导读:本文包含了运动状态识别论文开题报告文献综述及选题提纲参考文献，主要关键词:呼吸声音,运动状态,离线识别算法,特征值提取
运动状态识别论文文献综述
张瑞,陈友荣,陈浩,刘半藤,周骏华[1]（2019）在《基于呼吸声音的用户运动状态离线识别算法》一文中研究指出针对当前可穿戴设备缺少了针对用户自身运动状态的分析,设计了由声音采集模块、骨传导声音播放模块和STM32处理器等模块所组成的声音采集耳机设备,并提出了一种基于呼吸声音的用户运动状态离线识别算法(OLRA)。该算法通过初始化、分帧、能量检测、小波包去噪、特征参数提取、改进K-means聚类、神经网络建模、识别、本地样本更新等步骤实现慢走、慢跑、快跑和环境声音四种状态的离线识别。实验结果表明:OLRA算法可提高不同用户运动状态的正确识别率,降低了错误接受率。(本文来源于《传感器与微系统》期刊2019年12期）
宋宪,王健翔,彭玉鑫[2]（2019）在《基于时空图卷积网络的人体运动状态识别研究》一文中研究指出研究目的:人体运动状态识别一直是人工智能领域的研究热点,这项研究的重要性与实用性日益凸显,并且在很多领域中已开始进行应用。在健康医疗方面,其可以监控人的身体素质与健康状态;在军事训练方面,其可以监控战士的技战术完成质量,降低危险发生概率,提升训练效率;在虚拟现实应用中,其可以增加虚拟现实的真实感,让使用者能够获得更加真实的体验感受。但是,在与之最相关的体育学领域内,却鲜有人体运动状态识别的应用出现。因此,在体育学领域内开展人体运动状态识别的研究具有很高的科学与应用价值。人体运动状态识别分为两步,第一步是是通过传感器获取大量运动状态的数据,第二步是依据相应的技术手段建立运动状态模型进行运动状态识别。传统的运动状态信息获取方法是通过惯性传感器、陀螺仪、弯曲传感器、基于mark点的高速摄影等方式对人体运动状态进行测量。但是,这些需要穿戴传感器或是标记点的方法鲁棒性不强,器件的放置位置与形状都会对数据采集的准确度产生较大的影响。这样一来,上位机内的人工智能分类器便不能很好地区别某些相似的运动状态。随着我国经济社会的不断发展,现在各种公共体育设施和健身房中都已配有摄像头。正常情况下,人眼可以分辨摄像头记录的人体运动状态,无需其他信息辅助。若机器亦可通过视频数据直接识别人体运动状态,则错误或危险的健身动作可以被及时标记,教练也可以做出快速有针对性的指导,从而提高公共体育设施的运营效率。研究方法:由于图像中的人体千差万别,从图像中正确地检测出不同的人体目标具有极大的难度。区分图像中不同物体可以从形状、颜色和纹理等角度来考虑。但是,人体不是刚体,其形状会随运动状态的变化而变化;图像中的人体颜色受到人的种族和拍摄环境的影响也不尽相同;由于人体的着装不同,纹理信息也无法可靠地作为人体识别的特征。而且,人体运动特征不仅包括上述的生物静态特征,还包括更难以识别的肢体摆动特征、重心轨迹特征、肢体角度特征、运动轮廓投影等动态特征。因此,本文选用自提取特征的CNN结构完成人体动作特征识别任务。卷积神经网络(CNN)是一种较为先进的深度学习架构,其灵感来自于生物的自然视觉感知机制。Le-Cun等人在1990年首次提出CNN的概念,开发了一种名为LeNet-5的多层人工神经网络,可以对手写数字进行自动特征提取分类。但是,由于硬件系统的限制,CNN的深度一直没有办法得到很好的增强。换句话说,这种技术的精确度一直无法得到保证。直到2014年,Krizhevsky等人提出了一种经典的AlexNet架构,解决了提高卷积神经网络深度的问题。至此,卷积神经网络结构迎来了大发展。目前,最常用的CNN架构为ZFNet、VGGNet、GoogleNet、和ResNet。但是,这些CNN的架构大多应用于图像的学习与识别上(空间),在连贯的视频动作识别上欠缺连续时序上的动作认知(时间),需要进一步改进。图卷积网络(GCN)是近年来新兴的在图上进行机器学习的一种深度学习模型,可以对连续的图数据进行直接学习,自动生成骨架网络。