本文關(guān)鍵詞：基于智能手機(jī)的用戶行為識(shí)別技術(shù)研究與應(yīng)用

  更多相關(guān)文章： 行為識(shí)別 智能手機(jī) 傳感器 特征提取 分類器

【摘要】：用戶行為識(shí)別技術(shù)已經(jīng)在身份鑒別、生產(chǎn)控制和人機(jī)交互等領(lǐng)域得到了廣泛應(yīng)用,傳統(tǒng)的行為識(shí)別研究大都采用專門定制的可穿戴式傳感器或者外接式傳感器,這類設(shè)備往往造價(jià)太高,不利于市場(chǎng)推廣。而隨著智能手機(jī)的日益普及和智能手機(jī)傳感器技術(shù)的不斷發(fā)展,本文提出了基于智能手機(jī)的用戶行為識(shí)別技術(shù)的研究與應(yīng)用。本文在比較中外文獻(xiàn)中所研究的用戶行為動(dòng)作后,選擇可以代表人類基本運(yùn)動(dòng)行為的5種動(dòng)作作為本文將要識(shí)別的動(dòng)作,分別為站立、行走、跑步、上樓和下樓。為了采集這5種動(dòng)作的加速度傳感器數(shù)據(jù),本文專門開發(fā)了基于Android的傳感器采集程序。通過傳感器采集程序采集到的原始數(shù)據(jù)中包含高頻噪聲,這些噪聲會(huì)影響最終分類的準(zhǔn)確度,因此本文通過“加窗”的方法把原始信號(hào)分割為包含512個(gè)樣本點(diǎn)的待測(cè)樣本。在特征提取與特征選擇模塊中,本文結(jié)合加速度傳感器信號(hào)的特點(diǎn),通過計(jì)算加速度信號(hào)在X軸、Y軸和Z軸的均值、標(biāo)準(zhǔn)差、相關(guān)系數(shù)和峰度,作為加速度信號(hào)的特征,組成一個(gè)12維的特征向量,用這個(gè)特征向量來表示用戶的行為動(dòng)作。在用戶行為分類識(shí)別模塊中,本文使用支持向量機(jī)作為用戶行為識(shí)別的分類算法,從每種動(dòng)作100個(gè)特征向量中選取80個(gè),組成一個(gè)12×400的特征矩陣用來訓(xùn)練SVM分類器,剩余的12×100的特征矩陣作為待測(cè)樣本,用來測(cè)試訓(xùn)練好的SVM分類器。實(shí)驗(yàn)結(jié)果表明,本文基于智能手機(jī)的用戶行為識(shí)別技術(shù)的整體識(shí)別率達(dá)到90.4%,其中對(duì)用戶站立的識(shí)別率達(dá)到100%,行走和跑步的識(shí)別率也都達(dá)到或者超過了90%,而上樓和下樓的識(shí)別率則相對(duì)較低,分別為85%和84%。本文在僅僅采用單個(gè)加速度傳感器的情況下,5種行為的平均識(shí)別率達(dá)到了90.4%,證明了本文基于智能手機(jī)加速度傳感器的用戶行為識(shí)別方案的可行性。本文的主要研究成果如下:1、提出了針對(duì)加速度信號(hào)特點(diǎn)的原始信號(hào)預(yù)處理方法,通過“加窗”的方法,把加速度信號(hào)分割成固定長(zhǎng)度的待測(cè)樣本。2、研究用戶行為識(shí)別的歷史和現(xiàn)狀,分析現(xiàn)有用戶行為識(shí)別技術(shù)并指出存在的不足,提出了一套基于智能手機(jī)加速度傳感器的用戶行為識(shí)別方案。3、為了證明本文提出的方案的可行性,設(shè)計(jì)并開發(fā)了一套基于智能手機(jī)加速度傳感器的用戶活動(dòng)分析系統(tǒng)。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN929.53;TP391.4
，

本文編號(hào)：1267176