Research on Human Motion Detection Based on Softmax Regression Classification Analysis
孙小华 SUN Xiao-hua
（浙江经济职业技术学院数字信息技术学院，杭州 310018）
（Digital Information Technology Department，Zhejiang Technical Institute of Economics，Hanghzou 310018，China）
摘要：提出一种基于分类分析的人体运动状态识别方法。通过手机内置的加速度传感器采集相关数据，然后对采集的数据进行预处理，采用Softmax回归分类算法对人体运动状态进行分类。在深度学习框架TensorFlow下的实验结果显示此算法分类精度较高，对静止、走路、慢跑、上下楼梯、骑车等五种运动状态的综合识别率为88.18%。
Abstract: This paper proposes a human motion state recognition method based on classification analysis. The relevant data is collected by the built-in acceleration sensor of the mobile phone, and then the collected data is preprocessed, and the Softmax regression classification algorithm is used to classify the human motion state. The experimental results under the deep learning framework TensorFlow show that the classification accuracy of this algorithm is high, and the comprehensive recognition rate of five kinds of motion states such as static, walking, jogging, up and down stairs, and cycling is 88.18%.
关键词：人体行为识别；Softmax回归分类；加速度传感器
Key words: human behavior recognition；Softmax regression classification；acceleration sensor
中图分类号：TN911.3 文献标识码：A 文章编号：1006-4311（2019）26-0239-02
0 引言
人体运动状态识别系统通过各类传感器实时获取人体的运动数据，然后运用算法分析对运动状态进行分类识别，从而判断出人体当前的运动状态。人体运动状态识别可以用于老人或病人的监护、智能家居等系统。如在智能家居领域，可以通过分析处理传感器获取的数据，对人体进行跌倒检测。之前国内外对人体运动状态的识别主要是通过可穿戴式设备采集相关的数据进行分析，但穿戴这些设备会导致人体运动不便。随着移动互联网技术及传感器技术的发展，智能手机内置了加速度、陀螺仪、光、磁场、气压等传感器可以采集手机的状态数据，通过采集手机的状态数据可以对人体的运动状态进行分析识别。与传统的可穿戴式设备相比，采用智能手机进行人体运动状态识别具有便捷性的优点。
常用的人体运动状态识别分类算法有Kmeans聚类、支持向量机SVM、隐马尔可夫模型HMM、决策树、BP神经网络、卷积神经网络CNN等等。
1 Softmax回归分类
Softmax回归分类算法是Logistic回归分类算法在多分类问题上的推广。在多分类问题中，分类标签可以取两个以上的值。Softmax回归分类算法对手写数字分类等问题有很好的效果，如MNIST手写数字的识别正确率可达92%。
该算法的原理如下：将可以判别为某类的特征相加，然后将这些特征转化为判定为属于这一类的概率。这些特征可以表示成下式：
■
式中i代表第i类，j表示第j个属性，bi是偏置。
然后对所有特征计算softmax，即计算一个指数函数，再进行标准化，使得所有类别输出的概率值的和为1。
■
其中判定为第i类的概率由下式得到。
■
特征的值越大的类，输出的概率也越大；反之，特征的值越小的类，输出的概率也越小。最后取输出概率最大的类标签作为该条数据的类标签。
2 算法及流程
2.1 原始数据集