事实上,即使是随机初始化的2层GCN也可以解读拓扑结构中一些节点的特征表示。人体动作视频中所含有的位置信息需要通过空间图进行表征,而视频中的肢体行进方向与轨迹需要通过时间图进行表征。因此,本文通过一种同时具有空间图与时间图特性的深度学习模型来完成人体动作状态的识别任务。研究结果:在十个人的十次动作中,羽毛球接球、乒乓球接球、深蹲的识别准确率分别为85%、77%、83%。同时,其对羽毛球接球、乒乓球接球与深蹲表现评价的准确率分别为70%、90%、60%,综合准确率为73.6%,具有一定的应用价值。本文认为,从图4中可以看出,深蹲表现评估准确性较差的原因是上肢图节点与下肢图节点和节点连接线的重迭。研究结论:实验结果显示,时空图卷积模型对人体运动状态识别的准确率相对于领域内先进算法处于一个比较高的水平,但是对动作完成度的判断准确率还有待提高。相信在解决了节点与连接线的重迭问题后,准确度会继续提升。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
杨智超,李国辉,李佳韵,申嘉琪[3]（2019）在《基于分散熵和支持向量机的运动状态识别》一文中研究指出针对传统的运动状态识别方法不能对非跌倒运动进行具体区分的问题,提出了一种结合了分散熵和支持向量机的运动状态识别方法。首先计算加速度传感器ADXL345的叁轴加速度数据的均方根作为合成加速度,然后求解合成加速度的分散熵,最后将分散熵输入支持向量机进行识别和分类。选取SisFall数据集的跌倒、走路和上/下楼3类运动状态的加速度信号,对该方法的性能进行评估。实验结果表明,该方法比排列熵方法的分类精度提高了15.5%。该方法不仅具有较高的分类精度,而且明显提高了计算效率,可以更好地识别人体的运动状态。(本文来源于《国外电子测量技术》期刊2019年07期）
孙成开,梅先明,徐佩佩,左保齐[4]（2019）在《基于可穿戴加速度传感器的人体运动状态识别研究》一文中研究指出探讨以加速度传感器模块监测人体运动状态的智能服装,提出一种识别人体运动状态的方法。该方法通过对采集到的数据进行处理,求取人体日常活动状态合加速度的平均值、标准差、峰峰值和平均偏差,从而有效识别人体日常活动的慢走、快走、上下楼梯以及跑步和跌倒,用快速傅里叶变换的方法求取慢走、快走和跑步的时域图对应的频谱图,分析它们的运动频率,从而更加准确的区分走路和跑步。为减少对跌倒的误判,对跌倒过程进行分析,用跌倒阈值以及加速度传感器初始状态位置的改变和跌倒后人体的倾角来对跌倒进一步进行判断。研究表明该方法应用在智能服装中可有效区分人体慢走、快走、跑步、上下楼梯和跌倒。(本文来源于《现代丝绸科学与技术》期刊2019年03期）
殷晓玲,夏启寿,陈晓江,何娟,陈峰[5]（2019）在《基于智能手机感知的人体运动状态深度识别》一文中研究指出为提高智能手机对人体运动状态识别的准确率,提出一种基于并联卷积神经网络(PCNN)的深度识别方法.首先,使用叁维数据矩阵规范传感器数据输入格式;其次,使用2个PCNN分别对人体运动的加速度传感器和陀螺仪数据进行卷积和池化操作,实现部分权重共享;最后,在全连接层对两组卷积神经网络进行合并,并使用softmax函数对人体运动状态进行分类.实验结果表明,采用该方法可以从传感器原始数据中提取人体运动状态的深层特征,与传统的机器学习方法相比较,提高了运动状态的识别率.(本文来源于《北京邮电大学学报》期刊2019年03期）
郭贵昌[6]（2019）在《穿戴式运动状态识别及心率监测的研究》一文中研究指出随着老龄化时代的来临,如何监测老年人的日常运动状态(Activity of Daily Living,ADL)和生理参数,更好的为老年人的日常健康提供保障,变得越来越重要。本系统采用STM32+MTK的双处理器系统,利用九轴惯性传感器MPU9250和心率传感器MAX30102,设计了数据采集模块,定位模块,低功耗模块,运动状态识别模块,心率采集模块的软硬件系统。本文针对穿戴式设备续航时间短的问题,提出了一种运动静止自动切换的低功耗算法。