论文部分内容阅读
摘要：提出了一种利用由MPU6050和CC2541组合的开发板，运用GRNN和PNN实现运动姿态的识别。MPU6050测出三轴加速度的原始数据，CC2541用来采集三轴加速度数据，并通过串口传输到上位机MATLAB端，对原始数据主要的处理方法是通过MATLAB进行小波变换，滤除噪声，得到三轴加速度数据主体部分，并在上位机端编写了提取特征点，特征点在时域和频域各取三个，共有六个特征点，进行运动姿态的识别判断。在特征点的选用上利用算法比较了不同的特征点的组合，得到一个最优结果。在上位机端编写GRNN和PNN的程序，可以运行出准确度，运行时间，得到GRNN的准确度为90.1%，PNN的准确度为91.6%，运行时间均在1秒以下。
关键词：运动姿态识别；mpu6050；cc2541；广义回归神经网络；概率神经网络
中图分类号：TP212 文献标识码：A 文章编号：1009-3044（2018）01-0264-04
Abstract：In this paper， GRNN and PNN were presented to realize motion detection using development board，which includes MPU6050 sensing triaxial accelerometer data ，CC2541 collecting triaxial accelerometer data.The data were transferred to MATLAB via serial communication.The noise were filtered with the help of wavelet analysis and got the main valid data.The features of the motion signal were extracted in frequency domain and time domain， and we got 6 major motion’s features.Different combination of characteristics also have been used in order to comfirm which one was best.According to sinmulation results，GRNN’s recognition rates achieves 90.1% and PNN is 91.6% and the run time was all less than 1 second.
Key words：motion detection； mpu6050；cc2541；GRNN；PNN
1 概述
基于三轴加速度传感器的人体运动姿态识别是人体行为识别领域中一个较新的研究课题。按照人体行为的原始信号获取方式的不同，行为识别可以分为基于视觉的和基于微机电传感器的这两类。基于微机电传感器的行为识别方法通过在人身上安装微机电传感器来获取人体活动时产生的传感器信号，在这种方法中，对动作的识别通常是在人体特定部位放置特定的传感器来获取特定动作的动作特征，并通过这些动作特征来识别动作。本文所使用的行为识别方法是基于微机电传感器器件的。
在文献[1]当中Lee利用5个加速度传感器分别绑在人身体的不同部位，以此实现人体运动姿态的识别，但是由于佩戴器件过多，人会觉得太重了，且识别的精度较低。文献[2]中Ailisto K等用重力加速度在预判运动过程中加速度传感器的方位难点，据此为后来的基于加速度传感器的朝向无关方向提供了理论依据。文献[3]中Gafurov D等人提出了在视频信号中对人体运动姿态分析，对运动特征采用了主成分分析（Principal Components Analysis ，PCA），并利用神經网络对其运动姿态进行分类，包括正常走路，跑步和其他三类运动[1，2，3]。
相比较于基于视觉的行为识别方法，基于加速度传感器的行为识别方法具有抗外界干扰能力强，携带方便，自由的数据获取方式的优点[4，5，6]，提出了一种将三轴加速度信号求取模值，保证了数据的完整性，并依据一定的数据特征，得到加速度的六个特征值，依据这六个特征值，使用广义回归神经网络（GRNN，General Regression Neural Networok）概率神经网络（PNN ，Probabilistic neural network）神经网络模型对人体行为，例如正常走路，上楼，下楼，跑步，停顿进行分类判断。而且广义回归神经网络和不需要像BP神经网络那样的权值修正和可修改的参数少，所以利用这两种方法的分类速度是很快的。