本文研究人体静止、走路、跑步、上下楼梯、骑自行车等状态的识别，本实验选取了5名实验者进行实验，实验手机为华为Mate9型号，采集手机的加速度传感器数据。原始数据为人体各种运动状态下Android智能手机加速度传感器采集的数据，通过人工方式对采集的数据进行类别标注，如静止设为0，走路设为1，跑步设为2等等。由于人体运动的频率较低，一般小于10Hz，所以拟将传感器的采集频率设为20Hz，根据香农采样定理，可以保证采样得到的数据完整保留了人体运动中原有的信息。但通过后续实验发现采用20Hz的频率时，实验效果不好，因此最终将数据的采样频率设为50Hz，原始数据为手机传感器在0.02s内采集到的x、y、z三个方向的加速度信息，即原始数据为具有3维特征的数据集，每条数据对应一种人体运动状态（即类别），如走路、上楼梯、跑步等运动状态，用one-hot编码表示。
图1和2分别是走路与跑步时采集的加速度传感器在三轴方向上的原始数据波形图。从加速度波形图可以看出，虽然数据比较混乱，但三个维度的数据变化还是大致呈现规律性的周期变化。
2.2 数据预处理
为充分挖掘运动状态信息，通过滑动窗口技术进行特征提取，将每秒时间内采集的数据作为一个样本，即滑动窗口的长度为1秒。因为采样频率设为50Hz，因此每秒采集的数据有50条，维数为3*50=150维；同时为了获取人体运动状态的变化信息，将采集到的加速度数据进行增量计算，计算每次采集到的加速度数据与上一次采集到的加速度数据的差值，并将差值放大10倍，类似，每秒获得的增量数据有50条，维数为3*50=150维，因此通过预处理之后得到的数据维数为300。
2.3 处理流程
将经过预处理过的数据导入Tensorflow深度学习框架进行处理。初始化模型中的权值shape为[300，5]，其中300表示特征的维数，5表示要识别分类的类别数。
为了训练模型，需要定义一个损失函数来描述模型对人体行为状态分类的精度，在此采用交叉熵作为损失函数，交叉熵的定义如下：
■
其中y'是真实的概率分布，y是预测的概率分布。
接下来采用随机梯度下降方法进行训练，设置学习速率为0.01，优化目标设为交叉熵cross_entropy。迭代执行训练操作，每次只使用一小部分数据进行随机梯度下降，随机从训练集中抽取100条作为一个mini-batch，并feed给placeholder，然后进行训练，这种方法比采用全样本进行训练的收敛速度要快，迭代次数为5000次。
完成训练后就可以对模型的准确率进行验证，求出各种预测的人体行为状态中概率最大的那一个，然后与实际的人体行为状态标签相比较，如果一致则判别正确，否则判别错误。将测试数据的特征和标签输入评测流程accuracy，计算模型中在测试数据集上的准确率。
整个处理流程采用Tensorboard工具显示出来如图3所示。
3 实验结果及分析
3.1 实验数据集
实验数据由5名用户采用华为Mate 9的Android手机采集的三轴加速度传感器数据组成。数据的采样频率为50Hz，采集的数据分为静止、行走、慢跑、上下楼梯、骑自行车等五个日常行为动作。采集的数据一共有54250条，其中47350条作为训练数据，6900条作为测试数据。
3.2 实验结果
通过对训练数据进行训练生成模型，在测试数据集上用生成的模型进行测试，得到静止、走路、跑步、上下楼梯和骑自行车等五种人体行为状态的综合分类精度为88.18%。但如果将上、下楼梯这两种状态单独分开进行判别，判别效果不佳，仅比随机猜测略好。与常用的人体运动状态识别分类算法相比，此方法计算量较小，处理速度快，分类精度较高。
4 结束语
本文提出了采用Softmax回归分类算法对人体运动状态进行识别，可实现对静止、走路、跑步、上下楼梯和骑自行车等状态的识别，实验结果可以看出虽然算法可以看作一个没有隐含层的神经网络，但其判别效果良好，分类精度可达88.18%，但对上、下楼梯这两种状态判别效果不佳，后续可以增加陀螺仪、气压传感器等特征信息来对上、下楼梯两种状态进行识别。
参考文献：
[1]王忠民，张琮，衡霞.CNN与决策树结合的新型人体行为识别方法研究[J].计算机应用研究，2017（12）.
[2]黄文坚，唐源.TensorFlow实战[M].中国工信出版集团，电子工业出版社，2017.
[3]王忠民，曹洪江，范琳.一种基于卷积神经网络深度学习的人体行为识别方法[J].计算机科学，2016（A2）.
[4]孙冰怡，吕巍，李文洋.基于智能手机传感器和SC-HMM算法的行为识别[J].吉林大学学报（理学版），2013（6）.
[5]黄仁，田丰，田维兴.基于加速度传感器的运动模式识别[J].计算机工程与应用，2015（6）.
[6]张鑫，李治军，姜守旭.基于Android手机传感器数据识别运动状态[J].智能计算机与应用，2015（3）.
[7]刘斌，刘宏建，金笑天，国德峰.基于智能手机传感器的人体活动识别[J].计算机工程与应用，2016（4）.
[8]周滨，张守权.加速度传感器热灵敏度漂移的动态测试[J].价值工程，2010，29（33）：294-295. |
