基于人体爬行波信号动态时间翘曲的人体活动分类外文翻译资料

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

基于人体爬行波信号动态时间翘曲的人体活动分类

Yang Li, Dong Xue, Erik Forrister, George Lee, Brian Garner, and Youngwook Kim

摘要：利用人体爬行波的非线性视觉特性对人体运动活动进行分类。本文综述了非运动人体躯干周围的爬行波传播。测量了男性和女性受试者6种不同运动活动的相关复杂传输数据。将动态时间扭曲算法应用于信号幅度和相位数据的模式识别。研究扩展到不同的身体通道和频率进行比较。

关键词：爬行波，动态时间扭曲（DTW）算法，人体活动分类，人体电磁（EM）波传播。

第一节 介绍

近年来，由于无线体域网络（WBAN）技术具有广阔的发展前景，电磁波在人体表面的传播引起了人们的极大兴趣[1]。典型的WBAN由几个可穿戴的身体传感器节点组成，这些节点连续记录生理数据并将其发送到身体控制单元（例如智能手机），用于远程健康监测、战场通信、个人娱乐和人类太空飞行等应用[2]。了解电磁波是如何沿人体传播或在人体周围传播的，对于设计一个可靠和有效的WBAN至关重要。在这一需求的驱动下，研究人员在过去十年中进行了广泛的研究，发现空间波和表面波效应都可以发生在视线（LOS）、沿体传播，而爬行波效应主要发生在非LOS（NLOS）、绕体传播[3]

最近，研究人员试图利用人体内无线传播特性进行人体活动识别[4]–[5][6]。Guraliuc等人[4]使用可穿戴无线收发器对肢体运动进行分类。穆尼奥斯等人。[5]应用频率分析识别四种不同的活动，提出从动态WBAN通道中提取更多的生物力学信息。王和周[6]回顾了基于身体部位无线电的活动识别技术，如ZigBee、WiFi和RFID。与传统的基于专用物理传感器（运动摄像机、加速度计、陀螺仪等）的活动识别方法相比，人体传播方法具有成本低、功耗高、分类精度高等特点。然而，迄今为止大多数研究只使用了2.45GHz的视距空间波传播的信号幅度（RSS）。在这种通信中，我们研究了使用非直瞄爬行波的幅度和相位来识别运动模式。我们进一步探讨了人类活动分类中不同天线位置（信道）和天线工作频率的最佳选择。

为了解决这些科学问题，我们测量了男性和女性受试者在433兆赫、915兆赫和2.45兆赫WBAN频段的六种不同活动中的爬波传输。然后，我们应用并评估动态时间扭曲（DTW）算法的计算效率，以根据传输数据的大小和相位对活动进行分类。我们将这项研究扩展到包括三个人体传播通道，通常用于WBAN应用，并分析结果，以帮助确定最佳通道及其相关的最佳工作频率。

本次交流的组织方式如下。第二节回顾了人体内的爬行波机制。第三节描述了六种人体运动活动，并介绍了测量设置和结果。第四节介绍并实现了分类算法，第五节报告了测试结果，并比较了不同身体通道和不同操作频率的识别结果。第六节提供讨论和结论。

第二节 体上爬行波传播研究综述

基于人体模型的有限差分时域模拟，在[7]中首次提出了体上爬行波的传播。据观察，电磁波在人体躯干周围传播时呈指数衰减，这一结果也得到了原位测量数据的支持[8]。阿尔维斯等人，[9]从衍射理论中正式推导出了一个分析路径损耗模型，该模型描述了沿有损介质圆柱周围圆路径的蠕变波衰减。他们的理论预测与模拟和测量结果吻合得很好。

为了说明身体上爬行波传播的目的，在915兆赫的工业、科学和医疗（ISM）波段采集了人体躯干周围的复杂传输数据。图1（a）显示了测量设置：发射天线放置在前胸，接收天线在胸部水平围绕躯干水平移动，步距为3cm。在测量过程中，人体的两臂向水平面外展，以避免爬行波传播路径的干扰。发射天线和接收天线都被构造成有限尺寸地面上的四分之一波长单极子（“桥”单极子），并垂直于物体表面。矢量网络分析仪（安捷伦N5230C）用于记录室内开放走廊环境中的测量值。发射和接收天线均通过3米长的同轴电缆（Workhorse Plus-524）连接到矢量网络分析仪（VNA）。

图一（a）体上蠕动波测量装置。（b）915 MHz的测量传输数据以及[9]的理论值

图1（b）显示了相对于缠绕躯干的距离的标准化传输数据。可以清楚地观察到顺时针和时针蠕动波的证据，以及它们在躯干背部的相互干扰（d=0.43米）。来自[9]的蠕变波理论也在图中显示，它与我们的测量数据保持良好的的一致性。

