项目来源于我们的“实验设计与统计基础”课程的大作业。
主要实现目的是
用微信小程序实现至少四个HIIT动作的识别和计数。
话不多少，先
奉上视频（视频里已经包括了
如何使用以及整个的实现过程，如果看完之后还想了解详细内容可以继续看下面的文字）
知乎视频www.zhihu.com
----------------------------------------分割线------------------------------------------------
项目是从零开始的，也就是说预先我们没有数据（
数据是自己用微信小程序进行采集的）。
本项目功能：用微信小程序实现HIIT动作（深蹲、开合跳、高抬腿、滑雪跳）的识别与计数，可将数据存储进云数据库。
具体使用方法：- 进入小程序。点击“姿态识别”，进入“个人信息填写”页面，测试者可以填写姓名、年龄、身高、体重、测试环境等信息，以便于更好地在数据库中进行记录。
- 信息填写完毕后，进入“姿态识别”界面。
- 点击“开始识别”按钮后，开始进行姿态识别。说明：点击“开始识别”按钮后，会听到一段提示音——“3,12,1开始”提示音结束后开始做动作，一直做到听到语音播报，之后再进行下一个动作。
- 30s 时间到后，会响起“时间到，识别结束”提示音，此时识别结束。界面显示每个动作的个数。
- 点击“存储数据”，会将个人填写的信息以及识别的动作及个数存入数据库对应的集合——“accelerometer”中。
：使用手机三轴传感器；
模型搭建：以BP神经网络为基础，使用python进行训练，最终训练准确率为97%；
微信小程序实现：JS重写模型结构，实现HIIT动作的离线识别。
一、数据收集
利用微信小程序，使用手机自带的加速度传感器，采集10s 动作数据，每个动作重复采集50次。
小程序的数据采集页面：squat、jumpingJack、highStep、skiJump
1.小程序使用方法
- 点击“开始读取”，程序开始计时，进度条进入10s 进程。使用者开始重复做对应的动作。
- 10s 时间到时，手机会发出“滴滴——”声进行提示。
- 点击“存储数据”，对应动作10s 内采集的数据会被存入对应名称的collection里面。
2.JS页面代码讲解
四个采集页面的代码类似，下面以 squat 页面为例进行介绍。
1）调用手机的加速度传感器
//在 onload 函数里 打开加速度传感器监听
2）存储采集的数据到云数据库
//配置云数据库以及存储到的collection
3）“时间到”声音的配置
//配置音频
二、数据处理与模型训练
将存储进云数据库的四个动作的数据导出为“csv”格式文件。使用python进行数据处理和模型训练。
1.数据处理
1）数据预处理思路
参考文献：
[WISDM:Cell Phone-Based Biometric Identification]www.cis.fordham.edu
基于原始加速度计读数，总共生成了40个维度的feature。下面介绍这40个要素，并在方括号中注明了每种要素类型生成的要素数量：
- 平均值[3] ：平均加速度值（每个轴）
- 标准偏差[3] ：标准偏差（每个轴）
- 平均绝对差[3] ：在200个读数中，每个绝对值之间的平均绝对差 ED和这200个值的平均值（每个轴）
- 平均结果加速度[1] ：ED的每个轴上值的平方和的平方根为√（xi2 + yi2 + zi2 ）
- Bined Distribution [30] ：我们确定每个轴的值范围（最大-最小），除以将该范围分为10个大小相等的容器，然后记录落入每个容器中的200个值的分数。
2）数据预处理部分的python代码讲解
①导入必要的包
#导入必要的包
②加载csv数据，并将每行的数据转化为一个数组
# Load a CSV file
③将数据转化为40个feature
#平均值
③将数据进行处理，转化为40个feature，并存储为一个新的csv文件
output
2.模型训练
使用BP神经网络对模型进行训练，目的是输出训练好的神经网络，
可以直接用在小程序“姿态识别”界面的的JS页面中，当做一个参数来做离线识别。1）数据标准化
①导入必要的包
import
②加载CSV文件，并将数据转化成浮点数，标签值转化为整数
# Load a CSV file
③获取每一维数据的最大最小值，进行数据的标准化处理，将标准化后的数据存储为一个新的CSV文件
注：每一维数据的最大最小值需要存储下来，以便于后期可以直接用在小程序“姿态识别”界面的的JS页面中，当做一个参数来对实时收集的三轴加速度进行标准化处理。
# Find the min and max values for each column
④运行程序
# Test Backprop on Seeds dataset
minmax_set
2）BP神经网络 模型训练
①导入必要的包
import
②模型训练
# Initialize a network
：
error下降至：0.060
network为：
network
③模型准确率验证
采用十倍交叉验证法对该模型的准确率进行验证，可以看到效果是非常好的。
三、小程序实现动作识别与计数
利用微信小程序，使用手机自带的加速度传感器，在30s 内随机做上述四个动作，小程序会自动进行识别并进行识别动作的语音播报；30s 结束后，小程序页面显示每个动作的个数，并可以将数据存入云数据库。
小程序的姿态识别页面：recog
1.小程序使用方法
- 点击“姿态识别”，进入“个人信息填写”页面，测试者可以填写姓名、年龄、身高、体重、测试环境等信息，以便于更好地在数据库中进行记录。
- 信息填写完毕后，进入“姿态识别”界面。
- 点击“开始识别”按钮后，开始进行姿态识别。
说明：
点击“开始识别”按钮后，会听到一段提示音——“3,12,1开始”
提示音结束后开始做动作，一直做到听到语音播报，之后再进行下一个动作。
- 30s 时间到后，会响起“时间到，识别结束”提示音，此时识别结束。界面显示每个动作的个数。
- 点击“存储数据”，会将个人填写的信息以及识别的动作及个数存入数据库“accelerometer”中。
2.JS页面代码讲解
1）数据准备
放入预先在python中训练得到的 minmax_set 和 network
2）手机三轴加速度计的调用
打开和停止加速度传感器监听代码 同上。
//设置一个定时器，每6s打开一次加速度计的监听
3）提示音配置
同上。
4）动作识别——Judgement、Try、Predict函数
主要思路为将python模型训练中的“数据标准化”部分代码进行JS重写，使其能在小程序中直接运行。
Judgement
5）动作计数——count函数
采用差分法选择峰值，利用峰值进行动作计数。
//传入参数（原始的三轴加速度数据）
整体的介绍就这么多，主要的实现代码也都在上面列出。
附上github链接：https://github.com/Liu-Rundi-SDUWH/HIIT_HAR
请大家不吝赐教。