基于改进朴素贝叶斯分类器康复训练行为识别方法

《基于改进朴素贝叶斯分类器康复训练行为识别方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于改进朴素贝叶斯分类器康复训练行为识别方法　　摘要：为提高康复训练中行为的识别率，对康复训练行为识别进行研究。首先采用Kinect传感器提取人体骨骼坐标信息，定义运动特征分类集合，完成朴素贝叶斯分类器设计；然后改进康复训练动作识别阈值选择机制提升识别率。改进前后对比实验证明该方法快速简洁，取得了较理想的识别效果。关键词：康复训练；Kinect传感器；阈值选择；朴素贝叶斯分类器；行为识别0引言5近年来，电子通信技术的快速发展使得基于家庭的远程康复训练系统成为现实。在康复训练过程中，由于人体运动姿态的非刚性特点以及训练行为类别的模糊定义[1]，使得人体姿态行为数据的分类成为一个重要的研究课题

2、。目前主流的康复训练中人体运动跟踪技术包括以惯性传感器为代表的非视觉跟踪技术和视觉跟踪技术。在基于视觉跟踪技术的人体行为分析中，Chang等[2]利用Kinect传感器与高保真光学捕捉系统对康复训练中运动行为的跟踪性能进行对比；B等[3]结合Kinect传感器和惯性传感器对康复训练中腿部关节角度进行检测；Parajuli等[4]利用Kinect传感器检测老年人的姿态，分析其运动机能或判定是否摔倒。结果表明，同惯性传感器和普通的视觉传感器相比，Kinect传感器能在不受光照、背景等因素的影响下获取关节点坐标信息，因此选用Kinect传感器对康复训练中的动作进行数据采集。目前常见的分类器的构造

3、方法包括决策树算法[5]、贝叶斯算法[6]、支持向量机算法[7]、隐马尔可夫算法[8]和人工神经网络算法[9]等。通过对分类算法的比较研究发现，基于概率推理的贝叶斯模型对于解决复杂行为不确定性和关联性引起的问题很有优势，是学习效率和分类效果最好的分类器之一。由于Kinect传感器提取到的是关节点坐标信息，因此本文针对康复训练时动作行为空间范围中的位置阈值的选择问题，对朴素贝叶斯康复训练行为分类器进行改进。利用从Kinect传感器提取的人体骨骼坐标信息组成运动特征分类集合，设计一种朴素贝叶斯康复训练行为分类器，并在朴素贝叶斯分类器的基础上添加一个阈值计算环节。改进前和改进后的对比实验证明，改

4、进后的朴素贝叶斯分类器对康复训练中的动作具有更好的分类效果，并提高了动作的识别率。1Kinect传感器获取骨骼信息5Kinect传感器是微软公司开发的一种3D体感摄像机，可以通过该设备的两类摄像头获取彩色和深度图像数据，并且支持实时的全身骨骼跟踪，以此来判别人体动作行为[10]。设备如图1所示。图片图1Kinect设备Kinect传感器基于采集到的深度图像，采用分割技术将人体从背景环境中区分出来，并利用随机森林[11]等分类算法将人体各个部位进行区分定位，得出骨骼关节点的坐标信息。其开发包KinectSDK提供了一个多语言、跨平台的框架，该框架不仅可以进行骨骼识别、声音识别以及人脸识别[1

5、2]，还可以与外界硬件进行沟通。此外，KinectSDK还包括中间层空间，可以用来做追踪处理。每一帧的骨骼图像中都有被跟踪的人的姿势，包括20个关节点，如图2所示。传感器以每秒30帧的速度生成骨骼图像流，实时地重现人体的运动状态。利用Kinect传感器获取人体的骨骼信息，当训练者的动作不够连贯或者局限于Kinect硬件的性能，骨骼关节点的相对位置可能在帧与帧之间的变动很大，出现抖动和跳帧的现象，会导致人机交互的不便。由于Kinect会在一定的时间间隔内不断地产生一帧一帧的骨骼数据，因此使用统计的方法进行滑动平均，这样能够减少时间序列数据中的噪声和极值，使用Kinect5SDK中的霍尔特指数

6、平滑法[13]来优化关节点抖动所产生的误差数据，使用不同的平滑参数对原序列的时间和骨骼位置两种因素进行平滑，对动作进行平滑处理，达到更好的人机交互效果。2基于改进的朴素贝叶斯分类器的康复本文训练行为识别方法2.1朴素贝叶斯分类器分类器的设计是在已有数据的基础上构造出一个分类模型，通过该模型能够为特征集描述的实例制定最合适的类标记。朴素贝叶斯分类器是一种基于独立假设的贝叶斯定理的简单概率分类器[14]，假设样本的每个特征与其他特征都不相关，根据先验概率和计算给定的待分类实例属于各个类别的条件概率联合求得后验概率，选取计算所得后验概率最高的类别，进行非确定性的决策。设每个实例x可由属性值的集合

7、描述，分类实例x的目标是在给定描述实例属性值〈a1，a2，…，am〉情况下，找出最可能的类标记c（x）。根据极大后验假设可以得出：朴素贝叶斯分类基于一个基本假设，在给定目标值是属性值之间相互条件独立。基于这个假设，应用贝叶斯公式可以将式（1）改写成：其中：P（c）表示c的先验概率，P（aj

8、c）是通过计算训练实例集中不同类和属性值组合的出现概率进行的估计。5朴素贝叶斯分类器具有良好的分类效果，尽管在实际应用中，朴素贝叶斯