[0040] 图1为本实施例的基于多传感器融合的活动识别方法的整体流程图。
【具体实施方式】
[0041] 下面将结合附图和具体实施例对本发明进行详细描述。
[0042] 一种基于多传感器融合的活动识别方法，整体流程图如图1所示，包括如下步骤：
[0043] (S1)采集用户在设定时间内的活动数据并进行预处理，用户设定时间内的活动数 据包括生理数据和运动数据；
[0044] (1-1)本实施例中可采用配有生理传感器和运动传感器的可穿戴式设备或其他智 能设备采集得到，相应的数据为可以理解为传感器信号。
[0045] 从传感器设备中采集传感器信号，传感器信号是一种时序数据，形如TSeq = 〈〇\，ti)，...，（Tn，tn) >表示从时刻到时刻t n这段时间内传感器信号随时间变化的一段 取值，其是一个矩阵，其中在一维时序数据中是一个实数值，在多维时序数据中T,是一个 实数向量，如在三轴加速度信号中(x i，yi，Zi)，其中Xi，yJP z 别是某一时刻三轴加 速度三个轴上的取值。
[0046] 本实施例中预处理是实际上是指根据时序对数据进行分帧，分帧时将每个T时间 内的数据（即活动数据）作为一个数据帧。且预处理是针对生理数据和运动数据分别进行， 相应分帧后得到两种帧，分别为生理帧和运动帧。
[0047] (1-2)对采集到的数据进行预处理即数据分帧。
[0048] 数据成帧即将整段时序数据按照一定的时间间隔t(t = tn-ti)生成时序数据帧， 组成时序数据帧序列。
[0049] 时序数据帧形如TFra = (1\，…，Tn，h，. . .，tn)表示将从时刻&到时刻t n这段时 间内的时序数据依次按T值和时间展开，即将时序数据矩阵按列展开排列而组成的向量。 时序数据帧序列TSer = (TFrap . . .，TFraJ由m帧时序数据帧组成，其是一个m行（a+1) Xn 列的矩阵，a是T的维数。在机器学习领域，将一个n行m列的矩阵作为输入数据，n表示数 据的个数，m表示每个数据所具有的特征个数也称为特征维数，如加速度时序数据帧序列中 的每一帧的特征维数是4n。
[0050] 本实施例中分别对运动数据和生理数据进行数据成帧，其中对运动数据进行预处 理得到若干个运动帧，对运动数据分帧时，按照时序，依次以L1时间内的数据作为一个运 动帧，即得到的运动帧的帧长为帧长L1。同理，对生理数据进行数据成帧，得到的生理帧的 帧长L1。
[0051] S2:分别对预处理后的得到的对生理帧和运动帧进行数据级融合和特征级融合分 别得到数据级融合特征矩阵和特征级融合特征矩阵，且在特征级融合过程中进一步进行分 数级融合得到分数级融合特征矩阵。本实施例中数据级融合包括如下步骤：
[0052] (al)计算不同时序数据帧（运动帧和生理帧）的帧长的最小公倍数L，将L内的 不同时序数据帧依次拼接在一起生成一帧数据级融合帧（即融合不同数据帧），继续拼接 直到处理完成生成数据级融合帧序列；
[0053] (a2)提取数据级融合特征：
[0054] 提取各个数据级融合帧序列的时域特征和频域特征，并根据提取的时域特征和频 域特征生成数据级融合特征矩阵。
[0055] 本实施例中针对每一个数据级融合帧序列，使用机器学习方法提取特 征，如计算时域特征和频域特征，然后将提取的特征生成数据级融合特征矩阵
【主权项】
1. 一种基于多传感器融合的活动识别方法，其特征在于，包括如下步骤： 51 :获取用户设定时间内的活动数据，并对得到的活动数据进行数据成帧处理得到数 据帧； 所述的活动数据包括生理数据和运动数据，相应的得到的数据帧包括生理帧和运动 帧； 52 :对所述的数据帧进行数据级融合、特征级融合和分数级融合，分别得到数据级融合 特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵； 53 :根据数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵进行活动 识别。
2. 如权利要求1所述的基于多传感器融合的活动识别方法，其特征在于，所述步骤Sl 中进行数据过程如下： 将所述的活动数据按照预设的时间间隔分割即得到相应的数据帧。
3. 如权利要求1所述的基于多传感器融合的活动识别方法，其特征在于，数据级融合 包括如下步骤： (al)计算生理帧和运动帧的帧长的最小公倍数，将最小公倍数内的生理帧和运动帧依 次拼接在一起生成一帧数据级融合帧； (a2)对各个数据级融合帧进行特征提取，并根据提取结果生成数据级融合特征矩阵。
4. 如权利要求1所述的基于多传感器融合的活动识别方法，其特征在于，特征级融合 包括如下步骤： (bl)针对每一个生理帧和运动帧，分别进行特征提取，并以提取结果作为相应的特征 帧； (b2)计算生理帧和运动帧对应的特征帧长的最小公倍数，将该最小公倍数时间内的特 征帧依次拼接在一起生成一帧特征级融合帧。
5. 如权利要求3或4所述的基于多传感器融合的活动识别方法，其特征在于，提取结果 包括时域特征和频域特征。
6. 如权利要求4所述的基于多传感器融合的活动识别方法，其特征在于，分数级融合 包括如下步骤： (cl)针对生理帧和运动帧对应的特征帧，分别基于正确标注的特征帧训练单数据活动 分类模型，得到相应的分类结果帧； (c2)计算生理帧和运动帧对应的分类结果帧长的最小公倍数，将该最小公倍数时间内 的不同分类结果帧依次拼接在一起生成一帧分数级融合帧； (c3)将所有分数级融合帧拼接生成分数级融合特征矩阵。
7. 如权利要求1~6中任意一项权利要求所述的基于多传感器融合的活动识别方法， 其特征在于，所述步骤S3具体如下： (3-1)将数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵组合得到 层次融合矩阵： (3-2)基于若干个正确标注了活动的层次融合训练矩阵训练活动分类模型； (3-3)以待识别的活动数据得到的层次融合矩阵作为测试矩阵，将该测试矩阵输入所 述的活动分类模型中以进行活动识别。
【专利摘要】本发明公开了一种基于多传感器融合的活动识别方法，包括如下步骤：获取用户在日常活动时的数据，并对得到的数据进行数据成帧处理得到数据帧；数据包括生理数据和运动数据，相应的得到的数据帧包括生理帧和运动帧；对所述的数据帧进行数据级融合、特征级融合和分数级融合，分别得到数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵；并根据数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵进行活动识别。本发明在信号、特征、分类结果三个不同层次上进行融合，根据不同层次的融合结果进行活动识别，提高了识别的准确率，且随着层次的变化该融合方法具有很好的可扩展性，有利于提高该方法的对应用环境的普适性。
【IPC分类】G06F3-01, G06K9-62
【公开号】CN104850225
【申请号】CN201510209648
【发明人】陈岭, 沈延斌, 郭浩东
【申请人】浙江大学
【公开日】2015年8月19日
【申请日】2015年4月28日