本文選題：加速度 + 前臂動(dòng)作識別��； 參考：《哈爾濱工程大學(xué)》2016年碩士論文

【摘要】：作為一種新興的自然人機(jī)交互方式,基于加速度信號的人體前臂動(dòng)作識別技術(shù)在智能人機(jī)交互、體育鍛煉、體感游戲、虛擬現(xiàn)實(shí)、智能控制等領(lǐng)域得到了廣泛的應(yīng)用,是廣大研究人員研究的熱點(diǎn)。雖然近年來發(fā)展迅速,但是該研究在加速度信號數(shù)據(jù)采集和處理方案以及高精度的動(dòng)作識別算法實(shí)現(xiàn)方面還面臨著諸多技術(shù)難點(diǎn)。本課題圍繞上述問題展開了一系列研究工作。首先本文詳細(xì)闡述了人體動(dòng)作識別技術(shù)的研究背景及意義,并對國內(nèi)外研究現(xiàn)狀和前臂動(dòng)作識別技術(shù)的主要研究方法進(jìn)行了介紹,然后給出了前臂動(dòng)作識別研究的系統(tǒng)方案。其中,包括了對加速度數(shù)據(jù)的硬件采集平臺(tái)的選取以及人體前臂動(dòng)作識別算法的設(shè)計(jì)。接著對于本文所設(shè)計(jì)的人體前臂動(dòng)作識別算法,分別從數(shù)據(jù)預(yù)處理、特征選擇與提取以及分類器設(shè)計(jì)等方面對算法的實(shí)現(xiàn)進(jìn)行分析與設(shè)計(jì)。結(jié)合小波分析相關(guān)理論,選取小波閾值去噪方法對原始加速度信號進(jìn)行去噪處理,并對去噪后的數(shù)據(jù)進(jìn)行歸一化,然后給出一種基于小波包分解的三維全信息能量特征參數(shù)構(gòu)造方法,同時(shí)從時(shí)域和時(shí)頻特征中選擇特征參數(shù)來構(gòu)建特征向量。在分類器設(shè)計(jì)方面,選擇了 SVM分類方法,并以LIBSVM和MATLAB作分類算法實(shí)現(xiàn)的軟件平臺(tái)。最后通過設(shè)計(jì)具體的驗(yàn)證實(shí)驗(yàn)對所提出的前臂動(dòng)作識別系統(tǒng)方案進(jìn)行驗(yàn)證。確定采集裝置安放位置和自定義了七種簡單前臂動(dòng)作類型,通過采集10位實(shí)驗(yàn)對象七種前臂動(dòng)作加速度信息構(gòu)成整個(gè)實(shí)驗(yàn)原始數(shù)據(jù)集。對每組加速度信號序列進(jìn)行預(yù)處理操作,并構(gòu)造特征向量來建立性能較好的SVM分類器。通過設(shè)計(jì)實(shí)驗(yàn)進(jìn)行對比,采取交叉驗(yàn)證的方法選用核函數(shù),采用網(wǎng)格搜索算法求解最優(yōu)核參數(shù)對(C,g),建立了最優(yōu)SVM分類判決模型。最終在“指定數(shù)據(jù)集”和“非指定數(shù)據(jù)集”上對SVM分類算法進(jìn)行驗(yàn)證分析,對實(shí)驗(yàn)結(jié)果進(jìn)行分析,驗(yàn)證了模型的性能和研究方案的可行性。
[Abstract]:As a new natural human-computer interaction technology, the technology of human forearm action recognition based on acceleration signal has been widely used in the fields of intelligent human-computer interaction, physical exercise, physical training, body feeling games, virtual reality, intelligent control and so on. It is a hot topic for researchers. Although the research has been developing rapidly in recent years, the research still faces many technical difficulties in the data acquisition and processing of acceleration signal and the realization of high-precision motion recognition algorithm. This topic has carried out a series of research work around the above problems. In this paper, the research background and significance of human motion recognition technology are described in detail, and the present research situation and the main research methods of forearm motion recognition technology are introduced, and then the system scheme of forearm motion recognition research is presented. Among them, it includes the selection of hardware acquisition platform for acceleration data and the design of human forearm motion recognition algorithm. Then, the realization of the algorithm is analyzed and designed from the aspects of data preprocessing, feature selection and extraction, classifier design and so on. Combined with the theory of wavelet analysis, the wavelet threshold denoising method is selected to Denoise the original acceleration signal, and the de-noised data is normalized. Then a method based on wavelet packet decomposition is presented to construct the three dimensional full information energy feature parameters, and the feature parameters are selected from the time domain and time frequency features to construct the feature vector. In the design of classifier, SVM classification method is selected, and the software platform of classification algorithm is based on LIBSVM and MATLAB. Finally, the scheme of forearm motion recognition system is verified by designing specific verification experiment. The location of the acquisition device is determined and seven types of simple forearm actions are defined. The original data set of the whole experiment is constructed by collecting seven kinds of acceleration information of the forearm action of the 10-bit experimental object. Every group of acceleration signal sequence is preprocessed and eigenvector is constructed to build SVM classifier with better performance. Through the comparison of design experiments, the kernel function is selected by cross-validation method, and the optimal kernel parameter pair (Cogg) is solved by using the grid search algorithm, and the optimal SVM classification decision model is established. Finally, the SVM classification algorithm is verified and analyzed on "specified data set" and "non-specified data set", and the experimental results are analyzed to verify the performance of the model and the feasibility of the research scheme.
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 耿海霄;;基于條件隨機(jī)場的連續(xù)手勢識別算法[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2016年05期