2 实验装置与方法
2.1 实验装置
该文收集数据的平台如图1所示。再通串口将数据发送到电脑端。本系统采用MPU6050加速度传感器来测量加速度数据。MPU6050是美盛（InvenSense）设计全球首例整合性6轴运动处理组件， 支持2。5V∽3。3V的输入电压，三轴加速器提供的测量范围为±2g、±4g、±8g与±16g，一个片上1024 Byte的FIFO（先入先出）的存储区，因此能为系统提供稳定而准确地三轴加速度数据。信号处理及传输模块采用TI公司的CC2541低功耗和私有片载系统，具有高性能、低成本、低功耗等特点和高集成度、易于开发的优势。数据采集后通串口将数据发送到电脑端，用MATLAB进行处理[7，8]。
在实验中，收集加速度信号的装置固定在脚踝上，因其加速度的变化明显。加速度计的X，Y，Z分别指向左右，前进以及重力的方向，采样频率设置为50Hz，量程为± 2。5g。为了更充分利用三轴加速度信号，求取三轴加速度平方根进行分析。实验中，记录下了一个正常成年走路，跑步，上楼，下楼，停顿动作的三轴加速度信息。 2.2 GRNN及PNN介绍[9-12]
广义回归神经网络（GRNN）是径向基函数神经网络的一种特殊形式。
图3是PRNN的原理图。R作为训练输入样本，训练以此确定此网络的参数，IW1.1，b1，IW2.1。权值与阈值确定之后，测试样本输入P与系统的网络径向基层的权值IW1.1求取欧氏距离||Ddist||，||Ddist||与阈值b1点乘得到n1，经过一个径向基函数得到a1，a1与权值IW2.1点乘得到n2，再经过求解线性方程组得到输出。径向基层是确定测试样本与训练的相似程度或者说是两个输入的距离的大小（欧式距离）。当一个测试样本输入到这个确定的网络模型后，其实是将这个测试样本与这个训练样本对比，对比后测试样本的输出其实是与训练样本中某一个类似特征的输出，这也是为什么训练样本输入后，权值与阈值就确定了，其IW1.1，b1， IW2.1是与训练样本有关。当然这个输出会按一定的误差，以满足准确率。
与目前流行的前馈神经网络相比，它具有下述几项优点。
1） 首先，它的网络结构相对简单，除了输入和输出层外，一般只有两个隐藏层，模式层和求和层。而模式中隐藏单元的个数，与训练样本的个数是相同的。
2） 其次，它的网络训练非常简单。当训练样本通过隐藏层的同时，网络训练随即完成。而不像前馈神经网络一样，需要非常长的训练时间和高的计算成本。
3） 由于简单的网络结构，我们不需要对网络的隐藏层数和隐藏单元的个数进行估算和猜测。由于它是从径向基函数引申而来，因此只有一个自由参数，即径向基函数的平滑参数。而它的优化值可以通过交叉验证的方法非常容易的得到。
4） 最后，它的一个非常值得强调的优点就是，网络计算结果的全局收敛性。标准的前馈神经网络的计算结果则会经常不能达到全局收敛，而停止在局部收敛。
概率神经网络（PNN）是基于统计原理的神经网络模型，在分类功能上与最优Bayes 分类器等价，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法，同时它不像传统的多层前向网络那样需要用BP 算法进行反向误差传播的计算，而是完全前向的计算过程。
PNN与GRNN类似，只有在输出的方式不同，PNN采用竞争的方式输出。通常，当一个测试数据输入时，有可能与样本库当中的多个样本数据接近，竞争层就是以最大概率与样本库的特征相近得到测试样本的输出。
PNN它训练时间短、不易产生局部最优，而且它的分类正确率较高。无论分类问题多么复杂只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解PNN 网络具有如下主要优点：
1） 训练快速，其训练时间仅仅略大于读取数据的时间。
2） 无论分类问题多么复杂，只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解。
3） 允许增加或减少训练数据而无需重新进行长时间的训练。
该文分别应用GRNN和PNN对样本进行识别分类，并进行了比较。
3 数据处理
3.1 三轴加速度数据预处理
