基於加速度感測器的人體行為識別系統的設計與實現的研究
在物聯網高速發展的時代，智慧醫療的應用越來越廣泛，因此，人體行為識別就變得越來越重要，成了目前眾多研究中必不可少的課題。人體行為識別有基於視覺的和基於感測器的兩個方向。本文中研究的基於加速度感測器的人體行為識別方法屬於後者，是人體行為識別研究中重要的一部分。相比較基於視覺的人體行為識別，基於感測器的行為識別方法具有人性化、獲取資料自由等優點。
行為識別的描述方法有3種，分別是基於模板匹配、統計模式識別和基於語義描述。最早期的人體行為識別方法是基於模板匹配方法，該方法常用的動態時間規整演算法(DTW)已經應用於步態識別。然而，統計模式識別方法與基於模版匹配方法相比，具有更高的識別精度，所以統計模式識別方法是基於加速度感測器的人體行為識別的常用識別方法。統計模式識別中常用的統計識別方法分別為：決策樹、K 近鄰、貝葉斯、SVM、神經網路和隱馬爾科夫模型(HMM)等，隱馬爾科夫模型已經在文獻[4]中應用於長期行為識別，文獻[5]中 SVM 演算法對人體行為識別的研究。目前加速度感測器已經被應用於各個領域中，本文所闡述的基於加速度感測器的人體行為識別系統是透過對加速度訊號進行處理和訊號特徵提取來獲得特徵矩陣，透過分析設計出分類器，從而將站立、行走、跑步、上樓、下樓這5種行為有效地進行識別。
1 訊號採集
要透過加速度的變化來識別人體當前的行為，就必須有一套成熟的系統和方法來獲取人在運動時的具體資料變化情況。而這樣的系統應該具備以下要求：受環境干擾較小，耐用性強;取樣頻率足夠高;裝置體積小，便於攜帶;能夠做到實時傳輸採集到的資料;裝置功耗足夠低等。
2 特徵提取
特徵提取是指在加速度訊號中透過訊號處理挖掘出一些反應人體運動狀態的資訊。特徵提取將訊號採集與行為分類連線起來，是人體運動狀態識別中的關鍵。基於近年來對於人體運動識別系統中訊號特徵的統計分析我們可以將加速度特徵提取的方法歸納為時域分析法、頻域分析法和時頻分析法 3 類。時域分析法是指從採集到的時域加速度資料中直接提取特徵向量。常用的時域特徵有均值、方差或標準差、兩軸相關係數等。
3 分類方法
現在的研究中有很多關於人體行為識別的方法，實際上在研究的試驗中用到的.有基於模板匹配的MEI、MHI、二維網路和 DTW，以及基於狀態空間的隱馬爾科夫及其改進模型、動態貝葉斯網路、人工神經網路以及支援向量機。
4 總結與展望
隨著科技的發展，加速度感測器已經具有體積小、質量輕、功耗小、成本低、可靠性高等特點。但還是有些需要解決的問題，例如：有些感測器需要固定在人體上，會給人的行動造成不便;實驗資料並不完全是人的自然活動;系統能夠識別的動作有限;基於加速度感測器的演算法穩定性不夠高等。
目前基於加速度感測器的人體行為識別的研究還不成熟，無論是硬體裝置，還是演算法都會有很大的發展空間，所以在這個方面的研究會有更加廣闊的未來。例如：訊號採集的感測器可以是組合感測器，這樣可以提高演算法的穩定性和廣泛性;特徵提取和行為分類的演算法還可以提高;還有就是把加速度的研究領域拓寬，儘快把實驗研究應用到使用中。