N1),對實(shí)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(yùn)算量的問題變得至關(guān)重要. 為減少運(yùn)算量,提高運(yùn)算速度,就必須改進(jìn)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(jìn)行計算 （217） （218） 這時頻率分辨率己不受采樣點(diǎn)數(shù)的限制,f是一個連續(xù)的頻率。十細(xì)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(shù)字信號進(jìn)行建模的技術(shù)，它最大的好處在于它完善的數(shù)學(xué)模型框架以及現(xiàn)有成熟的自動訓(xùn)練和識別的相應(yīng)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(yùn)動產(chǎn)生的加速度信號都是三維信號，為了能應(yīng)用語識別領(lǐng)域已經(jīng)成熟的一維HMM 模型，人體運(yùn)動模式識別的研究人員想了各種方法將三維信號轉(zhuǎn)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(xùn)練 HMM模型典型結(jié)構(gòu)框圖如圖所示。最簡單的支持向量機(jī)只能對兩類線性可分的模式進(jìn)行識別，為了使其能夠應(yīng)用在非線性可分模式的識別，產(chǎn)生了核技術(shù)。鑒于 SVM 強(qiáng)大的分類識別能力，它也被研究人員應(yīng)用到基于加速度傳感器的人體運(yùn)動模式識別研究中 圖31 基于 HMM的手勢識別及訓(xùn)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(shù)據(jù)對象被正確分類，則不會有調(diào)整，聚類中心也不會有任何變化，這標(biāo)志著Jc已經(jīng)收斂，至此算法結(jié)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(jìn)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(xiàn)， 由于目標(biāo)函數(shù) Wn 存在局部極小值點(diǎn)， K － means 算法會陷入局部最優(yōu)解。為此， 學(xué)界提出了很多改進(jìn)的聚類收斂函數(shù)， 以期更加全面地反映聚類的質(zhì)量。針對該問題，學(xué)界提出多種改進(jìn)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(zhǔn)則函數(shù)來終止迭代過程,一般采用聚類誤差平方和準(zhǔn)則函數(shù),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(jīng)收斂,結(jié)束算法,否則轉(zhuǎn)入繼續(xù)執(zhí)行. SOM算法介紹生物學(xué)研究表明，在人腦的感覺通道上，神經(jīng)元的組織原理是有序排列的。Map，SOM），又稱Kohonen網(wǎng)絡(luò)。它通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。 最典