三轴加速度传感器应用

三轴加速度传感器应用（精选6篇）

篇1：三轴加速度传感器应用

三轴加速度传感器的步态识别系统

近年来随着微机电系统的发展，加速度传感器已经广泛应用于各个领域并拥有良好的发展前景。例如在智能家居、手势识别、步态识别、跌倒检测等领域，都可以通过加速度传感器实时获得行为数据从而判断出用户的行为情况。

目前许多智能手机都内置多种传感器，通过预装软件就能够获得较精确的原始数据。本文提出一种基于三轴加速度传感器，用智能手机采集用户数据，对数据进行处理及特征提取获得特征矩阵并分类识别的方法，有效地识别了站立、走、跑、跳四种动作。

人体动作识别处理过程主要包含数据采集、预处理、特征提取和分类器识别数据采集数据采集和发送模块安装在用户端，另一个数据接收模块接在电脑终端上。

由于我们制作的采集模块很轻、很小，所以方便佩戴。当用户运动时，三轴加速度传感器会将据采集并通过无线方式发送给电脑接收模块，再通过电脑上的软件部分对采集到的数据进行分析处理，将结果输出，显示用户的实时状态。

本文使用的加速度传感器数据来自于共计６０个样本。传感器统一佩戴于腰间。本文选取了其中一位采集者的数据用于主要分析研究，其余两位采集者的数据则用于验证由第一位采集者数据研究所得的结论，这样的做法既减小了数据处理的繁杂又能保证最终结果的准确性。预处理应用程序设置的采集时间间隔为０．１ｓ，对每一个动作的采集时间为２５ｓ。考虑到用户在采集数据一开始与将要结束时的动作不平稳可能对数据带来较大影响，前２ｓ２ｓ采集的数据将被舍弃不予分析。因原始加速度信号一般都含有噪声，为了提高数据分析结果的准确性，通常在原始加速度信号进行特征提取前对其进行去躁、归一化、加窗等预处理。通过加窗处理，不仅规整了加速度信号的长度，而且方便研究人员按照需要选择适宜的信号长度，这样有利于后续的特征提取。

许多研究人员使所示。研究人员采集的加速度传感器信号由于采集者的动作力度不同造成加速度信号的幅度差异较大，这会对之后的分类识别造成负面影响，归一化技术可以调整加速度信号的幅度，按照一定的归一化算法可以使加速度信号的幅度限定在某一数值范围内，文献[２]在识别跑、站立、跳和走路这四种动作时对四种动作的加速度信号进行了归一化；文献[３]在进行手势识别时对手势动作的加速度信号进行了归一化处理。特征提取特征提取和选择模块的作用在于从加速度信号中提取出那些表征人体行为的特征向量，处于预处理模块和分类器模块之间，是人体行为识别过程中的一个重要环节，直接影响分类识别的效果。特征的提取方法具有多样性，对于不同的识别目的，研究人员会提取不同的特征，例如为了识别分类站立和跑步，研究人员通常会选取方差和标准差这类能够反映加速度信号变化大小的特征，而为了识别分类走路和跑步，研究人员通常会选取能量和均值这类能够反映加速度信号大小的特征。使用不同的特征表征行为会对分类识别效果产生不同的影响，因此寻找更加有效的特征一直是研宄人员关注的一个课题。通过查阅大量的文献，大致可以把加速度信号的特征概括为时域特征、频域特征和时频特征这三类本文选取了加速度的阈值作为识别不同动作的主要特征。每个加速度包含了轴的加速度信号，分别代表了前后、左右、上下这三位的加速度信号。我们都知道，人体日常行为的不同动作的剧烈程度是不相同的，动作的幅度自然不一样。因此本文主要选取加速度的阈值作为识别不同动作的主要特征。种动作数据的其中一个窗格，每个窗格时间跨度为３ｓ。由图个轴的加速度大小都不一样，而每个轴的加速度大小与方向又与加速度传感器佩戴在采集者身上的方向位置有关，因此不容易定性分析。而以合加速度的阈值作为用于主要分析的特征，则不用考虑个轴加速度的分量大小与方向，又可以使各个动作的幅值差异基于三轴加速度传感器的人体动作识别研究（广东第二师范学院物理系，广东广州５１０３０３）ＨｕｍａｎＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎＲｅｓｅａｒｃｈＢａｓｅｄＴｈｒｅｅ－ＤｉｍｅｎｓｉｏｎａｌＡｃｃｅｌｅｒｏｍｅｔｅｒ

摘要：提出一种基于三轴加速度传感器的人体动作识别方法，通过对采集到的数据进行预处理，提取多种统计特征包括标准差、阈值、偏度、峰度等进行分类识别。能够有效地识别站立、行走、跑、跳这四种人体基本日常行为动作。

