基于加速度传感器的人体运动模式识别是模式识别领域一个新兴的研究方向,其本质是首先通过一个或多个加速度传感器获取人运动时产生的加速度信号并通过蓝牙无线传输技术将数据传送到移动设备中,然后对数据进行预处理、特征提取和选择,最后根据提取的特征对运动进行分类和识别。但是,早期的研究工作为了能够获取较为全面的人体运动信息,使用多个加速度传感器放置在人身体的不同部位同时进行数据采集。由于需要在身体的多个部位穿戴传感器,大大地降低了佩戴者的舒适度。为了提高佩戴者的舒适度,也为了更好的降低系统的制造成本和数据的运算成本,本文采用单个加速度传感器进行人体运动模式识别。目前,基于加速度传感器的人体运动模式识别研究还处在一个相对基础的阶段,尽管基于加速度传感器的人体运动模式识别技术在近十多年来已经取得了极大的发展,但是,由于客观环境的多样性以及人体运动的复杂性使得人体运动模式识别研究还有很多亟待解决的问题摆在研究者面前,包括如何针对不同运动模式的细致分类及三维手写识别进一步研制新的识别技术,解决数据库的建立、有效特征提取、高效分类算法设计等识别难题。本文围绕着这些难点对基于加速度传感器的人体运动模式识别技术展开了一系列研究,主要工作包括:1.基于加速度传感器的人体运动识别是一个新兴发展起来的识别技术,目前还没有一个标准的数据库。本文构建了一批支持人体运动模式识别的基础数据,包括三维手写数据和人体动作数据。其中,支持人体动作识别研究的数据被命名为华南理工大学自然的基于加速度传感器的人体动作数据库(South China University of Technology-A Naturalistic 3D Acceleration-Based Activity Dataset),下文缩写为SCUT-NAA库。SCUT-NAA库的主页为:http://www.hcii-lab.net/data/scutnaa/。SCUT-NAA库为基于加速度传感器的动作识别研究提供了基本的训练和测试数据,也为不同算法性能的比较提供了一个标准的数据库。并且,SCUT-NAA库是第一款公开的基于三轴加速度传感器的人体动作数据库。该数据库包括44个不同采集者(34个男性,10个女性)的1278个样本。该数据库是在完全自然的条件下,仅用一个三轴加速度传感器,分别放置在采集者的腰带、裤子口袋、上衣口袋三个位置采集的数据。每类动作每个采集者只执行一遍,共采集了10类动作。而三维手写数据则包含60个不同采集者的180套数据样本。每套数据包括阿拉伯数字0到9,每个采集者每套数据书写三遍。2.提出了基于加速度传感器的三维手写识别的两种解决方法,即三维轨迹恢复和统计模式识别。第一种解决方法,利用无陀螺仪的惯性导航系统(INS)理论恢复手写字符的三维轨迹。因为没有陀螺仪,INS理论中的三个Euler角度只能由三轴加速度信号来估计。又由于加速度传感器的精度会随时间而发散,而在用INS估计位置Pn时,不可避免的要对时间t积分3次,从而使精度误差随时间快速增大。为了更正这种加速度传感器固有的误差,采用零速度补偿(ZVC)方法。最后,通过创造一个假想平面和旋转变换,把书写字符的三维轨迹投影到二维平面。第二种解决方法:利用统计模式识别的方法分类三维手写字符。提出了一种基于加速度传感器的虚拟手写数字特征提取及识别方法。该方法首先对书写时产生的三轴加速度信号投影,获得三个二维矢量。然后基于每个二维矢量提取反映加速度信号顺时针和逆时针旋转变化的特征点,并进行数字编码得到旋转特征码。接着采用归一化编辑距离来度量不同样本的旋转特征码间的差异,最后结合旋转特征和基于编辑距离的旋转特征码的距离测度,给出虚拟手写数字识别算法。与传统的时域原始特征、峰值谷值特征、FFT特征的识别性能对比实验表明本文方法的有效性。3.针对SCUT-NAA数据库,分别基于四种不同的特征和四种常用的分类器进行了基准评价。四种特征是FFT系数、DCT系数、时域特征(TF)以及自回归(AR)系数。其中,时域特征包括均值、标准差、能量和两轴的相关系数。四种常用的分类器分别是C4.5决策树(Decision Tree)、k近邻(k-NN)、朴素贝叶斯(NaiveBayes)以及SVM。四种特征的提取都是采用滑动时间窗的方法,将一个窗口长度为512个样本点的矩形窗滑过原始的加速度信号,相邻的窗之间重叠半个窗长。四种分类器都是采用留一交叉验证法(Leave-one-subject-out cross-validation)测试数据。实验结果发现:相比于跑、跳和静坐这三种动作95%以上的高识别率,有些动作则很难识别,而照成难识别的原因是相似动作之间的混淆分类。如上楼和下楼动作的混淆,走、快走及原地踏步之间的混淆。4.提出了一种解决上楼和下楼动作混淆问题的分类算法。首先,由于加速度传感器在随人一起运动时,会随机的旋转,导致加速度信号的竖直方向和重力方向不一致,为了有效地从竖直方向的加速度信号中提取特征,提出利用重力方向动态校正加速度信号的竖直方向。然后,从校正后的竖直分量中提取了四分位间距(IQR)和小波能量(WE)两种特征。并利用wrapper特征子集选择算法对提取的特征进行特征选择。用SVM分类器分类的结果表明:基于IQR和WE特征的分类算法能有效的区分上楼和下楼这两种动作,而且该特征对传感器的放置位置不敏感。利用IQR和WE特征,传感器放置在不同位置的平均识别率为95.64%,比传统时域特征的识别率提高了8.34%,比FFT系数的识别率提高了4.37%。即使将不同位置传感器的数据混合在一起,基于IQR和WE特征的平均识别率也达到了94.84%。5.提出了基于小波变换和分形分析的步态模式识别算法,重点是细分类三种走路模式,即正常走、快走和原地踏步。首先采用小波多分辨率分析的方法,对信号进行小波分解,然后从分解后的小波系数中提取了三种类型的特征。小波能量分布(Wavelet Energy Distribution)特征可以衡量三种步态模式在不同小波分解层的能量分布情况。基于小波系数估计的分形维数(Fractal Dimension)特征量化了不同小波尺度下细节系数的方差变化过程,因此利用分形维数可以衡量原始加速度信号的复杂性。小波峰(Wavelet Peak)特征反映了三种步态模式加速度信号的幅度。利用不同类型特征的互补特性,对于三种相似的步态模式,能达到98.41%的平均识别率,与时域和频域特征相比,本文提出的方法能显著提高识别性能。此外,本文还初步研究了上楼、下楼、正常走、快走和原地踏步这五种步态模式的识别问题。最后,提出了一种新颖的基于三轴加速度信号的应用——跳高高度估计。实验结果说明基于加速度传感器进行跳高高度估计是可行的,也是有效的。总的来说,基于加速度传感器的人体运动模式识别研究是穿戴式计算和普适计算的重要研究内容之一。该课题的研究具有重要的理论价值和实用意义,值得人们继续进行更细致、深入的研究。