發(fā)布時間：2021-09-12 21:02

　　為了解決人體活動識別類別和準(zhǔn)確度的預(yù)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(xué)習(xí)訓(xùn)練集數(shù)據(jù)形成優(yōu)化的人體活動識別分類器.實驗顯示系統(tǒng)的準(zhǔn)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(zhǔn)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(xué)學(xué)報. 2020,46(11)北大核心CSCD

【文章頁數(shù)】：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(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和數(shù)據(jù)分類識別3個階段. 其中,數(shù)據(jù)預(yù)處理包括數(shù)據(jù)去噪、數(shù)據(jù)歸一化、數(shù)據(jù)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(xùn)練不同的基分類器,其對人體活動數(shù)據(jù)特征集中的每個樣本進行預(yù)測得到識別結(jié)果. 由于每個分類模型的訓(xùn)練精度在起初的時候上升較快,越到后面上升越慢,當(dāng)訓(xùn)練精度達到一定程度,再對原始數(shù)據(jù)訓(xùn)練難以提高識別準(zhǔn)確率,因此,元層采用基分類器的預(yù)測結(jié)果作為輸入數(shù)據(jù),最終通過訓(xùn)練得出優(yōu)化的分類模型.

人體活動數(shù)據(jù)為連續(xù)數(shù)據(jù)集,傳統(tǒng)分類算法不能直接應(yīng)用于連續(xù)數(shù)據(jù),因此,本文采用滑動窗口技術(shù)對歸一化后的人體活動數(shù)據(jù)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(shè)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(shù)據(jù)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(shù)據(jù)的均值、方差、標(biāo)準(zhǔn)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(shù)據(jù),其中氣壓計采集的氣壓值為1維數(shù)據(jù),其他3類傳感器有x軸、y軸、z軸和幅度合值共4維數(shù)據(jù). 因此,每個樣本可提取(3×4+1)×8維數(shù)據(jù),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(shù)據(jù)的平均值、y軸數(shù)據(jù)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(xué)學(xué)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(yīng)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(xué)學(xué)報(社會科學(xué)版). 2011(03)



本文編號：3394941