关键词：人体动作识别，阈值，加速度传感器，特征提取

Abstract：Ｉｎｐａｐｅｒ,ａｍｅｔｈｏｄａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄ３Ｄａｃｃｅｌｅｒａｔｉｏｎｓｅｎｓｏｒｉｎｔｒｏｄｕｃｅｄ．Ａｆｔｅｒｓｅｎｓｏｒｄａｔａｃｏｌｌｅｃｔｅｄ,ｐｒｅｐｒｏｃｅｓｓｉｎｇ,ｍａｎｙｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｓｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ,ｔｈｒｅｓｈｏｌｄ,ｓｋｅｗｎｅｓｓｋｕｒｔｏ-ｓｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅｓｙｓｔｅｍｒｅｃｏｇｎｉｚｅｆｏｕｒｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｉｅｓ：ｓｔａｙｉｎｇ,ｗａｌｋｉｎｇ,ｒｕｎｎｉｎｇｊｕｍｐｉｎｇ．Keywords：ｈｕｍａｎａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｚｅ,ｔｈｒｅｓｈｏｌｄ,ａｃｃｅｌｅｒｏｍｅｔｅｒｄａｔａ,ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ*２０１５国家级大学生创新创业训练计划项目“基于三轴加速度传感器的人体动作识别研究资助（１４２７８１５０３７）加速度信号的加窗３１基于三轴加速度传感器的人体动作识别研究（上接第３０参考文献〔１〕张铎．自动识别技术应用案例分析〔Ｍ〕．武汉：武汉大学出版社，２０１０：５６－６７〔２〕范书瑞，李琦，赵燕飞．Ｃｏｒｔｅｘ－Ｍ３嵌入式处理器原理与应用〔Ｍ〕．北京：电子工业出版社，２０１１：３４－３６〔３〕汪浩．物联网的触点：ＲＦＩＤ技术及专利的案例应用〔Ｍ〕．北京：科学出版社，２０１０：３３－３９〔４〕Ｗｉｋｉｐｅｄｉａ．ＧｓｍＳｔａｎｄａｒｄ：ＧＳＭ,Ｓｈｏｒｔｍｅｓｓａｇｅｐｅｅｒ－ｐｅｅｒｐｒｏｔｏｃｏｌ,ＥｎｈａｎｃｅｄＤａｔａＲａｔｅｓＧＳＭＥｖｏｌｕｔｉｏｎ,ＩｎｔｅｌｌｉｇｅｎｔＮｅｔｗｏｒｋ[Ｍ]．ＧｅｎｅｒａｌＢｏｏｋｓＬＬＣ,２０１１：１２１－１２３〔收稿日期：２０１５．９．１〕一目了然。合加速度：ａ＝（ａ识别分类每个合加速度值以１ｇ作归一化处理后，合加速度都是９．８的相对值，没有了量纲。各动作的的阈值设定如图可以清楚地看出，站立动作的阈值都低于１．２，走的动作阈值则介乎１．２１．９之间，跑的动作阈值介乎１．９２．６之间，跳的阈值则是高于２．６。基于这种动作的阈值差异与设定值，可以设定如图的基本算法。每３ｓ导入一次数据，每次数据的时间跨度设定为一个窗格（即３ｓ）。支持向量机ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）是Ｃｏｒｔｅｓ１９９５年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其它机器学习问题中。它是建立在统计学习理论的ＶＣ维理论和结构分险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能。支持向量机对于线性不可分的情况，通过使用非线性映射算法，将低维输入空间特性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。特别在解决小样本、非线性及高维模式识别中表现出许多特有的优势结束语本文提出了一种基于三轴加速度传感器的人体动作识别研究方法，通过对数据进行归一化、加窗等预处理，提取合加速度的阈值特征，利用支持向量机进行分类识别，有效地识别了站种动作，平均识别率能达到９５％，证明了此方法的有效性。本文未来的研究工作还可以对数据的预处理进行优化，引用更多更全面的方法对数据去躁；此外，本文对数据的特征提取仍过于单一，未来可考虑引入四分位差、偏度、峰度等特征，把走再细分为上楼与下楼，设计更严谨的算法，充分考虑算法的实时性与准确性，提高对各种动作的识别分类。参考文献〔１〕ＹａｎｇＰ．Ｕｓｉｎｇａｃｃｅｌｅｒａｔｉｏｎｍｅａｓｕｒｅ-ｍｅｎｔｓａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ：Ａｎｅｆｆｅｃｔｉｖｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｃｏｎｓｔｒｕｃｔｉｎｇｎｅｕｒａｌｃｌａｓｓｉｆｉｅｒｓ[Ｊ]．Ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｌｅｔｔｅｒｓ,２００８,２９(１６)：６４２２１３－２２２０〔２〕ＨｅＡｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍａｃｃｅｌｅｒａｔｉｏｎｄａｔａｕｓｉｎｇＡＲｍｏｄｅｌｒｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄＳＶＭＭａｃｈｉｎｅＬｅａｒｎ-ｉｎｇＣｙｂｅｒｎｅｔｉｃｓ,２００８ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅＩＥＥＥ,２００８,４：２２４５－２２５０〔３〕刘蓉，刘明．基于三轴加速度传感器的手势识别〔Ｊ〕．计算机工程，２０１１，３７（２４）：１４１－１４３〔４〕ＨｓｕＣｈｉｈ－Ｗｅｉ,ＣｈａｎｇＣｈｉｈ－Ｃｈｕｎｇ,ＬｉｎＣｈｉｈ－Ｊｅｎ．ｐｒａｃｔｉ-ｃａｌｇｕｉｄｅｓｕｐｐｏｒｔｖｅｃｔｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎＢｉｏｉｎｆｏｒｍａｔｉｃｓ,２０１０,１(１)：１－１６〔５〕吴青，赵雄．一类新样条光滑支持向量机〔Ｊ〕．西安邮电大学学报，２０１３，１８（６）：６８－７４〔６〕徐川龙，顾勤龙，姚明海．一种基于三维加速度传感器的人体行为识别方法〔Ｊ〕．计算机系统应用，２０１３，２２（６）：１３２－１３５〔７〕衡霞，王忠民．基于手机加速度传感器的人体行为识别〔Ｊ〕．西安邮电大学学报，２０１４．０６．０１５〔收稿日期：２０１５．８．４〕

篇2：三轴加速度传感器应用

技术分类： 测试与测量| 2008-06-17

意法半导体公司模拟、功率与微机电组件产品市场经理 郁正德: EDN China

目前，随着iPod、iPhone、Sony PS3，以及Wii等游戏和娱乐类系列消费类产品的成功和热销，业界普遍预测微机电系统（MEMS，Micro Electro-Mechanical System）类产品将成为半导体行业的下一个高速增长点。MEMS带来的的操作、功耗，和尺寸上的革命性变革是其成功进入消费类电子市场的关键。其使更具创新性的电子产品设计成为可能，而且能给用户带来全新的使用体验。

以上提到的产品中都应用了加速度传感器作为动作操控和UI操作的接收装置。在Wii和PS3中，加速度传感器可以灵敏地感测游戏者的动作，并将其转换为游戏中的虚拟人物、物品或交通工具的动作和状态等并显示在画面中。iPod和iPhone中的加速度传感器则可以根据用户的动作而相应地对菜单进行操作，例如调整页宽和改变内容显示方向等。

目前3轴加速度传感器的单位售价已降至1.5美元以下，相信在更大的需求量条件下有望突破1美元。较低的成本在以价格为主导的消费电子市场必将成为优势之一。车身安全、控制及导航系统中的应用

加速度传感器在进入消费电子市场之前，实际上已被广泛应用于汽车电子领域，主要集中在车身操控、安全系统和导航，典型的应用如汽车安全气囊（Airbag）、ABS防抱死刹车系统、电子稳定程序（ESP）、电控悬挂系统等。

