為了解決人體活動識別類別和準確度的預測方法中對傳感器類型因素和識別方法考慮不足的問題,利用智能手機集成的慣性傳感器、磁力計、氣壓計等多模態(tài)傳感器,提出了融合智能手機多模態(tài)傳感器的人體活動識別方法,并采用Stacking融合傳統(tǒng)隨機森林、支持向量機、K最近鄰和樸素貝葉斯算法,通過學習訓練集數據形成優(yōu)化的人體活動識別分類器.實驗顯示系統(tǒng)的準確率達到99.0%,同時系統(tǒng)的敏感度和特異性分別達到99.0%和99.8%,很好地區(qū)分了走路、上樓和下樓這3種比較相似的動作.與傳統(tǒng)單傳感器活動識別系統(tǒng)相比,本系統(tǒng)的準確率、平均敏感度和平均特異性均為最高,比支持向量機算法分別高出14.0%、11.4%和2.1%,比K最近鄰算法分別高出3.4%、3.3%和2.0%,比隨機森林算法分別高出1.8%、2.0%和0.6%. 

【文章來源】：北京工業(yè)大學學報. 2020,46(11)北大核心CSCD

【文章頁數】：8 頁

【部分圖文】：

人體活動模型

1.2 多傳感器融合的HAR框架基于Stacking多傳感器融合的HAR系統(tǒng)框架如圖2所示. 總體上將HAR過程分為人體活動數據采集、數據預處理和數據分類識別3個階段. 其中,數據預處理包括數據去噪、數據歸一化、數據分割、特征提取和特征選擇. Stacking分類融合層包括基層和元層. 基層采用K折交叉檢驗方法訓練不同的基分類器,其對人體活動數據特征集中的每個樣本進行預測得到識別結果. 由于每個分類模型的訓練精度在起初的時候上升較快,越到后面上升越慢,當訓練精度達到一定程度,再對原始數據訓練難以提高識別準確率,因此,元層采用基分類器的預測結果作為輸入數據,最終通過訓練得出優(yōu)化的分類模型.

人體活動數據為連續(xù)數據集,傳統(tǒng)分類算法不能直接應用于連續(xù)數據,因此,本文采用滑動窗口技術對歸一化后的人體活動數據進行分割. 由于人體活動頻率通常小于20 Hz,所以本文將手機傳感器的采樣頻率定為50 Hz. 此外,人體完成一個活動的時間通常小于2 s,本文將滑動窗口大小設定為2 s,即用一個容量為100個樣本點的滑動窗分割傳感器信號,相鄰滑動窗按50%進行交叉重疊. 圖3所示為歸一化后“走路”三軸加速度數據分割的示例. 從圖中可以看出,樣本大小為100的窗口能夠完全包含一段周期性活動的波形.文獻[23]表明在HAR中針對傳感器采集數據的均值、方差、標準差、峰度、均方根、最大值、最小值和能量譜密度均可作為人體活動的特征. 本文中每個樣本包含4類傳感器(加速度、陀螺儀、磁力計、氣壓計)的數據,其中氣壓計采集的氣壓值為1維數據,其他3類傳感器有x軸、y軸、z軸和幅度合值共4維數據. 因此,每個樣本可提取(3×4+1)×8維數據,共104維特征向量. 針對這104維特征向量,本文采用主成分分析(principal component analysis,PCA)從中提煉出加速度x軸數據的平均值、y軸數據的均方根等14維特征作為人體活動的特征以減少計算量和提高分類的精確度.

【參考文獻】：
期刊論文
[1]基于手機加速度傳感器的人體行為識別[J]. 衡霞,王忠民.  西安郵電大學學報. 2014(06)
[2]基于智能手機傳感器的人體活動識別[J]. 劉斌,劉宏建,金笑天,國德峰.  計算機工程與應用. 2016(04)
[3]基于多分類器組合的個人信用評估模型[J]. 向暉,楊勝剛.  湖南大學學報(社會科學版). 2011(03)



本文編號：3394941