基于加速度传感器的人体前臂动作识别

民权职业技术教育中心 张金栋

基于加速度传感器的人体前臂动作识别

民权职业技术教育中心 张金栋

【摘要】针对人体前臂运动识别困难，识别率低的问题，且为了有效并快速提取人体上肢前臂的运动特征，设计了一种基于加速度传感器的人体前臂动作识别系统。首先利用加速度传感器来获取的加速度原始数据矩阵，采用分段线性分类器对运动特征矩阵进行动作识别。实验表明，本系统能够有效识别人体右手前臂向上，向下，向左，向右四种动作，且动作识别率达98%。

【关键词】加速度传感器；滤波；运动识别；特征提取

0.引言

目前主流的手势识别技术有：（1）采用机器视觉方式来识别肢体运动模式［1］。此方法在于静态运动模式上广泛应用［2］，但成本较高，对硬件设备要求高且算法设计复杂难于推广［3］；（2）基于表面肌电信号来识别肢体运动模式［4］。此方法多用于医疗康复［5］、运动控制［6］等领域，但表面肌电信号微弱，易受干扰，获取难度大［7］；（3）基于惯性传感器来识别肢体运动模式［8］。此方法在实时运动模式识别中广泛应用［9］，且受外界干扰因素较少，易于获取，只需佩戴具有惯性传感器的体感设备，或是手持手机，即可满足需求，因而便于在日常生活中得到推广［10］。因此，本系统采用基于加速度传感器来实现人体上肢前臂动作识别。

1.人体前臂动作识别系统总体设计

前臂动作识别系统由加速度原始数据采集［11］、加速度原始数据预处理、手势运动模式分类以及后续处理五部分组成［12］。

图1 前臂动作识别系统总体设计框图

2.前臂运动识别算法设计

图2 前臂运动识别算法流程图

前臂动作识别算法设计框图如图2所示。经过预处理后的数据，在抬手过程中，Y轴数据在负半轴有明显的变化趋势；在落手过程中，Y轴数据在正半轴有明显的变化趋势；在向左运动时，X轴数据在正半轴有明显变化趋势， Y轴数据在负半轴有明显的变化趋势；在向右运动时，X轴数据在负半轴有明显变化趋势， Y轴数据在负半轴有明显的变化趋势。图2就是利用这种数据差异来因而采用线性分段分类器与决策树来对这四种动作模式进行分类识别。

3.实验结果分析

实验中，为了测试算法的效率与通用性，挑选十名志愿者按照预定动作，即右手佩戴体感带有加速度传感器的体感手环，手心朝下做抬手，落手，向身体内侧运动，展开前臂四种动作自然运动，以个人习惯与力度每种动作做一百次，并与动态时间规划、隐马尔科夫链、线性判别分析三种算法的对比结果如表1所示。

表1 四种不同算法的识别结果

从表1可以看出，基于决策树分类器对前臂四种动作模式的平均识别率为98%，而基于动态时间规划、隐马尔科夫链、线性判别分析的平均识别率分别为：94%、92%和97%，基于决策树分类器的识别率最高。

4.结束语

本文针对基于加速度传感器的前臂运动识别设计了一种基于嵌人式系统的计算量小、个体适应性强的方法。该方法针对加速度原始数据进行了滤波和去重力场作用提取出动作特征数据，进而使用模式识别方法中的决策树实现了任意设备姿态下的前臂动作识别，且与动态时间规划、隐马尔科夫链、线性判别分析这三种分类器相比，识别准确率较高，识别率达98%。但由于加速度传感器数据通道数的限制和时域特征参数的限制，对于上肢前臂的动作识别还不够充分，例如手腕翻转、连续动作等，还不能有效识别。因此，在后续的工作中，针对加速度传感器在上肢前臂的安装位置与前臂动作的运动关系，深入研究在不同前臂动作下，采用多个加速度传感器数据融合技术来识别更多的前臂运动模式，并提高识别正确率。

参考文献

［1］赵泽彪，常丹华.基于DSP的穿戴式动作传感器的手势识别［J］.计算机工程与设计，2013，34（4）∶1250-1253.

［2］严焰，刘蓉，黄璐.基于HMM的手势识别研究［J］.华中师范大学学报（自然科学版），2012，46（5）∶555-559.

［3］荆雷，马文君，常丹华.基于动态时间规整的手势加速度信号识别［J］.传感技术学报，2012，25（1）∶72-75.

［4］Xu R Z，Zhou S L，Li W J.MEMS Accelerometer Based Nonspecific User Hand Gesture Recognition［J］.EEE Sensors Journal，2012，12（5）∶1166-1173.

［5］张建忠，常丹华.基于区间分布概率矩阵模型的动态手势识别方法［J］.测控技术与仪器仪表，2013，39（1）∶72-75.

［6］Yang Yu，Chen Xiang，Tu You-qiang，et a1.Human-machine interactionsystem based on surface EMG signals［J］.Journal of System Simulation，2010，22（3）∶651-655.

［7］万莎，侯文生，杨丹丹等.基于LabVIEW的多通道sEMG信号检测系统设计［J］.测控技术与仪器仪表，2012，38（3）∶78-81.

［8］肖茜，杨平，徐立波.一种基于MEMS惯性传感器的手势识别方法术［J］.传感技术学报，2013，26（5）∶611-615.

［9］陈意，杨平，陈旭光.一种基于加速度特征提取的手势识别方法［J］.传感技术学报，2012，25（8）∶1073-1078.

［10］Yuan Tao，Wang Ben Accelerometer Based Chinese Traffic Police Gesture Recognition System［J］.Chinese Journal of Electronics，2010（19）∶270-274.

［11］孙金秋，游有鹏，傅忠云.基于共轭梯度法和互补滤波相结合的姿态解算算法［J］.传感技术学报，2014，27（4）∶524-528.

［12］吕印新，肖前贵，胡寿松.基于四元数互补滤波的无人机姿态解算［J］.燕山大学学报，2014，38（2）∶175-180.

作者简介：

张金栋（1972—），男，河南民权人，大学本科，讲师，主要从事网络搭建及计算机软件开发方面的研究。