目前车身安全越来越得到人们的重视，汽车中安全气囊的数量越来越多，相应对传感器的要求也越来越严格。整个气囊控制系统包括车身外的冲击传感器（Satellite Sensor）、安置于车门、车顶，和前后座等位置的加速度传感器（G-Sensor）、电子控制器，以及安全气囊等。电子控制器通常为16位或32位MCU，当车身受到撞击时，冲击传感器会在几微秒内将信号发送至该电子控制器。随后电子控制器会立即根据碰撞的强度、乘客数量及座椅/安全带的位置等参数，配合分布在整个车厢的传感器传回的数据进行计算和做出相应评估，并在最短的时间内通过电爆驱动器（Squib Driver）启动安全气囊保证乘客的生命安全。除了车身安全系统这类重要应用以外，目前加速度传感器在导航系统中的也在扮演重要角色。专家预测便携式导航设备（PND）将成为中国市场的热点，其主要利于GPS卫星信号实现定位。而当PND进入卫星信号接收不良的区域或环境中就会因失去信号而丧失导航功能。基于MEMS技术的3轴加速度传感器配合陀螺仪或电子罗盘等元件一起可创建方位推算系统（DR, Dead Reckoning），对GPS系统实现互补性应用。

硬盘抗冲击防护

目前由于海量数据对存储方面的需求，硬盘和光驱等元器件被广泛应用到笔记本电脑、手机、数码相机/摄相机、便携式DVD机、PMP等设备中。便携式设备由于其应用场合的原因，经常会意外跌落或受到碰撞，而造成对内部元器件的巨大冲击。

为了使设备以及其中数据免受损伤，越来越多的用户对便携式设备的抗冲击能力提出要求。一般便携式产品的跌落高度为1.2~1.3米，其在撞击大理石质地面时会受到约50KG的冲击力。虽然良好的缓冲设计可由设备外壳或PCB板来分解大部分冲击力，但硬盘等高速旋转的器件却在此类冲击下显得十分脆弱。如果在硬盘中内置3轴加速度传感器，当跌落发生时，系统会检测到加速的突然变化，并执行相应的自我保护操作，如关闭抗震性能差的电子或机械器件，从而避免其受损，或发生硬盘磁头损坏或刮伤盘片等可能造成数据永久丢失的情况。

消费产品中的创新应用

3轴加速度传感器为传统消费及手持电子设备实现了革命性的创新空间。其可被安装在游戏机手柄上，作为用户动作采集器来感知其手臂前后、左右，和上下等的移动动作，并在游戏中转化为虚拟的场景动作如挥拳、挥球拍、跳跃、甩鱼竿等，把过去单纯的手指运动变成真正的肢体和身体的运动,实现比以往按键操作所不能实现的临场游戏感和参与感。此外，3轴加速度传感器还可用于电子计步器，为电子罗盘（3D Compass）提供补偿功能，也可用于数码相机的防抖。以上提到的种种创新应用使其成为下一代产品设计中必不可少的元件。

1．姿态与动作识别

3轴加速度传感器的应用范围很广，除了文中提到的游戏动作操控外，还能用于手持设备的姿态识别和UI操作。例如借助3轴加速度传感器，手持设备可实现画面自动转向。iPod Touch就内建了此功能，设备显示的画面和信息会根据用户的动作而自动旋转。其通过内部传感器对重力向量的方向检测来确定设备处于水平或垂直状态，并自动调整显示状态，给用户带来方便。

传感器对震动的感知性能也可将以前传统的按键动作变化为震动，用户可通过单次或多次震动来进行功能的选择，如曲目的选择、音量控制等。此外，该功能还可扩展至对用户界面元素的操控。如屏幕显示内容的上下左右等方向的浏览可通过倾斜手持设备来完成。

2．趣味性扩展功能

3轴加速度传感器对用户操控动作的转变还可转化为许多趣味性的扩展功能上，如虚拟乐器、虚拟骰子游戏，以及“闪讯”（Wave Message）等。虚拟乐器内置的加速度传感器可检测用户对手持设备的挥动来控制乐器的节奏和音量等；骰子游戏也采用类似的原理，通过

对挥动等动作的感知来控制虚拟骰子的旋转速度，并借助内部数学模型抽象的物理定律决定其停止的时间。

“闪讯”是一个更富有想象力的应用，用户可利用此功能在空中进行文字编辑。“闪讯”即让手持设备通过加速度传感器捕捉用户在空中模拟写字的快速动作，主要适合较暗的环境下使用。手持设备上会安装发光的LED，由于人眼视网膜的视觉暂留现象，其在空中挥动的动作会在其眼中留下短暂的连续画面，完成写字的所有动作笔顺。

3．功耗控制

功耗一直是便携设备设计中要考虑的重要因素，内置3轴加速度传感器则使设备可通过检测设备的使用状况来对其用电模式加以控制，从而有效延长电池的使用时间。Thelma制程技术

成熟的制程技术是3轴加速度传感器和其他MEMS产品在消费电子产品市场成功的关键之一。目前，为了达到产量及质量控制的严格要求，充分利用全球半导体产业界的制造和材料资源，以及生产流程控制经验，MEMS类元器件大多采用标准的CMOS半导体制造技术，这样不但能使其生产制造从规模经济中受惠，还能让MEMS元器件随光照制程的微型化先进制程不断演进和发展，产品体积更小。

然而在制程技术上，MEMS类组件的生产与其它一般芯片有所差异。早期的MEMS产品制造中多采用单晶硅为材料，和比较简单且稳定的体型微加工（Bulk Micro-Machining）技术，缺点是制造成本较高。目前的制造技术比较接近集成电路半导体的制程，多采用多晶硅表面微加工（SuRFace Micro-Machining）科技，使成本有效降低，而且加工的精度和分辨率均更加出色。

各厂家的MEMS类元件制程技术虽然在工艺和加工设备上较类似，大都采用文中提到的CMOS制程与表面微加工技术，但为了与自身的生产制造特点相符，制造商往往会根据自己的经验开发出其特有的生产加工平台及相应的流程，以实现缩短生产周期、提高产品质量和降低加工成本的目的。

Thelma制程技术，即厚磊晶层（Thick Epitaxial Layer for Micro-Gyroscopes and Accelerometer）技术，是ST发展出的专有表面为加工制程，主要针对高灵敏度、高探测范围的加速度传感器和陀螺仪等MEMS元器件的生产加工。其通过运用深度蚀刻技术及牺牲层（Sacrificial-Layer）等理论，可在微型装置中加工出能实现各种动作的精密机械机构。Thelma制程技术主要包含六个主要步骤：基底热氧化、水平互连的沉积与表面图样化

