【摘要】：隨著人們生活水平的提高,人們越來越關(guān)心自己的健康問題。例如,經(jīng)常開車會增加二氧化碳排放從而污染環(huán)境,長時間久坐會造成腰椎間盤突出等問題。為了打造綠色生活,減少環(huán)境污染,讓人們健康生活,開發(fā)一套可以準確檢測人們運動方式的系統(tǒng),并且通過獎勵懲罰規(guī)則引導(dǎo)人們更健康生活變得很有價值。本文主要實現(xiàn)了基于安卓手機內(nèi)置GPS、加速度器和螺旋儀對使用者的運動數(shù)據(jù)進行收集,使用機器學(xué)習(xí)算法進行室外和室內(nèi)運動狀態(tài)分類并且有高精確度和獎勵懲罰規(guī)則的一套系統(tǒng)。室外分類的運動狀態(tài)有靜止、走路、跑步、乘坐汽車、乘坐地鐵、和騎自行車。室內(nèi)分類的運動狀態(tài)有靜止、走路、坐下、上樓、下樓、電梯上行、電梯下行、摔倒、和帕金森抖動。系統(tǒng)先通過GPS,加速度器和螺旋儀器進行數(shù)據(jù)采集。在特征選擇上,研究了如何選擇更合適的特征來進行分類算法的實行,在加速度器上通過算法選擇時間域中的波峰波谷一系列相關(guān)的特征和一些統(tǒng)計量特征,計步器統(tǒng)計的步數(shù),Wi-Fi等特征。螺旋儀上通過算法提取合成角速度斜率的最大最小值。然后使用了監(jiān)督式學(xué)習(xí)算法:決策樹、隨機森林、支持向量機、神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、KNN、邏輯回歸算法進行運動狀態(tài)分類。把收集到的數(shù)據(jù)進行取中位數(shù)和原始數(shù)據(jù)進行實驗對比,探究出原始數(shù)據(jù)的中位數(shù)不如使用原始數(shù)據(jù)進行分類的效果好。通過調(diào)整傳感器的使用組合(同時使用GPS、加速度器、螺旋儀,只使用其中兩個,只使用其中一個)、機器學(xué)習(xí)算法的參數(shù),進行實驗并驗證可以提高分類效果的性能。實驗對比了機器學(xué)習(xí)分類算法在室內(nèi)外運動狀態(tài)分類中的優(yōu)劣。選擇出了性能最好的算法(隨機森林、決策樹、和神經(jīng)網(wǎng)絡(luò))。研究表明同時使用GPS,加速度器和螺旋儀收集數(shù)據(jù)的分類精確度最高。室外運動方式分類上,隨機森林算法得到了88.57%的分類精確率;室內(nèi)運動狀態(tài)分類上,決策樹算法得到了97.54%的分類準確度。并且,用戶從5人擴大到了50人去采集數(shù)據(jù),利用假設(shè)檢驗驗證了樣本容量小的時候用戶數(shù)據(jù)的可代表性和算法準確度的可行性。系統(tǒng)可以提高鑒別帕金森抖動和摔倒的準確性。在手機端和服務(wù)器端用規(guī)則引擎Drools分別制定了獎勵懲罰規(guī)則,引導(dǎo)人們能夠更健康的運動生活。這套系統(tǒng)的開發(fā)很具有人類健康方面的應(yīng)用價值,利用了身邊的智能手機和機器學(xué)習(xí)算法就可以對人們運動方式進行高準確度的檢測分類,而且通過獎勵懲罰規(guī)則,對人們健康綠色生活具有很好的引導(dǎo)作用,利于可持續(xù)發(fā)展。
[Abstract]:With the improvement of people's living standard, people are more and more concerned about their health problems. For example, frequent driving increases carbon dioxide emissions and pollutes the environment, and prolonged sitting causes problems such as lumbar disc herniation. In order to create a green life, reduce environmental pollution, and make people live healthy, we can develop a system that can accurately detect the way people move, and guide people to live healthier lives through the rules of reward and punishment. This paper mainly realizes the collection of the user's motion data based on the built-in GPS, accelerator and spiral device of Android phone. A system that uses machine learning algorithms to classify outdoor and indoor motion states with high accuracy and reward and punishment rules. Outdoor sports are classified as motionless, walking, running, taking cars, taking the subway, and riding bicycles. Indoor categories of motion are static, walking, sitting, going upstairs, going downstairs, elevators going up, elevators descending, falling down, and Parkinson's jitter. The system firstly collects data by GPS, accelerator and spiral instrument. In feature selection, we study how to select more suitable features to carry out the classification algorithm, and select a series of related features and some statistical features in the time domain by using the algorithm on the accelerator. The number of steps counted by the pedometer, Wi-Fi and other features. The maximum and minimum synthetic angular velocity slope is extracted by the algorithm on the helical instrument. Then the supervised learning algorithms such as decision tree, stochastic forest, support vector machine, neural network, naive Bayes and KNN, logic regression algorithm are used to classify the motion state. The median of the collected data is compared with the original data, and it is found that the median of the original data is not as good as the classification of the original data. By adjusting the combination of sensors (using GPS, accelerator, helical instrument, only two of them, only one of them), the parameters of the machine learning algorithm are tested and verified to improve the performance of classification. The advantages and disadvantages of machine learning classification algorithm in indoor and outdoor motion state classification are compared. The best algorithms (random forests, decision trees, and neural networks) are selected. The results show that the classification accuracy is the highest using both GPS, accelerator and helical instrument. In outdoor motion classification, the accuracy rate of classification is 88.57% by random forest algorithm, and 97.54% by decision tree algorithm in indoor motion state classification. Moreover, the user is expanded from 5 to 50 to collect data, and the feasibility of the representativeness of user data and the accuracy of the algorithm are verified by hypothesis test when the sample size is small. The system can improve the accuracy of identifying Parkinson's jitter and fall. Drools, a rule engine on the mobile and server side, has established reward and punishment rules to guide people to a healthier sports life. The development of this system is of great value in the field of human health. With the help of the smartphone and machine learning algorithms around us, we can detect and classify people's movements with high accuracy, and we can use the rules of reward and punishment. It has a good guiding effect on people's healthy and green life and is conducive to sustainable development.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181;TN929.53