原始数据的预处理非常重要，好的数据处理方法可以有效提高运动姿态的识别。经过蓝牙串口的传输，原始三轴加速度信号传送到PC端，然后应用MATLAB对原始数据进行预处理。因在重力方向的加速度，有三轴加速度会有地球重力加速的分量作用，因此，首先对三轴加速度的输出编程去除重力的一个偏置。其次，传统的原始加速度信号多用傅里叶变换进行处理，去噪，然而经过傅里叶变换之后就会丢掉某一频率所对应的一个时间信息，这就使得傅里叶变换不适合处理这种非平稳的信号，故本文采用小波变换来克服这个缺点。小波变换具有优良的多分辨率分析的能力，很适合处理这种非平稳信号，被誉为”数学显微镜”。由于通过三轴加速度计采集得到的原始数据含有很多毛刺和突变的地方，采用小波变换进行滤波处理，将信号的噪声部分滤掉，提取有效的信号并不失其变化规律，保留了信号的主体。总的说来，随机信号的消噪过程可以有三部分：一是对信号进行小波分解。这步的关键是根据信号特征选择那种小波基函数，并确定分解层数。二是对分解后的小波系数进行处理。这步的关键是阈值的选取。三是进行重构信号，得到最终去噪后的信号[13]， 本文采用 Haar小波系基函数， 在 MATLAB 程序中，利用Haar小波对信号进行分解，同时对每一层信号进行强制消噪处理，通过重构得到滤波消噪后的信号，图5是进行小波去噪的对比图。最后，除去运动开始和结束时的静止状态信号，仅输出动态的三轴加速度信号。
3.2 特征点的提取及样本库的制作[14]
通过翻阅大量的文献，大致将加速度信号的特征分为时域特征、频域特征和时频特征这三类。该文分别使用了时域特征、频域特征各提取三个特征点。应用时域特征方法时，将预处理后的三轴加速度信号取模的操作，保留全部信息，得到模值后分別求取模值的均值，应用MATLAB函数prctile分别求取数据低于25%，75%的特征点。应用频域特征方法时，论文找出加速度变化最大的那一个轴作为求取频域特征的样本（本文取Y轴），分别求取低于5Hz的尖峰频率，及其数量，0-5Hz的皮频谱积分值。本文验证到底几个特征点可以得到较高的预测效果，六个特征点组成了18种组合（1，12，123，1234，12345，123456，2，23，234，2345，23456，3，34，345，3456，4，45，456）随机组合，分别进行测试。
3.3 算法说明
样本库是由10000*6的输入数据和10000*1的输出数据组成，分成9600*6的训练集和400*6测试集验证。这个9600个数据包含了直线走路，跑步，上楼，下楼，原地踏步五个动作。将9600个样本用MATLAB函数randperm（），随机打乱。用cputime计算GRNN和PNN的分类识别的时间，利用函数newGRNN（）和newPNN（）神经网络模型的建立，再用函数sim（）进行分类识别。 4 运动识别并仿真
图6是三轴加速度原始数据图，收集了直线走路，跑步，上楼，下楼，原地踏步五个动作。
为了分类识别方便，故在算法中将直线走路，上楼，下楼，跑步，原地踏步，分别设置为1，2，3，4，5。从图7可以看出，其仿真结果GRNN为90。1%，PNN为91。2%。
从图8可以看到，GRNN不一定在六个特征值处会得到最佳的预测，而是部分特征就可以得到较高得预测精度。在算法中，判断了18个模型之后，选择了精度最高的作为输出。
从图9可以看出，GRNN和PNN所用的时间都是极短，不到1秒的时间内，就把模型搭建好，训练9600个样本，同时预测400个样本，效果是很不错的。
5 总结与展望
在本文中，搭载了一个MPU6050加速度收集装置与处理三轴加速度数据的CC2541蓝牙芯片，数据传输到上位机端MATLAB后，进行原始数据的小波变换滤波处理，为了充分利用三轴加速度数据，将其取模值后提取六个特征值，利用了广义神经网络（GRNN）和概率神经网络（PNN）进行了运动姿态的识别判断，包括正常走路，跑步，上楼，下楼，停顿动作。实验结果显示其准确率达到了90.1%（GRNN），91.2%（PNN），且识别速度很快，都在1秒以下。
该文的方法中，准确率都达到了90%以上，但是还是可以有改进的空间，进一步提升准确率。在将来，我们将会提出另一个算法限学习机（Extreme Learning Machine ，ELM）[15]，因其算法的特性，就是求解一个方程组，只要求解出系数矩阵，理论上其算法可以将准确率提升到100%。
参考文献：
[1] Lee S W，Mase K.Activity and Location recognition using wearable sensors[J].IEEE Pervasive Computing ，2002，1（3）：24-32.
