摘要：人体行为识别是一种通过获取和分析人体行为相关信息，判断人体行为状态的技术。人体行为识别有基于视觉和基于传感器两个方向。本研究是基于多传感器对人体进行行为识别。采用可穿戴式传感器，将其放置于人体有效部位实时采集数据，准确性高且便于携带，室内外皆可使用，不受环境因素限制。
关键词：行为识别 数据获取 阈值比对 蓝牙传输
1.引言
在物联网高速发展的时代，行为识别的应用越来越广泛，成了目前众多研究中必不可少的课题。本研究采用基于多传感器的方法，实现对人体行为的实时识别。相较于基于视觉的人体行为识别，基于传感器的行为识别方法具有人性化、获取数据自由等优点。但是，目前基于传感器的人体行为识别研究还有很多不足之处，比如应用范围局限于室内、受环境因素影响大、算法稳定性低、识别动作不精确等问题，因此，有必要对基于传感器的人体行为识别进行深入的研究。
本研究对于改善如下现状具有十分重要的意义：
1)20世纪90年代以来，中国的老龄化进程加快。65岁及以上老年人口从1990年的6299万增加到8811万，占总人口的比例由5.57%上升为6.96%，其中一半为空巢老人，平时无人照顾发生意外概率高，本研究可以对老人进行实时监控，实时获取老人行为信息。
2)当前社会患有心脏病等慢性疾病的人群越来越多，所需要的医疗费用和看护费越来越高昂且医护人员不足。本研究可以对病人状态实时监控，弥补医护人员的短缺。
3)本研究可以与VR技术相结合，更好的实现人机交互，带来更好的用户体验。
4)与当前的基于视频的人体行为识别相比，本研究采用可穿戴设备，便于携带，获取数据自由且费用低，持续时间长，存储量大。
2.系统设计
将5个九轴加速度传感器（三轴加速度+三轴角速度（陀螺仪）+三轴磁力计）分别置于人体的腰部（1个）、手腕（2个）、脚踝（2个）采集数据，获得使用者准确的动作信号和磁场数据。把采得的原始信号进行预处理，通过32位高性能MCU（集成了CPU和其他外围模块的微型控制单元）进行滤波。然后通过控制器驱动蓝牙将数据发送至单片机，经过编程调试，将输入数据与行为阈值（提前寻找多名志愿者实验，测得的各种行为阈值）进行比较后，得到行为结果并显示在手机APP上。
本研究采用五个加速度传感器采集数据，通过控制器触发蓝牙从机将数据发送至连接蓝牙主机的单片机，单片机内置Flash存储器，可以临时存储数据。单片机程序对输入数据进行分析处理，将结果通过蓝牙传送到手机。电路图如下：
3.数据处理
1)数据采集
为保证所获阈值数据的准确性，我们共寻求了100名志愿者，年龄[50,60][60,70]，身高[155 165][165 175]，体重[50 60][60 70]随机组合为8组，分别模仿站立、快走、慢走三种行动。这种分组确保了行为识别结果不因年龄，身高，体重造成较大误差。采集数据时,将五个传感器分别置于志愿者的双脚、双手和腰部，确保采集到每种行为的准确数据。每个志愿者分别模拟不同行为，每种行为至少重复采集60次，通过筛选保留最接近均值的50组数据，避免使其受随机因素的影响。同时我们采用上位机软件实时显示九轴加速度波形，方便根据波形直接去除有明显误差数据。三种行为加速度波形如下：
2)信号预处理
传感器采集到的原始信号较弱，易被噪声信号干扰，故传感器产生的随机漂移信号和抖动产生的噪声信号需要滤除，本研究采取卡尔曼滤波方法。
卡尔曼滤波根据系统状态空间表达式，利用前一时刻的观测值对状态进行估计，采用的最优估计准则是最小均方差。建立漂移信号的状态方程和观测方程，使用卡尔曼滤波算法，做出最优估计，从而达到滤波效果。算法步骤及核心公式如下：
4)阈值比较
数据通过蓝牙传送至单片机内后，单片机程序对输入数据与阈值数据进行比对，判断出当前行为。部分判断过程如图： 
5)输出结果
单片机接蓝牙从机通过蓝牙将分析结果传送至距离较近的手机上，手机APP显示行为结果，并将结果通过手机之间的无线传输，传送给需要人群，比如老年人使用者远方的子女，或者养老院的管理人员。
5结论
1)本研究使用多个九轴传感器，收集信号相对完整，行为识别结果更加精确。且可穿戴式设备适用性强，相对基于视频的行为识别而言，成本低，受环境影响小，不局限于室内，能在室外实现实时监护。
2)利用蓝牙装置把行为结果发送至手机上，并可以转发至多部手机，可实现不同人群对独居老人的实时监控，解决了老人、病人的看护问题。此外，用可穿戴设备代替家属和看护人员对其进行实时监控，解决了看护人员短缺的问题。
综上，本研究具有极大的科研价值和实用价值。
参考文献：
[1] 李景辉，杨立才.基于多传感器信息融合的人体姿态解算算法[J].山东大学学报(工学版),2013,第5期.
[2] 李艳飞.基于多传感器融合的人体定位与行为异常检测[D].硕士,2016.
[3] （美）W.R.科利斯著；闻贤姝译.计算机[M].原子能知识丛书,1982.03.
[4] 段梦琴.基于可穿戴传感器的人体行为识别方法研究[D].硕士,2014.
[5]Bulling A, Blanke U and Schiele B.A tutorial on human activity recognition using body-worn inertial sensors[J].ACM Computing Surveys (CSUR) , 2014, 46 (3) :33.
[6]Welsh, M.Codeblue:Wireless sensor networks for medical care, in:http://fiji.eecs.har-vard.edu/Code Blue/.2009.
[7]Yang G Z.Ubimon-ubiquitous monitoring environment for wearable and implantable sensors[J].2009.
论文作者:赵珊，何宏，吴治鑫，刘林霞，谭瑞
论文发表刊物:《科技中国》2017年12期
论文发表时间:2018/5/2
标签：传感器论文; 数据论文; 蓝牙论文; 人体论文; 阈值论文; 单片机论文; 信号论文; 《科技中国》2017年12期论文;