用于運動識別的聚類特征融合方法和裝置制造方法
【專利摘要】提供了一種用于運動識別的聚類特征融合方法和裝置，所述方法包括：將從被采集者的加速度信號中提取的時頻域特征集的子集內(nèi)的時頻域特征表示成以聚類中心為基向量的線性方程組；通過求解線性方程組來確定每組聚類中心基向量的系數(shù)；使用聚類中心基向量的系數(shù)計算聚類中心基向量對子集的方差貢獻率；基于方差貢獻率計算子集的聚類中心的融合權(quán)重；以及基于融合權(quán)重來獲得融合后的時頻域特征集。
【專利說明】用于運動識別的聚類特征融合方法和裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及模式識別與人工智能【技術(shù)領(lǐng)域】，更具體地，涉及一種用于運動識別的聚類特征融合方法和裝置。
【背景技術(shù)】
[0002]近年來，隨著電子技術(shù)的發(fā)展，內(nèi)置傳感設(shè)備和增強嵌入式處理器的便攜式終端(諸如，智能電話、個人數(shù)字助理(PDA)、平板計算機等)越來越多。更具體地，目前大多智能電話都內(nèi)置了加速度傳感器，當(dāng)智能電話被用戶放在口袋或背包中時，隨著人體運動頻率的改變，智能電話的加速度傳感器可以檢測到人體運動的狀態(tài)，這能夠方便地對人體運動模式進行分類，具有加速度傳感器的智能電話逐漸成為運動模式分類的理想平臺。
[0003]特征融合是信息融合的一種并被常用于運動模式分類，其在信息的特征表示階段上對信息進行融合，可以把不同時間和空間的特征進行綜合處理，從而得到對目標環(huán)境的更精確、更可靠的描述。特征融合的基本原理和出發(fā)點是:充分利用多個特征源，通過對它們及其提供信息的合理支配和使用，把多個特征源在空間或時間上的冗余或互補信息在某種準則進行融合 組合，以獲得對被測對象的一致性解釋或描述，使該信息系統(tǒng)由此獲得比它的各組成部分的子集構(gòu)成的系統(tǒng)更優(yōu)越的性能。
[0004]然而，基于加速度傳感器的運動模式分類仍存在很大限制和困難，其中一點就是加速度信號復(fù)雜，獲取的時頻特征的融合能力差，這是由于在人體運動模式識別中，特征提取起到極其重要的信號本質(zhì)特效表達作用，傳統(tǒng)的時域特征主要有短時平均值、加窗能量值、相關(guān)系數(shù)、幅度值、短時功率值等，傳統(tǒng)的頻域特征主要有傅里葉變換頻譜特征(FFT)、小波頻域特征、功率譜特征等，這些特征由于物理意義不同、獲取的特征維度不同、取值范圍不同等，很難直接進行特征融合，如果采用簡單的幅度歸一化或常規(guī)的加權(quán)融合，一般不容易獲得較好的識別效果，并且導(dǎo)致融合特征的識別率相對于未融合前最好的單個特征識別率反而下降。

【發(fā)明內(nèi)容】

[0005]根據(jù)本發(fā)明的一方面，提供了一種用于運動識別的聚類特征融合方法，包括:將從被采集者的加速度信號中提取的時頻域特征集的子集內(nèi)的時頻域特征表示成以聚類中心為基向量的線性方程組；通過求解線性方程組來確定每組聚類中心基向量的系數(shù)；使用聚類中心基向量的系數(shù)計算聚類中心基向量對子集的方差貢獻率；基于方差貢獻率計算子集的聚類中心的融合權(quán)重；以及基于融合權(quán)重來獲得融合后的時頻域特征集。
[0006]可對時頻域特征集[F1, F2，…，F(xiàn)J進行分割以獲得不同的r個子集，其中，每個子集包括k個子特征集，r是正整數(shù)并表示被采集者的數(shù)量，k是正整數(shù)并且k〈r, FiQ =1，2，…，r)表示從第i個被采集者的加速度信號中提取的時頻域特征。