[2] Ailisto K， Lindholm.M， Mantyjarvi.J，etal.Identifying people from gait pattern with accelerometers[C]//Proceeding of SPIE， Biometric Technolog y for Human identification Ⅱ . Orlando， FL， United States， 2005： 7-14.
[3] Gafurov D， Snekkenes E， Bours P. Spoof attacks on gait authentication system [J]. IEEE Transactions on Information Forensics and Security， 2007，2（3）：491-502.
[4] LIU Rong， ZHOU Jianzhong， LIU Ming， et al. A wearable acceleration sensor system for gait recognition [C]//Proceeding of 2nd IEEE Conference on Industrial Electronics and Applications. Harbin， China， 2007： 2654-2569.
[5] 李锋，潘敬奎.基于三轴加速度传感器的人体运动识别[J].计算机研究与发展，2016，53（3）：622.
[6] 王犇，袁涛，梁灿.基于加速度特征点提取的步态身份认证[J].北京：清华大学学报，2009，49（10）：1601-1604.
[7] 2.4-GHz Bluetooth? 低能耗和私有片载系统 （Rev. D）.[2013年7月30日]
http：//www.ti.com.cn/product/cn/CC2541/technicaldocuments
[8] MPU-6000 and MPU-6050 Product Specification Revision 3.4[2013年8月19日]
https：//store.invensense.com/datasheets/invensense/MPU6050_DataSheet_V3 4.pdf
[9] 駱昕.基于广义回归人工神经网络的手写数字识别研究[D].西安，西安科技大学，2013.
[10] 石翠萍，三维步态识别[D].扬州，扬州大学，2007.
[11] 陈猛，基于PNN测井剩余油饱和度的监测[D].荆州，长江大学，2013.
[12] 雷可军，基于小波变换与PNN神经网络相结合的指纹识别系统[D].长沙，湖南大学2007.
[13] 彭志科，卢文秀，褚福磊，等.新的基于小波变换的振动信号消噪方法 [J]. 机械工程学报，2006，42（4）：18-22，31.
[14] 徐川龙.基于三维加速度传感器的人体行为识别[D].杭州，浙江工业大学，2013.
[15] 王智慧，BP神经网络与ELM算法研究[D].杭州，中国计量大学，2012.
关键词：运动姿态识别；mpu6050；cc2541；广义回归神经网络；概率神经网络
中图分类号：TP212 文献标识码：A 文章编号：1009-3044（2018）01-0264-04
Abstract：In this paper， GRNN and PNN were presented to realize motion detection using development board，which includes MPU6050 sensing triaxial accelerometer data ，CC2541 collecting triaxial accelerometer data.The data were transferred to MATLAB via serial communication.The noise were filtered with the help of wavelet analysis and got the main valid data.The features of the motion signal were extracted in frequency domain and time domain， and we got 6 major motion’s features.Different combination of characteristics also have been used in order to comfirm which one was best.According to sinmulation results，GRNN’s recognition rates achieves 90.1% and PNN is 91.6% and the run time was all less than 1 second.