【相似文獻】

相關(guān)期刊論文 前10條

1 夏潤海,王開顏;機器學(xué)習(xí)與智能決策支持系統(tǒng)[J];濰坊學(xué)院學(xué)報;2003年02期

2 張明玉,倪志偉;基于機器學(xué)習(xí)的智能決策支持系統(tǒng)[J];淮南師范學(xué)院學(xué)報;2005年03期

3 楊凌霄;武建平;;機器學(xué)習(xí)方法在人臉檢測中的應(yīng)用[J];計算機與數(shù)字工程;2008年03期

4 ;第十一屆中國機器學(xué)習(xí)會議[J];智能系統(tǒng)學(xué)報;2008年02期

5 ;第14屆中國機器學(xué)習(xí)會議[J];智能系統(tǒng)學(xué)報;2012年06期

6 費宗銘;呂建;王志堅;陳道蓄;徐家福;;機器學(xué)習(xí)[J];計算機科學(xué);1991年01期

7 趙沁平;魏華;王軍玲;;機器學(xué)習(xí)技術(shù)與機器學(xué)習(xí)系統(tǒng)[J];計算機科學(xué);1993年05期

8 姚敏;機器學(xué)習(xí)及其發(fā)展方向[J];計算機時代;1994年04期

9 ;第31屆機器學(xué)習(xí)國際會議(英文)[J];智能系統(tǒng)學(xué)報;2014年01期

10 黃海濱;機器學(xué)習(xí)及其主要策略[J];河池師范高等�？茖W(xué)校學(xué)報(自然科學(xué)版);2000年04期

相關(guān)會議論文 前10條

1 王玨;;歸納機器學(xué)習(xí)[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 王昊;李銀波;紀志梁;;利用機器學(xué)習(xí)方法預(yù)測嚴重藥物不良反應(yīng)-呼吸困難[A];中國化學(xué)會第28屆學(xué)術(shù)年會第13分會場摘要集[C];2012年

3 吳滄浦;;智能系統(tǒng)與機器學(xué)習(xí)的新領(lǐng)域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學(xué)術(shù)年會文集[C];2000年

4 周晴杰;徐立鴻;吳啟迪;;機器學(xué)習(xí)串級結(jié)構(gòu)的初步探討[A];1998年中國控制會議論文集[C];1998年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學(xué)習(xí)法相結(jié)合的蛋白質(zhì)名識別[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機器學(xué)習(xí)在中醫(yī)計算機診斷識別系統(tǒng)中的應(yīng)用思考[A];第一屆全國中西醫(yī)結(jié)合診斷學(xué)術(shù)會議論文選集[C];2006年

7 蔡健平;林世平;;基于機器學(xué)習(xí)的詞語和句子極性分析[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

8 黃金鐵;李景銀;周建常;;對高爐爐況評價模型參數(shù)的機器學(xué)習(xí)——一個三類線性模式分類器的實現(xiàn)[A];1995中國控制與決策學(xué)術(shù)年會論文集[C];1995年

9 程國建;蔡磊;潘華賢;;核向量機在大規(guī)模機器學(xué)習(xí)中的應(yīng)用[A];第十一屆中國青年信息與管理學(xué)者大會論文集[C];2009年