(Patterning)、牺牲层的沉积与表面图样化、结构层的磊晶生长、用通道蚀刻将结构层图样化、以及牺牲层的氧化物去除，与接触金属化沉积。

多晶硅材料具有良好的耐疲劳性及抗冲击性，且采用CMOS制程除了能带来较低的成本、更稳定的加工流程，芯片与传感器的功能相独立还保证了设计上的灵活性。独特的Thelma技术还可提供完整的铸模封装，使生产出的元器件具有极可靠的物理性质，能制造出最佳的制止器（Stopper），降低电极之间的静电摩擦等风险。与传统工艺相比较，Thelma技术可以减少芯片面积，因而克服体型微加工过程中常见的设计局限。此外，其会生长出一块厚度约15微米（um）的多晶硅磊晶层。该硅结构在增加厚度的同时也增加了垂直表面积，因而增大平行于基底的静电启动器的总电容值。

加速度传感器技术原理

MEMS换能器（Transducer）可分为传感器（Sensor）和致动器（Actuator）两类。其中传感器会接受外界的传递的物理性输入，通过感测器转换为电子信号，再最终转换为可用的信息，如加速度传感器、陀螺仪、压力传感器等。其主要感应方式是对一些微小的物理量的变化进行测量，如电阻值、电容值、应力、形变、位移等，再通过电压信号来表示这些变化量。致动器则接受来自控制器的电子信号指令，做出其要求的反应动作，如光敏开关、MEMS显示器等。

目前的加速度传感器有多种实现方式，主要可分为压电式、电容式及热感应式三种，这三种技术各有其优缺点。以电容式3轴加速度计的技术原理为例。电容式加速度计能够感测不同方向的加速度或振动等运动状况。其主要为利用硅的机械性质设计出的可移动机构，机构中主要包括两组硅梳齿（Silicon Fingers），一组固定，另一组随即运动物体移动；前者相当于固定的电极，后者的功能则是可移动电极。当可移动的梳齿产生了位移，就会随之产生与位移成比例电容值的改变。

如图结构中，当运动物体出现变速运动而产生加速度时，其内部的电极位置发生变化，就会反映到电容值的变化（ΔC），该电容差值会传送给一颗接口芯片（InteRFace Chip）并由其输出电压值。因此3轴加速度传感器必然包含一个单纯的机械性MEMS传感器和一枚ASIC接口芯片两部分，前者内部有成群移动的电子，主要测量XY及Z轴的区域，后者则将电容值的变化转换为电压输出。

文中所述的传感器和ASIC接口芯片两部分都可以采用CMOS制程来生产，而在目前的实际生产制造中，由于二者实现技术上的差异，这两部分大都会通过不同的加工流程来生产，再最终封装整合到一起成为系统单封装芯片（SiP）。封装形式可采用堆叠（Stacked）或并排（Side-by-Side）。

手持设备设计的关键之一是尺寸的小巧。目前ST采用先进LGA封装的加速度传感器的尺寸仅有3 X 5 X 1mm，十分适合便携式移动设备的应用。但考虑到用户对尺寸可能提出的进一步需求，加速度传感器的设计要实现更小的尺寸、更高的性能和更低的成本；其检测与混合讯号单元也会朝向晶圆级封装（WLP）发展。

下一代产品的设计永远是ST关注的要点。就加速度传感器的发展而言，单芯片结构自然是必然的趋势之一。目前将MEMS传感器与CMOS接口芯片整合的过程是最耗费成本的加工环节，如果能实现单芯片的设计，其优点不言而喻，封装与测试的成本必然会大幅度降低。加速度传感器选用要点

加速度传感器针对不同的应用场景，也在特性上体现为不同的规格。用户需根据自身的具体需要选取最适合的产品。如上文提到的汽车车身冲击传感器或洗衣机等家电的振动传感器等来说，需选用高频（50~100Hz）的加速度传感器；对于硬盘的跌落和振动保护，需要中频（20~50Hz）以上的加速度传感器；而手持设备的姿态识别和动作检测只需低频（0~20Hz）产品即可。

线形加速度传感器的选取还需要考虑满量程（Full Scale，FS）、灵敏度及解析度等元件的特性。满量程表示传感器可测量的最大值和最小值间的范围；灵敏度与ADC等级有关，是产生测量输出值的最小输入值；解析度则表示了输入参数最小增量。

除此之外，加速度传感器按输出的不同还可分为模拟式和数字式两种。其中模拟式加速度传感器输出值为电压，还需要在系统中添加模数转换（ADC）；数字式加速度传感器的接口芯片中已经集成了ADC电路，可直接以SPI或I2C等实现数字传输。数字式产品在成本上也有一定优势，因为高质量ADC通常比较昂贵，价格甚至可超过传感器部分的单独售价。结论

篇3：三轴加速度传感器应用

近年来,人们对智能交互和健康监护等方面的需求日益迫切,使得基于加速度传感器的人体行为识别[1,2]在医疗保健、运动监测、能耗评估等领域受到了广泛的关注。与其相对的是基于计算机视觉的行为识别[3,4],相比之下,前者更能体现人体运动的本质,并且不受场景或者时间的限制,携带方便,成本较低,更适合推广应用[5]。

在人体行为识别中,行为分类器的构建对识别结果是至关重要的。目前,大部分的研究集中在对分类器构建算法的改进和优化上,采用的数据只是少部分比较集中的人的加速度来构建通用模型,并没有考虑到人体多样性等实际问题。

人体多样性简单地表现在性别、年龄、身高、体重等物理方面,更深入地表现在家庭背景及其行为方式等。Nicholas D.Lane等人[6]研究了人体多样性对行为识别的影响,作者在模型训练阶段采用相似度的概念,通过使用与用户相似度高的多人的原始加速度数据训练模型,达到数据分享的目的,但是计算量较大,所需时间较长。郭忠武等人[7]以健康青年人为研究对象,通过获取步态运动学参数,比较了男女之间步态的差异,得出了两性之间大多数步态参数的数值存在显著性差异的结论,并且分析了步态参数与身高、体重的相关性。也说明了年龄的不同对步态也会有不同程度的影响。