2 徐秀林;姚曉明;徐奚嬌;;MPU6050在評定人體上肢關(guān)節(jié)角度中的應(yīng)用[J];生物醫(yī)學(xué)工程學(xué)進(jìn)展;2015年03期

3 侯亭亭;肖秦琨;楊永俠;;基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的手勢識別[J];國外電子測量技術(shù);2015年01期

4 洪俊;趙子愷;;一種基于加速度信息的上肢動(dòng)作識別研究方法[J];機(jī)床與液壓;2014年15期

5 李戰(zhàn)明;王曉萌;;基于新型MEMS傳感器的老年人跌倒檢測系統(tǒng)設(shè)計(jì)[J];工業(yè)儀表與自動(dòng)化裝置;2013年04期

6 龍洋;游勇華;于偉臣;鄢波;;基于MATLAB小波去噪方法及應(yīng)用研究[J];數(shù)字技術(shù)與應(yīng)用;2012年08期

7 李啟雷;金文光;耿衛(wèi)東;;基于無線慣性傳感器的人體動(dòng)作捕獲方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2012年02期

8 王萬良;楊經(jīng)緯;蔣一波;;基于運(yùn)動(dòng)傳感器的手勢識別[J];傳感技術(shù)學(xué)報(bào);2011年12期

9 于美娟;馬希榮;;基于HMM方法的動(dòng)態(tài)手勢識別技術(shù)的改進(jìn)[J];計(jì)算機(jī)科學(xué);2011年01期

10 史秋亮;林江;;基于小波包分解與能量特征提取的相關(guān)分析法[J];聲學(xué)與電子工程;2010年04期

相關(guān)博士學(xué)位論文 前1條

1 薛洋;基于單個(gè)加速度傳感器的人體運(yùn)動(dòng)模式識別[D];華南理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 葉龍;基于MPU6050傳感器的方位角傾角算法研究[D];吉林大學(xué);2015年

2 侯亭亭;基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型的手勢識別研究[D];西安工業(yè)大學(xué);2015年

3 馮桐;基于神經(jīng)網(wǎng)絡(luò)的手勢識別研究[D];北京理工大學(xué);2015年

4 李歌;基于BP神經(jīng)網(wǎng)絡(luò)的手勢識別研究[D];燕山大學(xué);2013年

5 徐明;基于傳感器的上肢動(dòng)作識別系統(tǒng)[D];安徽大學(xué);2013年

6 常亞南;基于HMM的動(dòng)態(tài)手勢識別[D];華南理工大學(xué);2012年

7 陶珂;小波去噪質(zhì)量評價(jià)方法研究[D];中南大學(xué);2012年

8 劉博;基于MEMS傳感器的動(dòng)作捕捉系統(tǒng)開發(fā)設(shè)計(jì)[D];北京理工大學(xué);2011年

9 黃璐;面向交互的手勢識別研究[D];華中師范大學(xué);2011年

10 李文杰;基于骨架化和模板匹配的交通指揮手勢識別[D];浙江工業(yè)大學(xué);2011年

，

本文編號：2090066