10 張鈸;張鈴;;統(tǒng)計學(xué)習(xí)理論及其應(yīng)用[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

相關(guān)重要報紙文章 前10條

1 黎驪/文 [美] Tom M.Mitchell 著;機器學(xué)習(xí)與智能化社會[N];中國郵政報;2003年

2 IBM大數(shù)據(jù)專家 James Kobielus　范范 編譯;機器學(xué)習(xí)已成為大數(shù)據(jù)基石[N];網(wǎng)絡(luò)世界;2014年

3 本報記者 房琳琳;合久必分：分布式“機器學(xué)習(xí)”應(yīng)運而生[N];科技日報;2014年

4 雨辰;機器學(xué)習(xí)類圖書為什么火爆[N];中華讀書報;2014年

5 百度公司技術(shù)副總監(jiān) 多媒體部負責(zé)人 余凱;深度學(xué)習(xí)與多媒體搜索技術(shù)演進[N];中國信息化周報;2013年

6 本報記者 余建斌;機器學(xué)習(xí)與互聯(lián)網(wǎng)搜索[N];人民日報;2011年

7 本報記者 張曄邋通訊員 李瑋;周志華：永不墨守成規(guī)[N];科技日報;2008年

8 記者　 彭德倩;機器學(xué)習(xí)精度提升近6個百分點[N];解放日報;2006年

9 本報記者 閔杰;大數(shù)據(jù)熱 高端人才缺[N];中國電子報;2013年

10 沈建苗 編譯;如何成為大數(shù)據(jù)科學(xué)家[N];計算機世界;2013年

相關(guān)博士學(xué)位論文 前10條

1 董春茹;機器學(xué)習(xí)中的權(quán)重學(xué)習(xí)與差分演化[D];華南理工大學(xué);2015年

2 姚明臣;機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的若干問題研究[D];大連理工大學(xué);2016年

3 Maxim Pecionchin;[D];對外經(jīng)濟貿(mào)易大學(xué);2016年

4 杜宇;基于深度機器學(xué)習(xí)的體態(tài)與手勢感知計算關(guān)鍵技術(shù)研究[D];浙江大學(xué);2017年

5 鐘錦紅;群智學(xué)習(xí)若干問題研究[D];中國科學(xué)技術(shù)大學(xué);2017年

6 趙東;基于群智能優(yōu)化的機器學(xué)習(xí)方法研究及應(yīng)用[D];吉林大學(xué);2017年

7 魯路;基于機器學(xué)習(xí)優(yōu)化分子對接篩選腎衰營養(yǎng)膠囊有效成分[D];南方醫(yī)科大學(xué);2017年

8 趙玉鵬;機器學(xué)習(xí)的哲學(xué)探索[D];大連理工大學(xué);2010年

9 胡巍;面向格結(jié)構(gòu)的機器學(xué)習(xí)[D];上海交通大學(xué);2009年

10 張義榮;基于機器學(xué)習(xí)的入侵檢測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 呂峰;基于Android手機和機器學(xué)習(xí)的室內(nèi)室外運動狀態(tài)分類系統(tǒng)[D];南京郵電大學(xué);2017年

2 毛海斌;基于半監(jiān)督機器學(xué)習(xí)的情感分類領(lǐng)域適應(yīng)問題研究[D];南京理工大學(xué);2015年

3 安軍輝;基于微博數(shù)據(jù)的微博用戶性別判斷研究[D];華中師范大學(xué);2015年

4 陳召陽;基于機器學(xué)習(xí)的改性麥槽吸附重金屬構(gòu)效關(guān)系模型研究[D];江西理工大學(xué);2014年

5 王成;基于半監(jiān)督機器學(xué)習(xí)的文本情感分析技術(shù)[D];南京理工大學(xué);2015年

6 孫科;基于Spark的機器學(xué)習(xí)應(yīng)用框架研究與實現(xiàn)[D];上海交通大學(xué);2015年

7 劉江龍;基于機器學(xué)習(xí)的射頻指紋定位方法研究[D];電子科技大學(xué);2015年

8 張蕾;基于機器學(xué)習(xí)的網(wǎng)絡(luò)輿情采集技術(shù)研究與設(shè)計[D];電子科技大學(xué);2014年

9 施宇;基于數(shù)據(jù)挖掘和機器學(xué)習(xí)的木馬檢測系統(tǒng)設(shè)計與實現(xiàn)[D];電子科技大學(xué);2014年

10 施應(yīng)敏;基于機器學(xué)習(xí)的Femtocell信道頻譜與功率資源分配算法的研究[D];南京郵電大學(xué);2015年

，

本文編號：2413543