Key words：motion detection； mpu6050；cc2541；GRNN；PNN
1 概述
基于三轴加速度传感器的人体运动姿态识别是人体行为识别领域中一个较新的研究课题。按照人体行为的原始信号获取方式的不同，行为识别可以分为基于视觉的和基于微机电传感器的这两类。基于微机电传感器的行为识别方法通过在人身上安装微机电传感器来获取人体活动时产生的传感器信号，在这种方法中，对动作的识别通常是在人体特定部位放置特定的传感器来获取特定动作的动作特征，并通过这些动作特征来识别动作。本文所使用的行为识别方法是基于微机电传感器器件的。
在文献[1]当中Lee利用5个加速度传感器分别绑在人身体的不同部位，以此实现人体运动姿态的识别，但是由于佩戴器件过多，人会觉得太重了，且识别的精度较低。文献[2]中Ailisto K等用重力加速度在预判运动过程中加速度传感器的方位难点，据此为后来的基于加速度传感器的朝向无关方向提供了理论依据。文献[3]中Gafurov D等人提出了在视频信号中对人体运动姿态分析，对运动特征采用了主成分分析（Principal Components Analysis ，PCA），并利用神經网络对其运动姿态进行分类，包括正常走路，跑步和其他三类运动[1，2，3]。
相比较于基于视觉的行为识别方法，基于加速度传感器的行为识别方法具有抗外界干扰能力强，携带方便，自由的数据获取方式的优点[4，5，6]，提出了一种将三轴加速度信号求取模值，保证了数据的完整性，并依据一定的数据特征，得到加速度的六个特征值，依据这六个特征值，使用广义回归神经网络（GRNN，General Regression Neural Networok）概率神经网络（PNN ，Probabilistic neural network）神经网络模型对人体行为，例如正常走路，上楼，下楼，跑步，停顿进行分类判断。而且广义回归神经网络和不需要像BP神经网络那样的权值修正和可修改的参数少，所以利用这两种方法的分类速度是很快的。
2 实验装置与方法
2.1 实验装置
该文收集数据的平台如图1所示。再通串口将数据发送到电脑端。本系统采用MPU6050加速度传感器来测量加速度数据。MPU6050是美盛（InvenSense）设计全球首例整合性6轴运动处理组件， 支持2。5V∽3。3V的输入电压，三轴加速器提供的测量范围为±2g、±4g、±8g与±16g，一个片上1024 Byte的FIFO（先入先出）的存储区，因此能为系统提供稳定而准确地三轴加速度数据。信号处理及传输模块采用TI公司的CC2541低功耗和私有片载系统，具有高性能、低成本、低功耗等特点和高集成度、易于开发的优势。数据采集后通串口将数据发送到电脑端，用MATLAB进行处理[7，8]。
在实验中，收集加速度信号的装置固定在脚踝上，因其加速度的变化明显。加速度计的X，Y，Z分别指向左右，前进以及重力的方向，采样频率设置为50Hz，量程为± 2。5g。为了更充分利用三轴加速度信号，求取三轴加速度平方根进行分析。实验中，记录下了一个正常成年走路，跑步，上楼，下楼，停顿动作的三轴加速度信息。 2.2 GRNN及PNN介绍[9-12]
广义回归神经网络（GRNN）是径向基函数神经网络的一种特殊形式。
图3是PRNN的原理图。R作为训练输入样本，训练以此确定此网络的参数，IW1.1，b1，IW2.1。权值与阈值确定之后，测试样本输入P与系统的网络径向基层的权值IW1.1求取欧氏距离||Ddist||，||Ddist||与阈值b1点乘得到n1，经过一个径向基函数得到a1，a1与权值IW2.1点乘得到n2，再经过求解线性方程组得到输出。径向基层是确定测试样本与训练的相似程度或者说是两个输入的距离的大小（欧式距离）。当一个测试样本输入到这个确定的网络模型后，其实是将这个测试样本与这个训练样本对比，对比后测试样本的输出其实是与训练样本中某一个类似特征的输出，这也是为什么训练样本输入后，权值与阈值就确定了，其IW1.1，b1， IW2.1是与训练样本有关。当然这个输出会按一定的误差，以满足准确率。
与目前流行的前馈神经网络相比，它具有下述几项优点。
1） 首先，它的网络结构相对简单，除了输入和输出层外，一般只有两个隐藏层，模式层和求和层。而模式中隐藏单元的个数，与训练样本的个数是相同的。
2） 其次，它的网络训练非常简单。当训练样本通过隐藏层的同时，网络训练随即完成。而不像前馈神经网络一样，需要非常长的训练时间和高的计算成本。
3） 由于简单的网络结构，我们不需要对网络的隐藏层数和隐藏单元的个数进行估算和猜测。由于它是从径向基函数引申而来，因此只有一个自由参数，即径向基函数的平滑参数。而它的优化值可以通过交叉验证的方法非常容易的得到。