测试结果表明,在低功耗模式时,电流平均降低了约90%;针对运动状态识别实时性不足和识别率低的问题,提出了一种基于时间差和阈值的运动状态识别算法,对走,跑,坐,站,走楼梯和跌倒进行了识别。基本思路为针对每一个动作采用分时间段判别和“一环套一环”的思想,只有当相应时间段的动作在相应的时间差范围内完成才被视为有效。针对坐站阶段性动作和走跑连续性动作,利用静止这一特征来减少误判;经实验验证,本算法针对各个动作的识别准确率都在90%以上,而平均误报率为4.33%,平均漏报率为2.56%。本文采用随机森林分类算法对运动状态进行分类。使用了可变尺度滑动窗口分割技术,分别提取了合加速度、合角速度、俯仰角、横滚角的27个时域和频域特征,每个动作共提取了108个特征,并利用PCA算法做特征提取。测试表明跌倒分类的准确率为100%,ADL分类的准确率为93.48%。与朴素贝叶斯,决策树,K近邻分类算法测试对比,其ADL分别取得了86.96%,89.13%,91.3%的准确率,跌到动作分别取得了87.5%,81.25%,81.25%的准确率,可见随机森林分类算法在运动状态识别方面取得了更好的效果。心率可以反映一个人的健康状况,本文使用MAX30102心率传感器,采用光电容积脉搏波描记法(Photo PlethysmoGraphy,PPG)测量人体心率,经与心电记录仪进行对比,误差率为±2%。(本文来源于《贵州大学》期刊2019-06-01）
徐超男[7]（2019）在《基于运动传感器的车辆行驶状态识别技术研究》一文中研究指出基于机器学习的车辆状态识别技术可以更有效的辅助驾驶人员安全驾驶,降低交通事故率,未来可以为实时监测车辆行驶状态,实现安全自动驾驶提供更好的处理方式。本文利用可装载在车辆上的MPU-6500传感器采集车辆加速度、角速度等姿态数据,利用机器学习算法对车辆行驶状态进行识别。本文主要研究内容如下:为了挖掘出传感器数据的更多特征,本文利用小波时频分析Mallat算法对原始传感器信号进行了多级分解。原始信号被分解为近似系数和多个细节系数。本文分析了信号的时频特征,进而提取了分解系数的细粒度特征,与原始数据信号的粗粒度的时域、频域特征融合作为机器学习算法输入的特征向量。最后,用集成学习算法进行了特征分析与选择,实验结果验证了细粒度特征的有效性。为了解决数据采集过程中,只能使用少量标签样本,而大量未标记样本需要人为标记耗时的问题,本文提出了基于半监督学习算法的扩充训练集策略,结合半监督学习Co-Forest算法和主动学习QBC(Query by committee)算法选择未标记样本。将未标记样本划分为白(可信度高)、灰、黑度(可信度低)叁等级样本,在迭代过程中根据聚类假设执行黑度样本的标签选择。充分利用了灰度和黑度样本,最终优化了未标记样本的选择策略,实验结果表明改进的算法识别准确率高于Co-Forest算法。最后,为了使车辆状态识别技术更有效地应用于实时性较高的真实场景,本文提出基于增量更新模型的识别算法,利用在线随机森林算法对数据分布发生变化的数据流进行预测并实时更新模型,实验结果表明,在线随机森林模型的训练效果优于离线随机森林,它可以用于识别真实场景中的时变车辆状态数据流。(本文来源于《北京邮电大学》期刊2019-05-29）
陈振鑫[8]（2019）在《基于多源信息的下肢运动状态识别研究》一文中研究指出战争、疾病和自然灾害等种种天灾人祸致使大量的人不幸成为肢体残疾者,而假肢可以帮助残肢患者恢复一定的肢体功能,使其能够如常人一样融入社会。传统机械假肢步态僵硬,不同路况需要用户手动调节,使得假肢佩戴者行走不自然,极易感到疲惫。而引入精密传感技术与高效控制算法的智能假肢可以根据步行环境自适应调整假肢步态,使得行走更为自然,在机动性、舒适性和协调性上有着极大的提升。智能假肢研究面临的关键问题是如何实现假肢与佩戴者的信息交互与直觉控制。为使假肢佩戴者实现自然行走,假肢需要通过感知系统获取使用者的行走意图,并以此为依据为使用者提供相应的控制策略与行动助力,因此,对假肢佩戴者行走意图的准确识别是智能假肢自适应控制的前提。