基于EEMD和模糊LS-SVM的人體動作識別研究.pdf

1、在過去的10年里，隨著MEMS的迅猛發(fā)展，使得傳感器以及移動設(shè)備擁有了前所未有的特點(diǎn)。他們具備的高計(jì)算能力，小尺寸以及低成本等特性，使得人們與這些移動設(shè)備之間的交互成為日常生活的一部分。這就是普適傳感產(chǎn)生的原因，普適傳感的主要目的是從那些遍布的傳感器中獲得數(shù)據(jù)，并提取其中有用的信息。而在這個領(lǐng)域中，人體動作分析與識別尤其成為了炙手可熱的研究課題，其對醫(yī)療、體育競技、軍事、安全等有著重要的推動作用。
　　人體行為識別的研究是從上個世

2、紀(jì)90年代開始的。然而，在該領(lǐng)域仍然存在著許多問題，并不斷地激勵著人們找出新的技術(shù)用以提高識別精度。其中的一些挑戰(zhàn)是(1)如何選擇合適的測量屬性，(2)特征提取以及推理方法的設(shè)計(jì)，(3)如何靈活地支持新用戶的使用，而不需要重新訓(xùn)練系統(tǒng)，(4)如何實(shí)現(xiàn)在移動設(shè)備上同時滿足其能源和處理的要求[1]。
　　人體行為識別有兩種不同的實(shí)現(xiàn)形式，即利用外部傳感器或可穿戴式傳感器。在前者中，設(shè)備被固定在預(yù)定的地點(diǎn)，所以活動的推斷及識別完全取決于

3、用戶與傳感器的自愿互動。而在后者中，設(shè)備是固定在用戶身上的。慣性傳感器是可穿戴式傳感器在識別人體日常動作中最常用也是最有效的器件之一，這些傳感器可以提供可靠和客觀的人體活動測量數(shù)據(jù)。
　　本文提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和模糊最小二乘支持向量機(jī)(FuzzyLS-SVM)的人體日?；顒幼R別算法。首先，由多個無線慣性傳感器節(jié)點(diǎn)采集得到人體日常活動的運(yùn)動信號，接著對這些數(shù)據(jù)提取時域特征以及基于EEMD的時頻特征，再由SBM