4） 最后，它的一个非常值得强调的优点就是，网络计算结果的全局收敛性。标准的前馈神经网络的计算结果则会经常不能达到全局收敛，而停止在局部收敛。
概率神经网络（PNN）是基于统计原理的神经网络模型，在分类功能上与最优Bayes 分类器等价，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法，同时它不像传统的多层前向网络那样需要用BP 算法进行反向误差传播的计算，而是完全前向的计算过程。
PNN与GRNN类似，只有在输出的方式不同，PNN采用竞争的方式输出。通常，当一个测试数据输入时，有可能与样本库当中的多个样本数据接近，竞争层就是以最大概率与样本库的特征相近得到测试样本的输出。
PNN它训练时间短、不易产生局部最优，而且它的分类正确率较高。无论分类问题多么复杂只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解PNN 网络具有如下主要优点：
1） 训练快速，其训练时间仅仅略大于读取数据的时间。
2） 无论分类问题多么复杂，只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解。
3） 允许增加或减少训练数据而无需重新进行长时间的训练。
该文分别应用GRNN和PNN对样本进行识别分类，并进行了比较。
3 数据处理
3.1 三轴加速度数据预处理
原始数据的预处理非常重要，好的数据处理方法可以有效提高运动姿态的识别。经过蓝牙串口的传输，原始三轴加速度信号传送到PC端，然后应用MATLAB对原始数据进行预处理。因在重力方向的加速度，有三轴加速度会有地球重力加速的分量作用，因此，首先对三轴加速度的输出编程去除重力的一个偏置。其次，传统的原始加速度信号多用傅里叶变换进行处理，去噪，然而经过傅里叶变换之后就会丢掉某一频率所对应的一个时间信息，这就使得傅里叶变换不适合处理这种非平稳的信号，故本文采用小波变换来克服这个缺点。小波变换具有优良的多分辨率分析的能力，很适合处理这种非平稳信号，被誉为”数学显微镜”。由于通过三轴加速度计采集得到的原始数据含有很多毛刺和突变的地方，采用小波变换进行滤波处理，将信号的噪声部分滤掉，提取有效的信号并不失其变化规律，保留了信号的主体。总的说来，随机信号的消噪过程可以有三部分：一是对信号进行小波分解。这步的关键是根据信号特征选择那种小波基函数，并确定分解层数。二是对分解后的小波系数进行处理。这步的关键是阈值的选取。三是进行重构信号，得到最终去噪后的信号[13]， 本文采用 Haar小波系基函数， 在 MATLAB 程序中，利用Haar小波对信号进行分解，同时对每一层信号进行强制消噪处理，通过重构得到滤波消噪后的信号，图5是进行小波去噪的对比图。最后，除去运动开始和结束时的静止状态信号，仅输出动态的三轴加速度信号。
3.2 特征点的提取及样本库的制作[14]
通过翻阅大量的文献，大致将加速度信号的特征分为时域特征、频域特征和时频特征这三类。该文分别使用了时域特征、频域特征各提取三个特征点。应用时域特征方法时，将预处理后的三轴加速度信号取模的操作，保留全部信息，得到模值后分別求取模值的均值，应用MATLAB函数prctile分别求取数据低于25%，75%的特征点。应用频域特征方法时，论文找出加速度变化最大的那一个轴作为求取频域特征的样本（本文取Y轴），分别求取低于5Hz的尖峰频率，及其数量，0-5Hz的皮频谱积分值。本文验证到底几个特征点可以得到较高的预测效果，六个特征点组成了18种组合（1，12，123，1234，12345，123456，2，23，234，2345，23456，3，34，345，3456，4，45，456）随机组合，分别进行测试。
3.3 算法说明
样本库是由10000*6的输入数据和10000*1的输出数据组成，分成9600*6的训练集和400*6测试集验证。这个9600个数据包含了直线走路，跑步，上楼，下楼，原地踏步五个动作。将9600个样本用MATLAB函数randperm（），随机打乱。用cputime计算GRNN和PNN的分类识别的时间，利用函数newGRNN（）和newPNN（）神经网络模型的建立，再用函数sim（）进行分类识别。 4 运动识别并仿真
图6是三轴加速度原始数据图，收集了直线走路，跑步，上楼，下楼，原地踏步五个动作。
为了分类识别方便，故在算法中将直线走路，上楼，下楼，跑步，原地踏步，分别设置为1，2，3，4，5。从图7可以看出，其仿真结果GRNN为90。1%，PNN为91。2%。
