本發明屬于活動識別，具體涉及了一種基于近超聲信號的非接觸式健身動作識別方法。

背景技術：

1、隨著經濟的快速發展以及人們日常生活質量的不斷提高，越來越多的人關注自己的健康狀況和體型，導致健身的流行度迅速增長。有效的健身可以帶來諸多好處，例如增加肌肉力量、改善體型以及降低心血管疾病的風險。然而，由于生活節奏加快，許多人去專門的健身房變得不方便。此外，成為健身房會員并咨詢私人教練通常需要花費較多金錢。因此人們開始在家或辦公室進行健身，這更有助于節省時間和金錢。健身者們通過聘請健身教練以獲取有效的監督和指導，或通過手機攝像頭結合健身app進行跟練，而這些方法有著個人隱私泄漏的風險，并不適用于在如辦公室、家等私密場合進行。

2、同時，還有許多人借助智能手表等可穿戴設備進行健身監測，由于其設備特性與功能需求，這些裝置通常與皮膚直接接觸，一定程度上阻礙了健身運動的自由性，且在此類設備充電時無法正常使用。因此，開發一種非侵入式、易于部署且抗干擾的健身監測方法，以提供詳細的健身統計數據并幫助提高健身效果，已成為當務之急。

技術實現思路

1、為了解決背景技術中存在的問題，本發明的目的在于提供一種基于近超聲信號的非接觸式健身動作識別方法，旨在解決現有技術對健身活動的識別通常依賴健身教練、視覺或可穿戴設備，可能浪費金錢、泄露用戶隱私，對用戶造成不適，影響生活質量的問題。

2、本發明采用的技術方案如下，包括以下步驟：

3、步驟s1、首先在健身運動區域中布置麥克風和揚聲器，使用揚聲器發射近超聲chirp信號，并利用麥克風進行健身動作的回波信號采集；

4、步驟s2、對步驟s1采集的健身動作回波信號進行濾波處理得到幅度譜圖，接著對幅度譜圖進行分割得到標準動作圖像塊，利用標準動作圖像塊構建健身動作數據集；

5、步驟s3、接著，構建動作識別模型，將健身動作數據集輸入到構建好的動作識別模型中進行訓練，獲得訓練好的動作識別模型；

6、本發明的動作識別模型可采用常規的圖像分類神經網絡。

7、步驟s4、最后，利用麥克風采集健身者在健身過程中的回波信號，對健身動作回波信號依次進行濾波、分割處理得到標準動作圖像塊，再將標準動作圖像塊輸入到訓練好的動作識別模型中，輸出健身者的健身動作的識別結果。

8、步驟s3利用健身動作數據集完成densenet-264網絡的訓練，健身者在健身區域中進行健身活動時，對采集到的用戶動作回波數據進行分析，獲取用戶健身運動所對應的幅度譜圖并進行動作單元分割，將所得結果輸入網絡進行健身動作的識別。具體地，將健身動作數據集隨機劃分成3個子數據集，其中訓練數據集占75％，驗證數據集占15％，測試數據集占10％，采用densenet-264網絡作為深度學習網絡進行動作識別，具體地，使用帶有4個密集塊的densenet結構，輸入圖像大小為224×224，增長率k為32。

9、所述的步驟s1具體為：

10、首先在健身運動區域中，將麥克風和揚聲器布置于健身運動區域的邊界，所述麥克風和揚聲器位于同一高度，且麥克風和揚聲器均朝向健身者正面；接著，使用揚聲器向健身者發射自定義的近超聲chirp信號，同時利用麥克風接收由健身者進行健身運動時各種標準動作下反射的回波信號，所述定制近超聲chirp信號的發送頻率為17khz-20khz，信號發送總時長為3～5min，所述標準動作包括深蹲、箭步蹲、啞鈴推舉、啞鈴側平舉、啞鈴前平舉和啞鈴飛鳥。

11、具體實施中，選擇長方形區域作為健身運動區域，麥克風和揚聲器分別采用手機麥克風和商用級別揚聲器jbl?go?2音響，將麥克風和揚聲器布置在健身運動區域左側邊界的同一平面，二者位于同一高度，均距離地面高度1.2m，兩者均朝向健身者，使用商用級別揚聲器發送總時長3min，頻率為17khz-20khz的定制近超聲chirp信號，每一幀持續時間為ts＝30ms，幀間間隔時間為tinterval＝20ms，總時間tref＝50ms，刷新率為20hz。手機開啟錄音功能，使用手機麥克風接收由人體進行6種健身活動時的反射的回波信號，6種健身運動包括深蹲、箭步蹲、啞鈴推舉、啞鈴側平舉、啞鈴前平舉、啞鈴飛鳥，形成文件格式為采樣率48hz，16位的wav格式的音頻文件。

12、所述步驟s2中，對健身動作的回波信號進行濾波處理得到幅度譜圖的具體方式如下：

13、步驟s2.1.1、首先將同種標準動作下m次采集的回波信號同步輸入到巴特沃斯帶通濾波器中以進行濾波，得到頻率在14khz-23khz范圍的回波信號y[n]，使用巴特沃斯帶通濾波器是為了去除噪聲和其他不相關的頻率，僅保留14khz-23khz范圍內的頻率成分；

14、步驟s2.1.2、然后將揚聲器發射的近超聲chirp信號作為參考信號x[n]，濾波后的回波信號y[n]與參考信號之間的互相關函數rxy[k]的表達式如下：

15、

16、其中，n為信號的采樣點數；k為樣本延遲；

17、步驟s2.1.3、接著使用峰值提取算法對回波信號與參考信號之間的互相關函數rxy[k]進行峰值提取，得到互相關函數rxy[k]的最大峰；

18、步驟s2.1.4、提取互相關函數rxy[k]的最大峰之后的回波信號y[n]作為目標信號y’[n]，利用參考信號定義偽傳輸信號s’[n]，偽傳輸信號定義為等時間帶寬比延長的參考信號，根據目標信號和偽傳輸信號按照以下公式處理得到轉換信號xs[n]：