常用于估计运动意图的信息主要包括运动学信息、动力学信息和肌电信息。考虑到单一信号不足以提供判断步态模式的所有信息,本文使用多种传感器获取步态关键信息,同时探究了叁种不同识别算法的性能表现,并建立预测模型,实现对下肢运动的初步预测。论文首先通过多源信号采集系统获取反映下肢主动运动信息的肌电信号、空间位置变化的加速度信号、足底受力状况的压力信号及直观反映变化趋势的膝关节角度信号。对肌电信号进行小波阈值消噪处理,对加速度、足底压力和膝关节角度进行平滑滤波,最后对处理过后的信号分别进行特征提取。在多运动模式识别中,利用Relief-F对提取的肌电特征进行筛选,去除无效及冗余特征,减少计算消耗。接着使用LDA、SVM和LM-BP叁类算法分别建立多运动模式的识别模型并进行实验仿真,通过对比识别准确性和时间消耗,初步确定LDA在叁类算法中综合性能最佳。最后,本文通过RBF神经网络建立以膝关节角度信号为输入信息的人体下肢运动预测模型,通过实验仿真发现该下肢运动状态预测模型的结果准确性高,与实际运动趋势几乎吻合,可以为假肢控制提供参考。(本文来源于《山东大学》期刊2019-05-18）
刘林锋,涂亚庆,赵运勇,陈鹏[9]（2019）在《基于可穿戴设备的军校学员运动状态识别方法》一文中研究指出为准确识别军校学员便步、齐步、正步、跑步、仰卧起坐、俯卧撑、折返跑等七类日常运动状态,提出了一种基于可穿戴设备的军校学员运动状态识别方法。该方法首先利用穿戴式加速度数据采集设备采集并分析学员运动数据,并根据预先设定的特征,对运动数据进行特征提取;然后,利用设置的相应阈值对数据特征值进行识别,判断出相应的运动状态;最后,对军校学员日常运动中的七类运动状态进行了实验验证。结果表明:所提出的方法可有效识别学员运动状态,具有较高的识别率。(本文来源于《海军工程大学学报》期刊2019年02期）
殷晓玲,陈晓江,夏启寿,何娟,张鹏艳[10]（2019）在《基于智能手机内置传感器的人体运动状态识别》一文中研究指出针对目前智能手机识别人体运动状态种类少、准确率低的问题,提出一种利用加速度传感器和重力传感器分层识别人体运动状态的方案。首先,利用加速度和重力加速度的关系计算出与手机方向无关的惯性坐标系下的线性加速度;其次,根据人体运动频率的变化范围和线性加速度矢量来确定脚步的波峰和波谷位置;最后,提取线性加速度在时域上的特征向量,使用层次支持向量机方法分层识别人体运动状态。实验结果表明,该方法能有效识别人体6种日常运动状态,准确率达到93.37%。(本文来源于《通信学报》期刊2019年03期）
运动状态识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
研究目的:人体运动状态识别一直是人工智能领域的研究热点,这项研究的重要性与实用性日益凸显,并且在很多领域中已开始进行应用。在健康医疗方面,其可以监控人的身体素质与健康状态;在军事训练方面,其可以监控战士的技战术完成质量,降低危险发生概率,提升训练效率;在虚拟现实应用中,其可以增加虚拟现实的真实感,让使用者能够获得更加真实的体验感受。但是,在与之最相关的体育学领域内,却鲜有人体运动状态识别的应用出现。因此,在体育学领域内开展人体运动状态识别的研究具有很高的科学与应用价值。人体运动状态识别分为两步,第一步是是通过传感器获取大量运动状态的数据,第二步是依据相应的技术手段建立运动状态模型进行运动状态识别。传统的运动状态信息获取方法是通过惯性传感器、陀螺仪、弯曲传感器、基于mark点的高速摄影等方式对人体运动状态进行测量。但是,这些需要穿戴传感器或是标记点的方法鲁棒性不强,器件的放置位置与形状都会对数据采集的准确度产生较大的影响。这样一来,上位机内的人工智能分类器便不能很好地区别某些相似的运动状态。随着我国经济社会的不断发展,现在各种公共体育设施和健身房中都已配有摄像头。正常情况下,人眼可以分辨摄像头记录的人体运动状态,无需其他信息辅助。