在日常活动中,人们会根据个人习惯将手机放在某个位置,常见的有上衣口袋、裤口袋、包中和手中,赵中堂[8]研究了多个设备被同时部署在人体不同位置的情况,得到了不同位置加速度不相同的结论。在过去的研究中,上面提到的四个手机位置被经常用到,但是并没有人说明究竟哪个位置对行为识别是最好的,因此大部分情况下建议使用多个传感器来提高识别精确度[9]。Ling Bao等人[10]使用五个二轴加速度传感器放在受试者身体的不同部位进行了无监督的数据采集。

针对以上问题,本文进行了基于人体多样性的行为分类和预测。将所有训练好的模型保存起来,用户输入基本信息后可立即获取对应的模型进行识别,不仅可以减少计算量,也减少了所需时间。

2人体行为识别过程(Human action recognition process)

人体行为识别主要包括模型训练和识别阶段,具体包括数据采集、数据预处理、特征提取和选择、模型训练、分类器识别五个模块。首先利用手机加速度传感器采集人体行为的原始加速度数据,为了提高识别精确度,需要对原始加速度数据进行去噪处理,然后提取并选择原始加速度数据的时域和频域特征,接着使用模型分类算法实现模型的训练和最终的行为预测识别。整个行为识别过程如图1所示。

2.1数据采集与预处理

根据实验需要,共采集了80个人的走路、跑步、上楼、下楼和静止的原始加速度数据,其中,性别包括男女,年龄包括两个区间段[20,30]、[50,60],身高包括两个区间段[160,170]、[170,180],体重包括两个区间段[55,65]、[65,75]。因此,根据性别、年龄、身高、体重,共有16种组合,本文选取了其中的5种组合,每种组合的志愿者数量为10人。

采集数据的过程中,为了覆盖人们常用的四个位置,共使用四部手机,均是小米公司生产的Redmi Note 3,以消除不同手机对结果产生的可能影响。在每个志愿者的每种行为中,分别将四个手机放到上衣口袋、裤口袋、手中和包中。要求志愿者的每种行为能够采集到80条数据,经过筛选后能够保证有70条数据。整个过程由志愿者独立完成,没有受到其他因素的干扰,以保证数据的质量。

为了方便加速度数据的采集,我们团队自己开发了一款手机APP,它不仅能够完成数据的采集,并且能够实时查看志愿者采集到的加速度数据的波形,可以根据波形进行数据的筛选。添加采集对象界面、设置界面、采集界面和加速度展示界面分别如图2(a)—图2(d)所示。

实际采集的加速度数据一般都有噪声,需要进行预处理,预处理的方法通常有平滑、去噪、归一化、加窗等。本文为了提高识别精确度,使用了带通滤波、频谱滤波(自定义,即选取频域中峰值较大的前四个),处理后可获得更加平滑的数据。

为了方便下一步的特征提取,本文使用加窗的方法分割原始加速度信号,使用窗口长度为256个样本点的矩形窗分割原始加速度信号,加速度信号的采样频率为64Hz,所以,加窗后的每个加速度信号的时间跨度为四秒,足以包含单个完整的动作。

2.2特征提取与选择

实验共提取了19个特征值,选择使用了13个特征,其中,时域特征包括过均值率、平均值、最小值、四分位距、绝对平均差、中位数,对原始加速度数据进行了快速傅里叶变换后,获得的频域特征包括质心、能量、熵、谱峰位置、标准差、平均值、偏度。

首先,由于人们放置手机的位置是不确定的,并不能保证手机的朝向和角度保持不变,而朝向和角度的改变会导致加速度传感器读数的多变性,进而影响数据分布的复杂性,进一步影响到后续步骤建立的行为识别模型的复杂性。为了消除朝向和角度的影响,我们对每个时刻的加速度进行合成。当某个时刻加速度传感器的读数为(ax,ay,az)时,合成加速度为:

主要特征值的计算公式如下:

(1)平均值

(2)绝对平均差

(3)标准差

式中,N为样本数,X为样本平均值,标准差是经常被使用的统计特征之一。标准差反映了加速度传感器数据的离散程度。由于人在静止时加速度数据是基本不变的,标准差几乎为零,而在运动时加速度数据会不停变化,其标准差总是远远大于零,因此标准差是识别静止与运动的重要特征。

(4)偏度

式中,N为样本数,X为样本平均值,σ为样本标准差。偏度是用来度量加速度传感器数据分布偏斜方向和程度的统计特征。

(5)熵

一般用于当行为间的能量相似时提供辅助的区分能力,其计算方法为:对信号X经离散傅里叶变换后,将各分量幅度的信息熵进行归一化。

2.3模型训练及识别算法

人体行为识别中,模型训练通常有两种方法,一是构建一个通用的模型,二是为每个用户构建一个个性化的模型。前者省时省事,更易于实现,但是没有考虑到人体多样性的问题,是以降低识别精确度为代价的,并不能满足大多数人的需求;后者与前者相比,识别精确度比较高,但是在模型的建立中,需要用户过多地参与,即通过采集训练人的加速度数据训练出个性化的模型,增加了用户的负担。

本文采集了多种多样的人的原始加速度数据,进行了多个模型的训练,可以根据用户的基本信息为其选择一个最优的分类模型。此举不仅减少了用户的负担,也提高了识别的精确度。

本文采用的模型训练及识别算法是著名的SVM(Support Vector Machine,支持向量机)。在机器学习领域,SVM是一个有监督的学习模型,通常用来进行模式识别、分类和回归分析。SVM通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少情况下亦能获得良好统计规律的目的。

3实验结果(The experimental results)

实验根据人体的多样性,通过训练多个模型,再根据每个用户的基本信息寻找出最匹配的模型。

性别、年龄、身高、体重四个变量中只有一个变化时,加速度数据的比较分别如图3—图6所示。

以上四张图直观地表明了性别、年龄、身高、体重的不同对加速度值的直接影响。

经过不断地实验,将年龄、身高、体重的区间长度均定为10,即年龄包括两个区间段[20,30]、[50,60],身高包括两个区间段[160,170]、[170,180],体重包括两个区间段[55,65]、[65,75],再加上性别区分,根据定量的思想选择不同的组合,每个组合随机选出九个人的数据做训练集,剩余一个人的数据做测试集,训练出模型后,使用对应的测试集得到识别精确度,另外使用所有人的数据训练出一个通用模型得到精确度,并且和只有一个属性不同时的模型精确度作比较,模型编号和测试集编号对应关系如表1所示。