[0007]可通過以下步驟來對時頻域特征集進行分割:第一次分割從時頻域特征集[F1, F2，…，F(xiàn)J的第一個特征開始，將時頻域特征集分割為特征數(shù)相同的k個子特征集，SP，Sn — [F” 卩2，...，F(xiàn)n]，S12 — [Fn+1，F(xiàn)n+2，…，F(xiàn)2n]，…，Slk — [F(k—加+” F(k—1)n+2，…，F(xiàn)kn]，其中，母個子特征集的樣本數(shù)n為r/k取整；第二次分割從時頻域特征集的第二個特征開始，將時頻域特征集分割為特征數(shù)相同的k個子特征集，即，S21 = [F2j F3j…，F(xiàn)n+1]，S22 = [Fn+2，F(xiàn)n+3，…，^2n+l-1， ，^2k [F(k-l)n+2，F(xiàn)(k-1)n+3， ，^kn+l-l ;第三次分割從時頻域特征集的第三個特征開始，將時頻域特征集分割為特征數(shù)相同的k個子特征集，即，S31 = [F3, F4,…，F(xiàn)n+2], S32 =[Fn+3，F(xiàn)n+4， ，^2n+2-1， ，^3k [F(k-l)n+3，F(xiàn)(k-1)n+4， ，^kn+2 ];依次進行分割，直到從時頻域特征集的第2n個特征開始的分割完成為止；下一次分割從時頻域特征集的第二個特征開始，按照間隔子特征集樣本數(shù)η將時頻域特征集分割為特征數(shù)相同的k個子特征集，即，Sdl =
^2) ^2+11)...，^2+(n-1) X J，S(j2 — [F3，F(xiàn)3+n,..., F3t(^1) Xn]，...，Sdk — [Fk+1, Fk+1+n,..., \+1 + (η-1) XrJ ;
下一次分割從時頻域特征集的第k+2個特征開始，按照間隔子特征集樣本數(shù)η將時頻域特征集分割為特征數(shù)相同的k個子特征集，即， S(d+1) I — [\+2，F(xiàn)k+2+n，...，\+2+(η-1) Xn]，S(d+1)2 —
[Fk+3，F(xiàn)k+3+n，...，F(xiàn)k+3+(n-l) Xn^，...，S(d+1)k —


F2k+l+n，*** J F2k+l + (n-1) Xn ];依次進行分割，直到從時頻域特征集的第3n個特征開始的分割完成為止；下一次分割從時頻域特征集的第二個特征開始，按照間隔子特征集樣本數(shù)2n將時頻域特征集分割為特征數(shù)相同的k個子特征集，艮P，Sel — [F2, F2+2n，...，F(xiàn)2+(n—1)X2n]，Se2 — [F3, F3+2n，...，F(xiàn)3+(n_1)X2n]，...? Sek — [Fk+1，F(xiàn)k+1+2n，...,Fk+1+(n_1)xJ ;下一次分割從時頻域特征集的第k+2個特征開始，按照間隔子特征集樣本數(shù)2n將時頻域特征集分割為特征數(shù)相同的k個子特征集，即，S(e+1)1 = [Fk+2，F(xiàn)k+2+2l^..，F(xiàn)k+2+(n-l) X2n，S(e+l)2 ' —[?\+3， Fk+3+2n，...，F(xiàn)k+3+(n-1) X2n， ?“，S(e+!)k 'F2k+l+2n，...，F(xiàn)2k+l+(n-l) X2n ;
依次進行分割，直到分割時頻域特征集的總次數(shù)和被采集者的數(shù)量相等為止。
[0008]將時頻域特征表示成以聚類中心為基向量的線性方程組的步驟可包括:通過使用k均值聚類方法來獲得每個子特征集的m個聚類中心(CC1, CC2,…，CCJ，其中，CCz(z =1，2，-,m)表示子特征集聚類后第i類動作的時頻域特征的聚類中心，m是正整數(shù)并表示動作的類別數(shù)量；通過等式(I)將時頻域特征表示成以聚類中心為基向量的線性方程組:
【權(quán)利要求】
1.一種用于運動識別的聚類特征融合方法，包括: 將從被采集者的加速度信號中提取的時頻域特征集的子集內(nèi)的時頻域特征表示成以聚類中心為基向量的線性方程組； 通過求解線性方程組來確定每組聚類中心基向量的系數(shù)； 使用聚類中心基向量的系數(shù)計算聚類中心基向量對子集的方差貢獻率； 基于方差貢獻率計算子集的聚類中心的融合權(quán)重；以及 基于融合權(quán)重來獲得融合后的時頻域特征集。
2.如權(quán)利要求1所述的用于運動識別的聚類特征融合方法，其中，對時頻域特征集[F1, F2，…，F(xiàn)J進行分割以獲得不同的r個子集，其中，每個子集包括k個子特征集，r是正整數(shù)并表示被采集者的數(shù)量，k是正整數(shù)并且k〈r, Fi (i = I, 2，…，r)表示從第i個被采集者的加速度信號中提取的時頻域特征。
3.如權(quán)利要求2所述的用于運動識別的聚類特征融合方法，其中，通過以下步驟來對時頻域特征集進行分割: 第一次分割從時頻域特征集[F1, F2,…，F(xiàn)J的第一個特征開始，將時頻域特征集分割為特征數(shù)相同的 k 個子特征集，即，
4.如權(quán)利要求3所述的用于運動識別的聚類特征融合方法，其中，將時頻域特征表示成以聚類中心為基向量的線性方程組的步驟包括:通過使用k均值聚類方法來獲得每個子特征集的m個聚類中心(CCnCC2,…，CCm}，其中，CCz(z = I, 2,..., m)表示子特征集聚類后第i類動作的時頻域特征的聚類中心，m是正整數(shù)并表示動作的類別數(shù)量； 通過等式(I)將時頻域特征表示成以聚類中心為基向量的線性方程組:
5.如權(quán)利要求4所述的用于運動識別的聚類特征融合方法，其中，通過等式(2)來計算聚類中心基向量對子集的方差貢獻率:
6.如權(quán)利要求5所述的用于運動識別的聚類特征融合方法，其中，計算子集的聚類中心的融合權(quán)重的步驟包括: 通過等式(3)來計算聚類中心的融合權(quán)重:
7.如權(quán)利要求6所述的用于運動識別的聚類特征融合方法，其中，通過等式(5)、(6)來獲得融合后的時頻域特征集FFV:
8.如權(quán)利要求1所述的用于運動識別的聚類特征融合方法，其中，在從被采集者的加速度信號中提取時頻域特征集之前，使用比值線性歸一化方法將被采集者的加速度信號歸一化到[-1,1]的范圍內(nèi)。
9.如權(quán)利要求1所述的用于運動識別的聚類特征融合方法，其中，使用融合后的時頻域特征集中的部分融合后的時頻域特征來訓(xùn)練貝葉斯網(wǎng)絡(luò)分類器，以識別每個采集者的動作的類別。
10.一種用于運動識別的聚類特征融合裝置，包括: 線性方程組表示單元，將從被采集者的加速度信號中提取的時頻域特征集的子集內(nèi)的時頻域特征表示成以聚類中心為基向量的線性方程組； 系數(shù)確定單元，通過求解線性方程組來確定每組聚類中心基向量的系數(shù)； 方差貢獻率計算單元，使用聚類中心基向量的系數(shù)計算聚類中心基向量對子集的方差貢獻率； 融合權(quán)重計算單元，基于方差貢獻率計算子集的聚類中心的融合權(quán)重；以及 時頻域特征集 獲得單元，基于融合權(quán)重來獲得融合后的時頻域特征集。
【文檔編號】G06F19/00GK104021295SQ201410261547
【公開日】2014年9月3日 申請日期:2014年6月12日 優(yōu)先權(quán)日:2014年6月12日
【發(fā)明者】薛洋, 胡耀全, 金連文 申請人:廣州三星通信技術(shù)研究有限公司, 三星電子株式會社, 華南理工大學(xué)