若机器亦可通过视频数据直接识别人体运动状态,则错误或危险的健身动作可以被及时标记,教练也可以做出快速有针对性的指导,从而提高公共体育设施的运营效率。研究方法:由于图像中的人体千差万别,从图像中正确地检测出不同的人体目标具有极大的难度。区分图像中不同物体可以从形状、颜色和纹理等角度来考虑。但是,人体不是刚体,其形状会随运动状态的变化而变化;图像中的人体颜色受到人的种族和拍摄环境的影响也不尽相同;由于人体的着装不同,纹理信息也无法可靠地作为人体识别的特征。而且,人体运动特征不仅包括上述的生物静态特征,还包括更难以识别的肢体摆动特征、重心轨迹特征、肢体角度特征、运动轮廓投影等动态特征。因此,本文选用自提取特征的CNN结构完成人体动作特征识别任务。卷积神经网络(CNN)是一种较为先进的深度学习架构,其灵感来自于生物的自然视觉感知机制。Le-Cun等人在1990年首次提出CNN的概念,开发了一种名为LeNet-5的多层人工神经网络,可以对手写数字进行自动特征提取分类。但是,由于硬件系统的限制,CNN的深度一直没有办法得到很好的增强。换句话说,这种技术的精确度一直无法得到保证。直到2014年,Krizhevsky等人提出了一种经典的AlexNet架构,解决了提高卷积神经网络深度的问题。至此,卷积神经网络结构迎来了大发展。目前,最常用的CNN架构为ZFNet、VGGNet、GoogleNet、和ResNet。但是,这些CNN的架构大多应用于图像的学习与识别上(空间),在连贯的视频动作识别上欠缺连续时序上的动作认知(时间),需要进一步改进。图卷积网络(GCN)是近年来新兴的在图上进行机器学习的一种深度学习模型,可以对连续的图数据进行直接学习,自动生成骨架网络。事实上,即使是随机初始化的2层GCN也可以解读拓扑结构中一些节点的特征表示。人体动作视频中所含有的位置信息需要通过空间图进行表征,而视频中的肢体行进方向与轨迹需要通过时间图进行表征。因此,本文通过一种同时具有空间图与时间图特性的深度学习模型来完成人体动作状态的识别任务。研究结果:在十个人的十次动作中,羽毛球接球、乒乓球接球、深蹲的识别准确率分别为85%、77%、83%。同时,其对羽毛球接球、乒乓球接球与深蹲表现评价的准确率分别为70%、90%、60%,综合准确率为73.6%,具有一定的应用价值。本文认为,从图4中可以看出,深蹲表现评估准确性较差的原因是上肢图节点与下肢图节点和节点连接线的重迭。研究结论:实验结果显示,时空图卷积模型对人体运动状态识别的准确率相对于领域内先进算法处于一个比较高的水平,但是对动作完成度的判断准确率还有待提高。相信在解决了节点与连接线的重迭问题后,准确度会继续提升。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
运动状态识别论文参考文献
[1].张瑞,陈友荣,陈浩,刘半藤,周骏华.基于呼吸声音的用户运动状态离线识别算法[J].传感器与微系统.2019
[2].宋宪,王健翔,彭玉鑫.基于时空图卷积网络的人体运动状态识别研究[C].第十一届全国体育科学大会论文摘要汇编.2019
[3].杨智超,李国辉,李佳韵,申嘉琪.基于分散熵和支持向量机的运动状态识别[J].国外电子测量技术.2019
[4].孙成开,梅先明,徐佩佩,左保齐.基于可穿戴加速度传感器的人体运动状态识别研究[J].现代丝绸科学与技术.2019
[5].殷晓玲,夏启寿,陈晓江,何娟,陈峰.基于智能手机感知的人体运动状态深度识别[J].北京邮电大学学报.2019
[6].郭贵昌.穿戴式运动状态识别及心率监测的研究[D].贵州大学.2019
[7].徐超男.基于运动传感器的车辆行驶状态识别技术研究[D].北京邮电大学.2019
[8].陈振鑫.基于多源信息的下肢运动状态识别研究[D].山东大学.2019
[9].刘林锋,涂亚庆,赵运勇,陈鹏.基于可穿戴设备的军校学员运动状态识别方法[J].海军工程大学学报.2019
[10].殷晓玲,陈晓江,夏启寿,何娟,张鹏艳.基于智能手机内置传感器的人体运动状态识别[J].通信学报.2019