其中身高的单位是厘米,体重的单位是千克,编号1和2只有性别不同,1和3只有年龄不同,2和4只有身高不同,1和5只有体重不同。测试结果如表2所示。

从表2数据可以得出结论:性别、年龄、身高、体重对行为识别的精确度是有影响的,对应区间的精确度高于通用模型和相对区间的精确度。

从每个组合中重新选择训练集和测试集进行多次实验,然后从所有数据集中再选择出其他组合进行同样的实验,得到的最终结论是一样的,充分证明了本文提出的方法的正确性。

4结论(Conclusion)

本文针对当前设计模型的不足,提出了使用智能手机三轴加速度传感器采集数据和SVM分类算法进行基于人体多样性的行为识别的思想,通过将性别、年龄、身高、体重四个人体多样性因素进行区间划分,使得每一类人都有一个对应的模型,不仅能够保证模型具有普遍性,也提高了识别精度。在实验过程中,我们同样考虑到加速度传感器种类和所放位置对行为识别的影响,并采取了相应的措施,以尽可能考虑到实际情况的复杂性。本文通过与通用模型和相对模型的识别结果进行比较,证明了本文方法的可行性。

参考文献

[1]Palaniappan A,Bhargavi R,Vaidehi V.Abnormal Human Activity Recognition Using SVM Based Approach[C].International Conference on Recent Trends in Information Technology,2012:97-102.

[2]Wei H X,He J,Tan J D.Layered Hidden Markov Models for Real-time Daily Activity Monitoring Using Body Sensor Networks[J].Knowledge and Information Systems,2011,29(2):479-494.

[3]Qian H M,et al.Recognition of Human Activities Using SVM Multi-class Classifier[J].Pattern Recognition Letters,2010,31(2):100-111.

[4]Khan Z A,Sohn W.Abnormal Human Activity Recognition System Based on R-transform and Kernel Discriminant Technique for Elderly Home Care[J].IEEE Transactions on Consumer Electronics,2011,57(4):1843-1850.

[5]王洪斌.基于三轴加速度传感器的人体行为识别研究[D].无锡:江南大学,2014.

[6]Nicholas D.Lane,et al.Community Similarity Networks[J].Personal and Ubiquitous Computing,2014,18(2):355-368.

[7]郭忠武,等.正常青年人步态运动学参数的研究[J].中国康复理论与实践,2002,8(9):532-533;544.

[8]赵中堂.自适应行为识别中的迁移学习方法研究[D].北京:中国科学院大学,2013.

[9]K.Van Laerhoven,A.Schmidt,H.-W.Gellersen.Multisensor Context Aware Clothing[C].Proceedings of the Sixth International Symposium on Wearable Computers,2002:49-56.

篇4：三轴加速度传感器应用

关键词：三轴加速度传感器；行为监测；无线传感器网络

中图分类号：TP274+.2 文献标志码： A 文章编号：1002-1302（2015）07-0434-03

动物行为能一定程度反映动物机体对环境的适应情况，是动物福利评价的重要指标，因此定量测量动物的行为具有重要意义，将以加速度传感器为主的采集节点的设计用于运动行为监测方面具有一定应用价值。

三轴加速度传感器在人体运动行为、能量消耗等方面的应用研究开展比较早[1]，常将传感器节点做成穿戴式[2]，戴在手腕上[3]、腰部或是内嵌到特制的衣服、鞋里面[4]，同时测量x、y、z 3个轴的加速度值，来判断人体的手臂和走步姿态及用于检测老人的跌倒行为[5-6]。但在动物行为监测方面的应用相对较少。2010年，Cornou等开始利用布带把三轴加速度传感器和蓝牙模块固定在母猪颈部，将采集到的运动信息传输给PC机进行行为分类[7]。国内华南农业大学尹令等以牛作为研究对象，基于三轴加速度传感器开发了无线传感器网络进行奶牛行为特征监测，用于判断奶牛发情和疾病状况[8]。南京农业大学刘龙申开展了母猪产前行为监测的研究，通过站卧姿态变化次数和筑窝行为来预测母猪的分娩时间[9]。

本研究利用三轴加速度传感器MMA7361与无线发射模块CC2430设计了1个运动信号的采集节点，实现对动物个体日常活动的数据记录，为进一步数据的传输和行为模式分析提供基础数据保障。

1 系统网络结构

个体行为的无线监测网络由无线传感器网络、GPRS/3G网络和监测中心组成（图1）。传感器节点作为无线传感器网络中的数据源，节点上配有MMA7361，可布置在监测个体身体的任意位置，便于用布带固定在动物颈部或脚踝处，实现对个体运动参数的采集。网关节点汇聚来自传感器节点的数据，并通过GPRS/3G网络发送给监测中心的服务器进行进一步行为分析。

2 模块的选择和确定

2.1 加速度传感器

基于运动行为监测系统的设计需要，加速度传感器要采集各监测对象的实时加速度值。根据加速度传感器灵敏度及功耗的需要，在无线加速度传感器网络节点的设计中需要选择一款体积小、质量轻、低功耗、便于佩戴的高灵敏度加速度

传感器。经过对同类传感器各方面的比较，本研究選用了MMA7361三轴加速度传感器。

MMA7361L[10]是飞思卡尔公司（Freescale）推出的一款超低功耗、小型电容式的微机械加速度传感器，可提供模拟电压输出的x、y和z三轴加速度传感器。该传感器可以采用 15 g 或6 g灵敏度重力选择模式，具有信号调理、一阶低通滤波、温度补偿、自检、带有线性自由落体检测和零重力检测等功能。工作电压为2.2～3.6 V，工作电流为400 μA，设置为睡眠模式时工作电路仅为3 μA。通过MMA7361L可以测量出任意时刻3个方向的加速度分量。

2.2 ZigBee模块

CC2430[11]是一颗真正的系统芯片（SoC）CMOS 解决方案。这种解决方案能够提高性能并满足以ZigBee为基础的2.4 GHz ISM 波段应用对低成本、低功耗的要求。它结合1个高性能2.4 GHz DSSS（直接序列扩频）射频收发器核心和1颗工业级小巧高效的8051控制器。

CC2430芯片延用了以往CC2420芯片的架构，在单个芯片上整合了ZigBee射频（RF）前端、内存和微控制器。它使用1个8位MCU（8051），具有32/64/128 kB 可编程闪存和 8 kB 的RAM，还包含模拟数字转换器（ADC）、几个定时器（timer）、AES128 协同处理器、看门狗定时器（watchdog timer）、32 kHz 晶振的休眠模式定时器、上电复位电路（Power On Reset）、掉电检测电路（brown out detection）以及21 个可编程I/O 引脚。

