發(fā)布時(shí)間：2021-08-25 07:15

　　隨著現(xiàn)代科技水平和生活質(zhì)量的極大提高,基于傳感器技術(shù)的人體運(yùn)動(dòng)狀態(tài)識(shí)別在體育醫(yī)療、救災(zāi)搶險(xiǎn)、虛擬現(xiàn)實(shí)、人機(jī)交互等眾多生產(chǎn)生活方面凸顯廣闊的應(yīng)用前景且備受科研人員關(guān)注。本文利用三軸加速度和陀螺儀傳感器進(jìn)行運(yùn)動(dòng)狀態(tài)的模式識(shí)別,克服了基于計(jì)算機(jī)視頻的隱私安全問(wèn)題,并且避免了基于單一傳感器的運(yùn)動(dòng)狀態(tài)識(shí)別精度過(guò)低的影響,易于系統(tǒng)移植和推廣。本文主要研究工作如下:1)本文著重對(duì)比分析SVM與KNN、RVM算法在人體運(yùn)動(dòng)狀態(tài)識(shí)別的應(yīng)用,并引入用于圖像識(shí)別領(lǐng)域的SVM+和l2-SVM+算法應(yīng)用至人體運(yùn)動(dòng)狀態(tài)識(shí)別,同時(shí),考慮到人體運(yùn)動(dòng)狀態(tài)識(shí)別系統(tǒng)在線階段實(shí)時(shí)性的要求,充分對(duì)比分析識(shí)別流程運(yùn)行時(shí)間。通過(guò)對(duì)人體行走、站立、平躺、上樓、下樓和小跑六種行為數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn),利用SVM算法可以獲得99%的識(shí)別率,且運(yùn)行時(shí)間滿(mǎn)足系統(tǒng)設(shè)計(jì)要求,實(shí)驗(yàn)表明基于SVM的人體運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確有效。2)利用特征工程對(duì)原始數(shù)據(jù)預(yù)處理提取特征,并對(duì)特征集質(zhì)量進(jìn)行評(píng)估。包括數(shù)據(jù)加窗技術(shù)的研究和對(duì)分類(lèi)精度和效率的驗(yàn)證,中值濾波器對(duì)數(shù)據(jù)進(jìn)行去噪和平滑處理,小波變換技術(shù)分離重力加速度,眾多時(shí)域、頻域特征計(jì)算,對(duì)特征集質(zhì)量進(jìn)行分析,獲取最... 

【文章來(lái)源】：山東科技大學(xué)山東省

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１?Ｍｉｃｒｏｓｏｆｔ?Ａｚｕｒｅ圖形化界面??Ｆｉｇ?１．１?Ｍｉｃｒｏｓｏｆｔ?Ａｚｕｒｅ?ｇｒａｐｈｉｃａｌ?ｉｎｔｅｒｆａｃｅ??，

然后將訓(xùn)練后的模型部署至在線系統(tǒng)用于預(yù)測(cè)，中間過(guò)程就需要對(duì)模型進(jìn)??行訓(xùn)練、測(cè)試、改善和評(píng)估，并將最終的模型部署至實(shí)際系統(tǒng)中。當(dāng)新數(shù)據(jù)產(chǎn)??生時(shí)則重復(fù)該流程。機(jī)器學(xué)習(xí)流程１＠如下圖２．１所示：??ｒ?參數(shù)調(diào)整?１???？?．．．．．．．．．．．．．．．．．．??ｖ???圖２．１機(jī)器學(xué)習(xí)流程圖??Ｆｉｇ?２．１?Ｍａｃｈｉｎｅ?Ｌｅａｒｎｉｎｇ?Ｆｌｏｗ?Ｃｈａｒｔ??７??