第三节 动态爬坡测量

动态蠕变波的传播是使用两个分别固定在我们参与者躯干前后的天线来测量的。三对四分之一波单极天线分别以433兆赫、915兆赫和2.45兆赫为中心，用于覆盖WBAN频段的不同试验。由于受试者正在进行各种活动，在连续时间模式下使用VNA记录复杂的传输数据，采样率为120赫兹。

我们的动态测量涉及六种不同的活动：（1）拳击;（2）跳跃;（3）左臂摆动;（4）划船;（5）坐着;（6）双臂摆动，如图2所示。参与者连续进行每项活动40秒，并进行三次重复试验。实验中包括两名参与者：1、23岁男性（身高171厘米，体重62公斤）和2、25岁女性（身高164厘米，体重50公斤）。

图2 六项人类活动 （a）拳击（b）跳跃（c）左臂摆动（d）划船（e）坐着（f）双臂摆动

图3显示了男性（蓝色实线）和女性（红色虚线）参与者在915兆赫下六种不同活动的测量参数与时间的代表性示例。将信号的振幅和展开相位归一化为1°和180°进行模式识别。可以清楚地观察到，幅度和相位数据根据活动表现出独特的周期特征，这意味着爬行波通道可以潜在地用于对人类动态运动进行分类。

图3 在915兆赫下测量的六种人类活动胸部到背部天线的参数示例。

（a）拳击（b）跳跃（c）左臂摆动（d）划船（e）坐着（f）双臂摆动

从433兆赫和2.45兆赫的测量值可以得出类似的观察结果。如图所示，4和5，分别代表两项活动（拳击和双臂摆动）。在这两个图中，幅度和相位没有进行标准化，以便于不同频率之间的比较。结果表明，随着频率的增加，信号幅度减小，因为在更高频率下，蠕变波的路径损耗要大得多。由于信噪比较低，2.45GHz下的模式很难识别。

图4在（a）433兆赫（b）915兆赫（c）2.45兆赫下从胸部到背部的拳击活动天线的测量参数

图5 在（a）433兆赫，（b）915兆赫和（c）2.45兆赫下

摆动双臂时胸部到背部天线的测量参数。

第四节 利用动态时间扭曲技术进行人类活动分类

我们应用DTW算法来分类我们测量的，时变传输数据的人类运动活动。DTW有助于评估两个时间信号的相似性，当一个信号与另一个信号在时间上存在线性或非线性变化时[10]。DTW通过在时间上对两个信号进行最佳扭曲，以使信号的相应特征正确对齐，从而补偿此类时间变化，其中可能包括延迟偏移、加速和减速。一旦对齐，就可以评估信号的相似性。DTW已广泛应用于语音自动识别、视频图像信号分析、蛋白质序列比对、部分形状匹配、微多普勒特征识别等领域[11]–[12][13]。我们在本研究中应用DTW是因为考虑到的人体运动是周期性的，但从试验到试验可以以不同或不一致的速率执行。

DTW算法的工作原理是创建一个局部成本矩阵，其中矩阵的每个单元表示两个数据序列样本之间的成对距离，如图6所示。矩阵对角线对应于从左下角单元格（两个序列的第一个样本）到右上角单元格（两个序列的最后一个样本）的剩余未压缩数据。非对角单元格表示一个或两个数据序列中的数据元素，这些数据元素在时间上被移动或扭曲。DTW算法通过跟踪从第一个样本到最后一个样本的路径来计算每个序列的最佳扭曲，从而使总成本函数最小化。成本函数是经过路径的所有单元格的本地距离值之和。当到单元格i，j的最佳路径被定义为单元格（i，j），那么路径中的下一个最佳单元格可以被发现为

Cell(i 1, j 1)= local_distance(i 1, j 1) MIN(cell(i, j 1 ) cell(i, j 1 ))

图6 局部成本矩阵和数据序列与时间之间的扭曲路径。

在我们的DTW实现中，数据序列（X或Y）来自我们的实验试验。这些试验中的每一个都会在多个活动周期内产生值和相位数据与时间的关系。作为一个例子，X可以是男性受试者1在433MHz下进行的一次试验的量值与时间，并进行坐姿活动。然后，对于另一个同样频率和进行划船活动的受试者来说，Y可能是一个量值与时间的关系。DTW允许我们根据量值或相位数据量化任何两个实验试验之间的相似性。这两个试验的数据都是及时扭曲的，直到它们尽可能地彼此一致为止。两次试验之间产生的后扭曲累积距离（成本函数）表示其DTW相似性，最小距离值表示最大相似性。

