利用GRNN和PNN对运动姿态识别研究.docVIP

利用GRNN和PNN对运动姿态识别研究 　　摘要：提出了一种利用由MPU6050和CC2541组合的开发板，运用GRNN和PNN实现运动姿态的识别。MPU6050测出三轴加速度的原始数据，CC2541用来采集三轴加速度数据，并通过串口传输到上位机MATLAB端，对原始数据主要的处理方法是通过MATLAB进行小波变换，滤除噪声，得到三轴加速度数据主体部分，并在上位机端编写了提取特征点，特征点在时域和频域各取三个，共有六个特征点，进行运动姿态的识别判断。在特征点的选用上利用算法比较了不同的特征点的组合，得到一个最优结果。在上位机端编写GRNN和PNN的程序，可以运行出准确度，运行时间，得到GRNN的准确度为90.1%，PNN的准确度为91.6%，运行时间均在1秒以下。 　　关键词：运动姿态识别；mpu6050；cc2541；广义回归神经网络；概率神经网络 　　中图分类号：TP212 文献标识码：A 文章编号：1009-3044（2018）01-0264-04 　　Abstract：In this paper， GRNN and PNN were presented to realize motion detection using development board，which includes MPU6050 sensing triaxial accelerometer data ，CC2541 collecting triaxial accelerometer data.The data were transferred to MATLAB via serial communication.The noise were filtered with the help of wavelet analysis and got the main valid data.The features of the motion signal were extracted in frequency domain and time domain， and we got 6 major motion’s features.Different combination of characteristics also have been used in order to comfirm which one was best.According to sinmulation results，GRNN’s recognition rates achieves 90.1% and PNN is 91.6% and the run time was all less than 1 second. 　　Key words：motion detection； mpu6050；cc2541；GRNN；PNN 　　1 概述 　　基于三轴加速度传感器的人体运动姿态识别是人体行为识别领域中一个较新的研究课题。按照人体行为的原始信号获取方式的不同，行为识别可以分为基于视觉的和基于微机电传感器的这两类。基于微机电传感器的行为识别方法通过在人身上安装微机电传感器来获取人体活动时产生的传感器信号，在这种方法中，对动作的识别通常是在人体特定部位放置特定的传感器来获取特定动作的动作特征，并通过这些动作特征来识别动作。本文所使用的行为识别方法是基于微机电传感器器件的。 　　在文献[1]当中Lee利用5个加速度传感器分别绑在人身体的不同部位，以此实现人体运动姿态的识别，但是由于佩戴器件过多，人会觉得太重了，且识别的精度较低。文献[2]中Ailisto K等用重力加速度在预判运动过程中加速度传感器的方位难点，据此为后来的基于加速度传感器的朝向无关方向提供了理论依据。文献[3]中Gafurov D等人提出了在视频信号中对人体运动姿态分析，对运动特征采用了主成分分析（Principal Components Analysis ，PCA），并利用神?网络对其运动姿态进行分类，包括正常走路，跑步和其他三类运动[1，2，3]。 　　相比较于基于视觉的行为识别方法，基于加速度传感器的行为识别方法具有抗外界干扰能力强，携带方便，自由的数据获取方式的优点[4，5，6]，提出了一种将三轴加速度信号求取模值，保证了数据的完整性，并依据一定的数据特征，得到加速度的六个特征值，依据这六个特征值，使用广义回归神经网络（GRNN，General Regression Neural Networok）概率神经网络（PNN ，Probabilistic neural network）神经网络模型对人体行为，例如正常走路，上楼，下楼，跑步，停顿进行分类判断。而且广义回归神经网络和不需要像BP神经网络那样的