基于快速傅里叶变换人体活动识别改进算法探究.docxVIP

基于快速傅里叶变换人体活动识别改进算法探究 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)o 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)o 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Mat lab工具分析，也可以用C/C++ Java 语言等。下面是时域频域转换的Mat lab代码： fs二1000； %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 fyl=fft (yl)； % x 轴曲线 fl=xl*fs/length (yl)； %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 f3=x3*fs/length （y3）； 进行对应的频率转换 hold on； p二plot(fl,abs(fyl),p=plot(f2,abs(fy2),b，p=plot(f3,abs(fy3), p二plot (fl, abs (fyl), p=plot (f2, abs (fy2), b， p=plot (f3, abs (fy3), legend （，x轴,y轴， Z 轴，）； 3通过Matbb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