基于快速傅里叶变换人体活动识别改进算法研究.docVIP

基于快速傅里叶变换人体活动识别改进算法研究 　　摘 要：主要探讨了人体活动识别KNN算法的改进方法，该方法通过快速傅里叶变换算法和相关性分析，把采集到的信号时域特性变成频域特性，从而实现了对人体活动模式的识别。 　　关键词：人体活动识别；KNN算法；FFT；频谱分析；相关性分析 　　中图分类号：TN911 文献标识码：A 文章编号：2095-1302（2013）05-0021-02 　　0 引 言 　　傅里叶变换（Fourier Transform）在工程中应用很广，但是，对于非周期性的信号，人们把时域变成频域时频域分量有无限多个，而计算机只能处理有限信号，所以，对于此类信号，人们经常会用到离散傅里叶变换（DFT）。 　　1 快速傅里叶变换 　　将连续时间的傅里叶变换在时域内离散化，就是离散傅里叶变换。离散傅里叶变换无论是在数字信号处理，或是计算机控制等方面都有重要的应用，它无疑是当代社会生产生活中用到最重要的算法之一。但是，离散傅里叶变换在计算方面比较麻烦，时间复杂度较大。 　　所以，后了人们提出了一种新型的算法，就是快速傅里叶变换（FFT）。 　　FFT是离散傅立叶变换的快速算法，可以将一个信号变换到频域。有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。这就是很多信号分析采用FFT变换的原因。另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。本文主要讨论的是FFT算法在人体活动识别中的应用。 　　2 Real FFT 　　本文不着重介绍FFT算法的原理，而是从实用的角度进行分析。通过FFT 算法，可以将时域信号变换成频域信号。处理时域信号可以用Matlab工具分析，也可以用C/C++、Java语言等。下面是时域频域转换的Matlab代码： 　　fs=1000； %设定采样频率 　　xlabel（频率（Hz））； 　　ylabel（幅值）； 　　title（数据频谱分析 by 陈志豪）； 　　grid； %设置网格 　　fy1=fft（y1）； % x轴曲线 　　f1=x1*fs/length（y1）； % 进行对应的频率转换 　　fy2=fft（y2）； % y轴曲线 　　f2=x2*fs/length（y2）； % 进行对应的频率转换 　　fy3=fft（y3）； % z轴曲线 　　f3=x3*fs/length（y3）； % 进行对应的频率转换 　　hold on； 　　p=plot（f1，abs（fy1），g）； 　　p=plot（f2，abs（fy2），b）； 　　p=plot（f3，abs（fy3），r）； 　　legend（x轴，y轴，z轴）； 　　3 通过Matlab分析获取人体活动姿势 　　在此，本文通过Matlab分析获取到的三轴加速度传感器的值来判断人们的姿势（坐着，走着，跑着）。通过Matlab编程画出图形，使读者对时域到频域的转换有一个感性而真实的认识。同时，通过分析可以得出人体活动的三种状态在频域上的区别，从而分辨出传感器携带者当前所属的状态。 　　图1所示是三幅时域特性图和与之对应的频率特性图。通过图像会发现，在频域上面很难通过计算机分辨出三幅图的异同，但是，当通过FFT算法将其转换成频域的时候，我们就会很容易看出三幅图的各自不同特性。根据这些特性，就可以通过编程的方法进行模式识别。 　　图1 三幅时域特性和与之对应的频率特性图 　　显然，人坐着的时候基波分量比较活跃，即低频活跃，而高频谐波基本上没有；而人在行走的时候，除了有一定的基波分量在0～10 Hz中比较活跃，在这段中，分布着不同的谐波；人在跑步的时候，还是会存在一定的基波分量，但高频分量相对于原来走路时候的分量更高了，即往右移了。从中可以得出一个结论：人在活动的时候，基波分量是存在的，坐着的时候显然是最高的，人在行走中随着步速的加快，三轴加速度传感器的变化速度越明显，谐波分量在频谱图中往右移。 　　4 相关性分析 　　对于一个人来说，坐着的话，软件往往很容易识别，但什么时候才算是走路，什么时候才算是跑步，还是要由个人来决定的。这就面临一个临界段的处理的问题，因此，只需要得出临界段的数据，然后进行比较就可以了。下面给一个可行性分析方案。 　　人在行走的时候，行和跑的概念在有时候是模糊的，这是对于临界点出现的情况说的。我们必须通过训练获取临界数据，即由行转为跑或者由跑转为行的临界点，因为个体的差异性和临界点的模糊性，每个人都有数据自己的临界段，而不是临界点。 　　这样，就可以通过用数组或通过哈希映射的方法保存幅度相对大的数据，然后通过最小二乘法判断与基波和临界段的相关性。其方法如下： 　　（1） 当得出与基波相关度高的时候，可以得出人在坐着。 　　（2） 当与临界段相关性较高的时候，