比分類(lèi)模型上的還多。特征工程（ＦＥ）?＿的目的就是尋找哪些特征影響分類(lèi)效??果和精度。分為特征構(gòu)造、特征選擇、特征生成三個(gè)方面。特征工程的總體如??下圖２．２所示。??ｐ實(shí)現(xiàn)確定０柃霓要嘐羧鉸據(jù)＇萆子處務(wù)脅找，所有自変饞??＾用艿案＂＇１?廠獲取壤０??Ｕ關(guān)性纖ｊ?覆蓮率??Ｌ準(zhǔn)確聿??｜料征獲｜丨￣如鋝獲取特征??Ｌ如鈳＃味特征滴洗券常樣本?ｒ？上菜榫??ｒＩ—特？清洗ｌ—ｉ?ｒ?Ｉ正負(fù)樣ｆ不均衡｜?＂１??１－?｜?ｍ?１?Ｈ?下采樣??￣?ｒ－?？?Ｌ＇￣樣本權(quán)番??蓽?筘一化???１?．個(gè)?離敢化??ｍ?Ｊ?特??效瑰?征?＿?Ｄｕｍｍｙ?Ｃｏｄｉｎｇ??Ｉ缺失值將變嫌換躬溶褰魂空間??ｎ?ｒ?Ｌｏｇ????特?Ｉ?ｒ—ｉ?ｉ??ｉ?一?指數(shù)??工程１?＇洛?｜變換?ｉ??〉先?ＢｏｘＣｏｔ??——Ｉ「ＰＣＡ??＇－降＿丨－｜??＾?Ｌ?ｌｄａ??個(gè)｜????特？?廠｜?Ｓｅｒ??征????－丨￣＾１?ＩＴＴ＂??選擇?＿?Ｗｒａｐｐｅｒ??Ｅｍｂｅｄｄｉｎｇ??？衍生交《數(shù)據(jù)如工后得到的對(duì)結(jié)＊有幫助的變暹．如ＰＭ??ｒ—ｎ?ｒ柃征有效件分枬特鉉後要付？權(quán)德??Ｌ捋彼一??雜?Ｌ特征濫控盅控Ｍ変特鉦．防止鋝征墦量下降．影竣梭螌效果??圖２．２特征工程??Ｆｉｇ?２．２?Ｆｅａｔｕｒｅ?Ｅｎｇｉｎｅｅｒｉｎｇ??特征構(gòu)造用來(lái)產(chǎn)生新特征，一般對(duì)原有特征簡(jiǎn)單的四則運(yùn)算便可獲取新的??特征。特征生成和特征構(gòu)造相類(lèi)似但是卻存在不同，例如通過(guò)ＰＣＡ對(duì)原始特征??進(jìn)行降維［３４】

【參考文獻(xiàn)】：
期刊論文
[1]支持向量機(jī)（SVM）主動(dòng)學(xué)習(xí)方法研究與應(yīng)用[J]. 張健沛,徐華.  計(jì)算機(jī)應(yīng)用. 2004(01)

博士論文
[1]相關(guān)向量機(jī)多分類(lèi)算法的研究與應(yīng)用[D]. 柳長(zhǎng)源.哈爾濱工程大學(xué) 2013

碩士論文
[1]基于視頻的運(yùn)動(dòng)人體行為識(shí)別[D]. 趙欣.中北大學(xué) 2017
[2]基于多傳感器的人體運(yùn)動(dòng)識(shí)別算法與應(yīng)用研究[D]. 雷麗平.重慶郵電大學(xué) 2016
[3]基于智能手機(jī)傳感器的室內(nèi)空間用戶(hù)行為識(shí)別研究[D]. 李晶.北京建筑大學(xué) 2016
[4]基于可穿戴設(shè)備的人體行為識(shí)別與狀態(tài)監(jiān)測(cè)方法研究[D]. 楊偉篤.哈爾濱工業(yè)大學(xué) 2016
[5]基于智能手表的人體行為識(shí)別研究[D]. 馬鴿.鄭州大學(xué) 2016
[6]基于Android平臺(tái)的人體運(yùn)動(dòng)識(shí)別技術(shù)研究與應(yīng)用[D]. 任宜東.西南交通大學(xué) 2016
[7]基于視頻人體行為識(shí)別軟件的設(shè)計(jì)與實(shí)現(xiàn)[D]. 肖竹.電子科技大學(xué) 2016
[8]基于智能手機(jī)的人體運(yùn)動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 易發(fā)波.電子科技大學(xué) 2016
[9]基于傳感數(shù)據(jù)的人體行為識(shí)別研究[D]. 史殿岳.電子科技大學(xué) 2016
[10]基于傳感器的人體行為識(shí)別技術(shù)研究[D]. 茹晨光.浙江大學(xué) 2016



本文編號(hào)：3361655