论文部分内容阅读
基于体感网的运动监测技术可以为用户提供有效的健康保护以及治疗手段,可以监测老年人日常运动,还可量化运动水平并为用户提供及时的生理信号反馈等。基于体感网的运动动作识别是最近几年新兴的一个研究领域,它主要利用传感器采集人体的生理信号,借助模式识别方法识别出不同的动作。本文基于多个惯性传感器节点采集的运动动作数据,针对运动动作识别过程中存在的一些问题展开了研究,主要研究内容如下,(1)提出了一种新的特征选择算法—改进的线性判别分析(MLDA)算法。传统的LDA特征选择算法在求解最优投影矩阵时存在误差扰动,本文提出的MLDA特征选择算法利用合同变换,解决了由于求解类内散布矩阵逆的特征值而产生的误差扰动,实验结果表明该算法可以有效的提高人体运动动作的识别精度。(2)提出了基于稀疏表示分类算法(SRC)和KSVD字典学习算法的KSVD-SRC分类器设计方法。如何提高运动动作的识别精度一直都值得深入研究。针对SRC算法中完备字典构造存在的缺陷,KSVD-SRC算法利用了 KSVD对原始完备字典进行更新,有利于获得更稀疏的系数向量,实验结果表明本文提出的方法优于传统的分类算法。(3)提出了一种多分类器多传感器分层融合算法。利用单一的分类器识别多个复杂的运动动作不一定能够获得理想的结果,针对上述问题,本文设计了一个分层融合模型,该模型包括分类器融合层和传感器融合层。每层的决策权重主要由熵值法获得。该融合模型可以有效的提高识别系统的识别精度以及鲁棒性。(4)提出了一个基于多惯性传感器的运动动作数据流的分割与识别框架。传感器采集的数据都是以数据流形式存在,若实现运动动作的监测,需要对数据流进行处理。针对这一问题,本文首先利用奇异值分解对数据流进行预分割处理。然后利用提出的MSHsim相似度量函数实现数据的精细分割,最后利用隐马尔科夫模型对分割后的数据进行识别。该框架具有较低的计算复杂度,并且该框架考虑了传感器数据的特征,可以有效的提高数据分割与识别的精度。