为了将DTW算法应用于活动分类，我们首先选择参考数据来表示六个活动中的每一个。我们从五个已知活动的试验中随机选择10s的量值和相位数据。我们使用了五个试验，以便在参考数据中包含一定程度的变化，从而降低偏倚的风险。为了对未知活动的测试数据进行分类，我们计算测试数据和每个活动的参考数据之间的总体活动相似性。活动相似性最好的活动（即最小总距离）被视为活动分类。我们对六个活动（总共240个样本数据集）中的40个样本数据集（每个10 s）测试此分类方法。

应该指出的是，我们使用来自同一主题的数据进行参考和测试。这种方法是合理的，因为本研究的目的是应用单个用户的身体上爬行波通道来分类他/她自己的运动模式。由于体形大小、组织特性、运动特性等不同，爬波在不同受试者之间的传播可能不同，从而导致每个受试者具有独特的特征。如果我们与多个受试者交叉验证，分类精度可能会降低。

第五节 结果与讨论

图7（a）和（b）分别显示了基于男性和女性受试者动态蠕变波信号大小和相位的所有活动的DTW分类结果。横轴代表分别在433、915和2450兆赫下使用三个频率进行的试验，纵轴代表分类精度。据观察，915兆赫的蠕变波数据通常为男性和女性受试者提供最佳分类结果。这一结果可能是因为433兆赫的信号变化，其相对较大的波长，小于其他频率，并且2.45兆赫信号中的信息可能受到低信噪比的污染。男性受试者在915兆赫下的准确度为87.5%（基于量级）和88.3%（基于相位）；女性受试者的相应结果分别为95.8%和75.0%。

图7 （a）男性受试者 （b）女性受试者的分类精度

我们的分类结果与以前基于视距空间波的研究结果相当。例如，Guraliuc等人[4]报告两名受试者使用双特征研究的分类准确率分别为70%和85%，以及90%和100%使用五特征研究。王和周[6]报告了三名受试者的分类准确率分别为86.3%、92.5%和84.2%，并建议将实验识别性能分级为低（lt;60%）、中（lt;80%和gt;60%）或高（gt;80%）。根据这一尺度，我们的结果等级为高性能，表明基于爬行波的分类可能是一种有效的方法。

为了进一步探讨这种分类方法，我们研究了有效时间窗大小对分类精度的影响。时间窗应足够大，以捕捉人类运动的至少一个周期，在我们的数据中，时间窗从2到4秒不等。较大的时间窗更适合提高分类精度，但也会增加DTW的计算成本。图8显示了使用915兆赫的爬行波对不同窗口大小的分类精度。图中显示，分类精度在时间窗大于10秒时达到饱和。

图8 运动活动分类精度与时间窗口大小的关系

最后，我们将研究扩展到比较胸-背爬行波通道（ch.1）和其他两种常见的身体通道：胸-左腕通道（ch.2）和左腕-右腕通道（ch.3）的分类结果。对于这两个额外的通道，我们再次测量相同的人体受试者以相同的三个频率进行相同的六项活动，并重复DTW算法对数据进行后处理。图9（a）和（b）显示了基于大小和相位的男性受试者分类结果。图9（c）和（d）显示了女性受试者的相应结果。有趣的是，可以观察到，915兆赫的胸部到背部通道提供了最高的分类精度。

图9 分类精度取决于不同的频道和频率。男性受试者使用（a）量级和（b）相位，女性受试者使用的（c）幅度和（d）相位。

第六节 结论

我们发现，对人体内的爬行波信号进行分析，可以有效地对六种人体运动活动进行分类。我们进一步发现，在433、915和2400兆赫三个频率中，915兆赫频率提供了最高的分类精度。蠕变波传输数据的幅度和相位都提供了足够的独特特征信号，从而具有良好的分类精度。对于所研究的活动，DTW分类算法的10秒时间窗大小提供了分类精度和计算效率之间的最佳权衡。最后胸部到背部的爬行波通道超过身体上的其他通道，提供了最佳的分类精度。

未来的工作可以通过包括更多的受试者来验证所提出方法的有效性来改进这项研究。未来的工作也可以通过包括更多的操作环境（如室内办公室或医院房间）来改进这项研究，以进一步评估建议方法的适用性。研究了传感器位置和方位对分类精度的敏感性。此外，这项研究还可以扩展到探索更复杂的活动，包括下肢运动，腿部运动也可能改变爬行波的特征。最后，结合更先进的信号处理算法，从动态信道中提取更多的生理信息，提高分类性能。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18794]，资料为PDF文档或Word文档，PDF文档可免费转换为Word