19、xs[n]＝y[n]·s’[n]

20、

21、其中，fs表示近超聲信號的初始頻率；bs表示偽傳輸信號的帶寬；ts表示偽傳輸信號的持續時間；π表示圓周率；n表示采樣點，轉換信號為目標信號和偽傳輸信號的乘積；

22、步驟s2.1.5、對轉換信號xs[n]進行快速傅里葉變換，傅里葉變換點數為nfft，使得轉換信號xs[n]由時域信號轉換到頻域信號xf[nfft]，將m幀近超聲chirp信號所對應的頻域信號xf[nfft]按照近超聲chirp信號的幀數序列進行組合，得到頻域信號矩陣xf[m,nfft]，m表示近超聲chirp信號的幀數；

23、步驟s2.1.6、按照以下公式對頻域信號矩陣xf[m,nfft]進行更新：

24、

25、其中，di表示健身運動區域內第i個障礙物到麥克風的距離；fi是轉換信號中的第i個頻率值；ts是偽傳輸信號的持續時間，bs是偽傳輸信號的帶寬，v是聲速，v＝343m/s；g()表示取整數函數；

26、接著，將頻域信號矩陣xf[m,nfft]中第di行的所有元素均替換為0值，得到更新后的頻域信號矩陣作為目標信號矩陣xf′[m,nfft]；

27、步驟s2.1.7、最后，按照以下公式對目標信號矩陣xf′[m,nfft]進行滑窗mti動態濾波，得到每種標準動作下的幅度譜圖p[m,nfft]：

28、p[m,nfft]＝|p′[m,nfft]|

29、p′[m,nfft]＝xf′[m,nfft]-4xf′[m-1,nfft]+6xf′[m-2,nfft]-4xf′[m

30、-3,nfft]+xf′[m-4,nfft]

31、其中，p′[m,nfft]表示動態濾波結果；||表示求絕對值函數。

32、滑窗mti動態濾波是為了去除靜態物體的干擾，僅保留運動目標信號，動態濾波結果后的數據通過求絕對值得到幅度譜圖，每種標準動作對應一個幅度譜圖。

33、所述的步驟s2中，對幅度譜圖進行分割以得到標準動作圖像塊的具體方式如下：

34、步驟s2.2.1、首先在幅度譜圖中提取出像素值最大值，并在幅度譜圖中對大于像素值最大值的45％的像素點進行標記，使用像素為3×3的遍歷窗口對每個被標記的像素點進行遍歷，并在以被標記像素點為中心的遍歷窗口內觀察被標記像素點的上方、下方、左方、右方、左上方、左下方、右上方、右下方八個方向的像素點是否被標記，若遍歷窗口內有超過六個像素點被標記，則將該遍歷窗口作為目標遍歷窗口；

35、步驟s2.2.2、當兩個目標遍歷窗口之間存在重疊區域，則將該兩個目標遍歷窗口所在區域的并集作為新的目標遍歷窗口；

36、步驟s2.2.3、重復步驟s2.2.2，直到所有的目標遍歷窗口之間均不存在重疊區域，將包含各個目標遍歷窗口的最小矩形區域作為各個連通區域，即一個矩形的連通區域覆蓋一個目標遍歷窗口，以得到多個連通區域；

37、步驟s2.2.4、獲取所有連通區域的長度最大值和寬度最大值，分別作為目標長度和目標寬度，對各個連通區域的邊界進行擴充，使得每個連通區域的長度和寬度分別達到目標長度和目標寬度，邊界擴充前的連通區域在邊界擴充后連通區域的中間；

38、步驟s2.2.5、最后，在幅度譜圖中對邊界擴充后的連通區域進行切割，得到若干個圖像塊作為標準動作圖像塊。

39、所述的步驟s2中的健身動作數據集，包括切割得到的標準動作圖像塊及其對應的標簽，健身動作數據集的標簽為標準動作圖像塊所對應的實際標準動作，所述標簽為深蹲、箭步蹲、啞鈴推舉、啞鈴側平舉、啞鈴前平舉和啞鈴飛鳥中的一種。

40、所述的步驟s3中的動作識別模型采用現有的圖像分類神經網絡densenet-264。

41、所述近超聲chirp信號x[n]的表達式如下：

42、

43、其中，fs表示近超聲信號的初始頻率；bs表示近超聲信號的帶寬；ts表示近超聲信號的持續時間；π表示圓周率；n表示采樣點。

44、所述麥克風所接收到的回波信號y[n]的表達式如下：

45、

46、其中，nl表示第l個傳播路徑的衰減系數；n表示信號傳播路徑總數。

47、本發明的有益效果是：

48、1、本發明使用人耳能極限聽見的近超聲信號進行動作識別，兼顧日常生活中接收和發射裝置限制以及用戶健身時的使用體驗，達到了高的識別率。

49、2、結合mti動態濾波和帶通濾波器，針對用戶的健身運動的回波信號采用了一種高效的處理方法，綜合用戶運動時的距離范圍，消除周圍無關障礙物和靜態物體的影響，提高了回波信息的利用率，提取到了每類動作的獨特特征且降低了計算的復雜度。

50、2、本發明對幅度譜圖進行滑動窗口拆分，提高了圖像塊活動分割的效率。

51、3、本發明克服了識別健身活動通常依賴健身教練、視覺或可穿戴設備，可能浪費金錢、泄露用戶隱私，對用戶造成不適，影響生活質量的問題，提高了居家健身的便利性和訓練識別準確性。