CC2430芯片采用0.18 μm CMOS 工艺生产，工作时的电流损耗为27 mA；在接收和发射模式下，电流损耗分别低于27、25 mA。CC2430的休眠模式和转换到主动模式的超短时间的特性，特别适合那些要求电池寿命非常长的应用。

3 加速度传感器节点硬件设计

考虑到加速度传感器节点的通用性，采用模块化设计思想设计硬件，节点的结构框如图2所示。由此可见，整个节点的设计由4部分组成，该平台利用RF射频芯片和CC2430处理芯片，工作在2.4 GHz，支持低功耗无线通信协议IEEE 802.15.4，采用8位低功耗微处理器，通过A/D接口采集MMA7361三轴加速度数据，并即时发送给网关节点。数据采集速率为40 Hz，无线数据收发速率为250 kbps。

如图3所示，三轴加速度传感器的输出信号为0～3.3 V的模拟电压信号，通过外接几个去耦电容以及滤波电容后直接接入无线单片机CC2430的模拟输入端口P0_5、P0_6、P0_7进行3个方向的加速度值的采集；为了调试、测试阶段的方

便，在无线传感器节点系统中设计了相应的电源指示灯D1、电源报警灯D2以及节点建网/入网指示灯D3；此外，在实验室设计阶段整个无线传感器节点的电源由5 V的可充电锂电池组成的电源模块提供。

4 节点软件设计

无线加速度传感器网络节点的软件设计主要是用户根据项目的实际需要在协议栈的应用层开发自己的用户程序。为了满足运动行为监测系统实际运行的需要，根据监测对象的距离，在被测对象身上布置无线加速度传感器节点，在动物畜舍内布置网关节点。无线加速度传感器网络节点的具体软件功能是：网关节点建立1个局域无线加速度传感器网络，网内短地址固定为0x0000，主要负责数据包的路由以及间接消息的转发；加速度传感器节点加入相应的无线加速度传感器网络，终端节点在接收到网关节点发送的采集数据命令后，定期向网关节点发送自己采集的3个方向的加速度值。为了减小系统功耗，网关节点在定时时间未到时处于低功耗状态（睡眠状态），加速度节点在未收到采集加速度传感器数值命令时也处于低功耗状态（睡眠状态）。

nlc202309041633

5 试验和结果分析

2013年12月12日到19日在江苏省金坛市永康农牧科技有限公司进行现场试验，选用12头长白母猪为试验对象，实物如图4所示，将传感器节点利用松紧带固定在母猪颈部下方进行24 h监测，母猪佩戴節点后无异常反应。实时采集到的数据以图5方式显示。

试验结果表明，加速度传感器节点能够不间断采集三轴加速度的数值，在特定时间内，母猪的行为模式和运动量趋于稳定，当活动量加剧或减少及异常行为出现时，可作为妊娠、分娩、疾病等情况的识别特征，该节点也可用其他牛、羊等大家畜的行为、位移、步数等数据量记录。

6 结论

本研究以三轴加速度传感器MMA7361和无线射频模块CC2430为核心，通过移植协议栈设计了1款新型的无线加速度传感器网络节点，可以方便组建低成本、低传输速率、高效率的无线网络，实现对各个对象动作的实时监测。在永康猪场配对测试发现，无线加速度传感器节点以及无线传感器网络性能稳定，具有较低的丢包率以及较低的成本，可以广泛应用于家畜（猪、牛、羊）行为监测和运动能量的前期数据采集。

参考文献：

[1]Sekine M，Tamura T，Ogawa M. Classification of acceleration waveform in a continuous walking record[C]//Engineering in Medicine and Biology Society. Proceedings of the 20th Annual International Conference of the IEEE，1998：1523-1526.

[2]Nurmi P，Floréen P，Przybilski M，et al. A framework for distributed activity recognition in ubiquitous systems[C]. Las Vegas，USA：International Conference on Artificial Intelligence，2005：650-655

[3]Mathie M J，Coster A C，Lovell N H，et al. Accelerometry：providing an integrated，practical method for long-term，ambulatory monitoring of human movement[J]. Physiological Measurement，2004，25（2）：R1-R20.

[4]Morris S J，Paradiso J A. Shoe-integrated sensor system for wireless gait analysis and real-time feedback[C]. 24th Annual Conference and the Annual Fall Meeting of the Biomedical Engineering Society EMBS/BMES Conference， Proceedings of the Second Joint，2002：2468-2469.

[5]赵 伟，周玲玲. 加速度传感器在笔记本电脑中的应用[J]. 电信快报，2008（5）：37-39.

[6]Iso T，Yamazaki K. Gait analyzer based on a cell phone with a single three-axis accelerometer[C]. Helsinki，Finland：MobileHCI，2006.

[7]Cornou C，Lundbye-Christensen S，Kristensen A R. Modelling and monitoring sows activity types in farrowing house using acceleration data[J]. Computers and Electronics in Agriculture，2011，76（2）：316-324.

[8]尹 令，刘财兴，洪添胜，等. 基于无线传感器网络的奶牛行为特征监测系统设计[J]. 农业工程学报，2010，26（3）：203-208，彩插四.

[9]刘龙申. 母猪行为体征实时监测系统关键技术研究与实现[D]. 南京：南京农业大学，2013.

[10]Freescale Semiconductor. ±1.5 g，±6 g three axis low-g micromachined accelerometer[EB/OL]. [2014-07-01]. http：//cache.freescale.com/files/sensors/doc/data_sheet/MMA7361L.pdf.

[11]TI. CC2430 software examples users guide[EB/OL]. [2014-07-01]. http：//www.ti.com.cn/cn/lit/ug/swru 178b/swru178b.pdf.

篇5：三轴加速度传感器应用

ADXL103加速度传感器在汽车安全技术中的应用

详细介绍了ADXL103加速度传感器的性能和工作原理,研究了其在汽车安全技术中的应用及参数确定,并给出了部分硬件电路.