从图8可以看到，GRNN不一定在六个特征值处会得到最佳的预测，而是部分特征就可以得到较高得预测精度。在算法中，判断了18个模型之后，选择了精度最高的作为输出。
从图9可以看出，GRNN和PNN所用的时间都是极短，不到1秒的时间内，就把模型搭建好，训练9600个样本，同时预测400个样本，效果是很不错的。
5 总结与展望
在本文中，搭载了一个MPU6050加速度收集装置与处理三轴加速度数据的CC2541蓝牙芯片，数据传输到上位机端MATLAB后，进行原始数据的小波变换滤波处理，为了充分利用三轴加速度数据，将其取模值后提取六个特征值，利用了广义神经网络（GRNN）和概率神经网络（PNN）进行了运动姿态的识别判断，包括正常走路，跑步，上楼，下楼，停顿动作。实验结果显示其准确率达到了90.1%（GRNN），91.2%（PNN），且识别速度很快，都在1秒以下。
该文的方法中，准确率都达到了90%以上，但是还是可以有改进的空间，进一步提升准确率。在将来，我们将会提出另一个算法限学习机（Extreme Learning Machine ，ELM）[15]，因其算法的特性，就是求解一个方程组，只要求解出系数矩阵，理论上其算法可以将准确率提升到100%。
参考文献：
[1] Lee S W，Mase K.Activity and Location recognition using wearable sensors[J].IEEE Pervasive Computing ，2002，1（3）：24-32.
[2] Ailisto K， Lindholm.M， Mantyjarvi.J，etal.Identifying people from gait pattern with accelerometers[C]//Proceeding of SPIE， Biometric Technolog y for Human identification Ⅱ . Orlando， FL， United States， 2005： 7-14.
[3] Gafurov D， Snekkenes E， Bours P. Spoof attacks on gait authentication system [J]. IEEE Transactions on Information Forensics and Security， 2007，2（3）：491-502.
[4] LIU Rong， ZHOU Jianzhong， LIU Ming， et al. A wearable acceleration sensor system for gait recognition [C]//Proceeding of 2nd IEEE Conference on Industrial Electronics and Applications. Harbin， China， 2007： 2654-2569.
[5] 李锋，潘敬奎.基于三轴加速度传感器的人体运动识别[J].计算机研究与发展，2016，53（3）：622.
[6] 王犇，袁涛，梁灿.基于加速度特征点提取的步态身份认证[J].北京：清华大学学报，2009，49（10）：1601-1604.
[7] 2.4-GHz Bluetooth? 低能耗和私有片载系统 （Rev. D）.[2013年7月30日]
http：//www.ti.com.cn/product/cn/CC2541/technicaldocuments
[8] MPU-6000 and MPU-6050 Product Specification Revision 3.4[2013年8月19日]
https：//store.invensense.com/datasheets/invensense/MPU6050_DataSheet_V3 4.pdf
[9] 駱昕.基于广义回归人工神经网络的手写数字识别研究[D].西安，西安科技大学，2013.
[10] 石翠萍，三维步态识别[D].扬州，扬州大学，2007.
[11] 陈猛，基于PNN测井剩余油饱和度的监测[D].荆州，长江大学，2013.
[12] 雷可军，基于小波变换与PNN神经网络相结合的指纹识别系统[D].长沙，湖南大学2007.
[13] 彭志科，卢文秀，褚福磊，等.新的基于小波变换的振动信号消噪方法 [J]. 机械工程学报，2006，42（4）：18-22，31.
[14] 徐川龙.基于三维加速度传感器的人体行为识别[D].杭州，浙江工业大学，2013.
[15] 王智慧，BP神经网络与ELM算法研究[D].杭州，中国计量大学，2012.