基于IMU传感器人体动作识别关键技术研究

Human activity recognition (HAR) has attracted increasing interests in the field of machine learning and pattern recognition due to its scientific challenges, and has shown its potential in many applications, such as virtual reality, human-computer interaction, elderly guardianship and early disease prediction. With the popularization of wearable devices, sensor based HAR has become a research focus. In this paper, some key problems of HAR based on IMU sensor are studied, the main contributions are concluded as followings: .1. This paper proposes an intuitive approach for action similarity labeling based on the adaptive boosting strategy, which aims at verifying whether a pair of action sequences contain the same type of action or not. .2. This paper proposes to recognize unknown/novel action categories without any label examples. The proposed algorithm equips the conventional correcting output codes approach with the additional capability of zero-shot action recognition. .3. This paper proposes a novel approach for fast action retrieval from massive action sequences via feature disaggregation. This method exploits the correlations among different feature from dimensions and proposes a kernelized version of Disaggregation Hasing for better performance..4. Together with Huawei company to build the largest human daily behavior database, which will provide a wealth of data resources for the HAR field.

人体动作识别在虚拟现实、人机交互、老年人监护、早期疾病预测等诸多领域有着重要的学术研究与实际应用价值，吸引了机器学习、模式识别领域研究人员的广泛关注。随着可穿戴设备的逐渐普及，基于可穿戴设备的人体动作识别逐渐成为研究热点。本文针对基于IMU传感器人体动作识别中的若干关键问题展开研究，主要贡献包括以下几点：.1.提出一种基于自适应增强学习的复杂动作相似度标注方法，判断人体动作序列是否包含相同类别的动作；.2.提出了一种针对无标注样本未知动作的识别方法，通过解决领域偏移问题，改进传统的纠错输出编码，使其具有零样本动作识别能力；.3.提出一种基于特征解集的人体动作快速检索方法，通过挖掘不同特征维度之间的关联关系，引入解集哈希的方法提高人体动作检索性能；.4.联合华为公司采集全球最大规模人体日常行为动作数据库，将为该领域后续研究提供丰富的数据资源。

人体动作识别在虚拟现实、人机交互、游戏娱乐、医疗康复领域有着重要的学术研究与实际应用价值，吸引了机器学习、模式识别领域研究人员的广泛关注。随着可穿戴设备的普及，基于可穿戴设备的人体动作识别逐渐成为研究热点。基于传感器的动作识别在过去几年出现了一些研究成果，然而研究中所用的数据库规模和动作种类都比较少，导致机器学习常见算法在这些库上的识别率都很高，无法鉴别各算法的优劣性，且适用于这些数据库的算法迁移到其它数据时泛化性能较差。.本研究预期目标是基于IMU传感器完成人体动作检索、无标注样本未知动作识别、复杂动作相似度标注等研究任务，然而在执行过程中，国内外已有数据库由于设计方面的缺陷，无法用来满足本课题研究目标的需求。因此，本课题重新建设了基于高精度光学传感器3D人体套路动作数据库、基于IMU传感器的套路动作数据库(进行中)，并在此基础上进行相关算法开发。.本课题的主要贡献包括：.1.构建了首个基于光学传感器的高精度(0.1mm) CISS-3DAction 人体太极拳套路动作数据库，该数据库从数据精度、实验者数量、动作种类、专业性等上面弥补了国际主流数据库存在的不足之处。该数据库可以用来进行3D人体动作识别、动作分割、动作检索等问题研究。.2.开发了基于IMU传感器的17节点高精度人体可穿戴设备，用来捕捉人体关键节点运动姿态。该设备比市面上同款产品更易于穿戴，数据传输速度、采集精度、采集时长都达到了同类产品领先水平。