作 者：张晓玉  作者单位：河南交通职业技术学院,郑州,450005 刊 名：晋城职业技术学院学报 英文刊名：JOURNAL OF JINCHENG INSTITUTE OF TECHNOLOGY 年，卷(期)： 3(1) 分类号：U468 关键词：ADXL103   加速度传感器   汽车安全  

篇6：三轴加速度传感器应用

近些年随着科技的发展和人们生活水平的提高, 人们越来越重视智能化, 智能化产的品已经走向人们的日常生活。人体行为识别是智能化研究中的一个重要方向, 其具有广泛的应用前景, 例如在智能化家居、智慧医疗、老人病人监护等方面有着极为重要的作用。

人体行为识别主要分为两类:基于视觉的人体行为识别和基于传感器的人体行为识别。基于可穿戴式三轴加速度传感器的人体行为识别属于后者。相比于基于视觉的人体行为识别, 基于可穿戴式三轴加速度传感器的人体行为识别具有携带方便、抗外界干扰能力强、数据获取更自由等优点。

1 人体行为识别步骤

人体行为识别主要包括四个步骤:

(1) 数据的采集。用传感器采集不同行为下的原始三轴加速度信号。

(2) 原始数据的预处理。为了提高系统的识别效果, 需要对采集到的原始数据进行合加速度计算、归一化、滤波去噪等预处理, 以降低外界的噪音等对数据的影响。

(3) 特征值的提取。提取加速度特征值的时候除了用到一些比较传统的时域特征外, 还用到一些新颖的时域特征, 如偏度、峰度等。

(4) 通过提取到的特征值进行识别分类。

2 数据采集

原始加速度数据的采集是所有环节中最基础的一个环节。采用的加速度数据全部来自安卓智能手机中的加速度传感器, 是5位采集者在6种不同的行为状态 (站立、走路、跑步、跳跃、上楼、下楼) 下所产生的三轴加速度数据, 对这些数据进行研究分析, 可识别出人体的不同行为状态。

经过测试者多次测试, 得出以下结论:

(1) 测量三轴加速度数据时, 采集时间不宜过长也不宜过短, 控制在20~50s为宜。这里数据所采集的时间为30s, 采集频率为100Hz。

(2) 测试者在采集数据的过程中要保持平常心态, 不能因为测试而刻意改变行为状态, 从而影响测得数据的真实性。

(3) 经多次测试表明, 加速度传感器摆放在人体的胸部或腰部为宜, 且要注意固定牢, 不能随着人体的运动而发生摇晃。这里所有的数据都是加速度传感器放于测试者腰部得到的。

3 预处理

(1) 求取合加速度。

为了降低加速度传感器摆放位置等外界条件对采集到的原始数据的影响, 将三维加速度数据合成为一维加速度, 以准确描述人体整体的运动情况。用Ax、Ay、Az分别表示X、Y、Z三轴的加速度, 则合加速度计算公式为:。

(2) 归一化处理。

为了方便后面的数据处理以及保证程序运行时收敛加快, 对求得的合加速度以9.8m/s2作归一化处理, 归一化后的数据都是9.8m/s2的倍数, 变成标量。

(3) 去噪处理。

由于抖动等外界条件的影响, 采集到的数据中包含噪声, 为了提高系统的识别效果, 需要对数据进行滤波处理。站立、走路、跑步、跳跃、上楼、下楼6种状态预处理后的加速度如图1所示。

4 提取特征值

人体不同的行为特征对应着不同的加速度数据, 特征值的提取就是找出区别人体不同行为特征的加速度数据的临界值即阈值。阈值的提取方法有很多种, 常见的方法有求峰峰值、标准差、方差、偏度、峰度等。另外还可以用倾角 (加速度传感器的灵敏轴和垂直方向的重力加速度的夹角) 去计算, 此方法可以区分一些很难区分的行为特征, 使得到的特征值更为精准。这里采用的提取特征值的方法为标准差、偏度、峰度。

4.1 标准差

标准差反映了加速度传感器数据的离散程度。由于人在发生不同行为动作时的强度不同, 所以所对应的标准差也不同, 在静止时的标准差几乎为零, 而在跑步或跳跃时的标准差大于走路和上下楼。根据标准差, 将6种行为动作归为三类:第一类, 当标准差小于0.05时为站立状态;第二类, 当标准差大于0.05而小于0.5时为走路、上楼和下楼三种状态;第三类, 当标准差大于0.5时为跑步和跳跃状态。

4.2 偏度

对第二类状态求偏度可区分下楼、上楼和走路:偏度小于0.6的为上楼和走路两种状态;偏度大于0.6的为下楼状态。

对第三类状态求偏度可区分跑步和跳跃:当偏度小于0.25时为跑步状态;当偏度大于0.25时为跳跃状态。

从而根据偏度区分出了下楼、跳跃和跑步三种运动状态。

4.3 峰度

峰度又称峰态系数, 表征概率密度分布曲线在平均值处峰值高低的特征数, 描述分布形态的陡缓程度。

求峰度可区分开上楼和走路:当峰度大于-0.6时为上楼状态;当峰度小于-0.6时为走路状态。

5 实验结果的验证

为了验证上述算法的合理性与准确性, 对测试者共做了90次实验, 对这90种数据运用以上算法进行检测, 结果表明该算法能够准确地区分开站立、走路、跑步、跳跃、上楼和下楼6种状态。

6 人体行为识别流程

人体行为识别流程如图2所示。

7 结语

通过对人体不同行为状态下的三轴加速度数据进行求合加速度、归一化、滤波、提取特征值、分类识别等一系列计算与分析, 可最终识别站立、走路、跑步、跳跃、上楼和下楼这六种行为状态。

摘要：基于可穿戴式三轴加速度传感器, 提出一种对人体的不同行为进行识别和检测的系统。该系统通过对智能手机中加速度传感器采集到的人体日常行为的三轴加速度数据进行标准差、偏度和峰度等统计特征的提取, 实现对站立、走路、跑步、跳跃、上楼和下楼六种动作的有效识别。

关键词：加速度传感器,人体行为识别,特征的提取

参考文献

[1]Ermes M, Parkka J, et al.Detection of Daily Activity and Sports with Wearable Sensors in Controlled and Uncontrolled Condition[J].Information Technology in Biomedicine, 2008, 12 (1) :20-26

[2]徐川龙, 顾勤龙, 姚明海.一种基于三维加速度传感器的人体行为识别方法[J].计算机系统应用, 2013, 22 (6) :132-135

[3]衡霞, 王忠民.基于手机加速度传感器的人体行为识别[J].西安邮电大学学报, 2014, (06) :15

[4]李丹, 陈淼淼, 姚志明, 等.基于三轴加速度传感器的人体日常体力活动识别系统设计[J].仪表技术, 2003