本文關鍵詞：基于集成學習的人體日常行為活動識別系統(tǒng)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：生命在于運動,運動對于保持人體健康非常重要,同時也是預防疾病的重要手段。因此,科學有效的人體運動分析對全民保健具有重要的意義。然而實際生活中由于缺乏科學有效的運動指導以及有效的信息反饋,使得運動的成效大打折扣,更有甚者會造成運動傷害。隨著加速度計、陀螺儀等便攜傳感器技術的出現(xiàn),使得基于可穿戴式傳感器的人體運動健康監(jiān)測系統(tǒng)逐漸成為科學研究與技術創(chuàng)新的熱點�？梢哉f,穿戴式計算以及人體日常運動健康分析將逐漸走入我們的生活,成為未來人體保健及疾病預防的重要技術手段。本文擬通過多傳感器融合的方式來實現(xiàn)人體日常行為活動的準確識別,重點研究集成學習等機器學習方法在多傳感器人體運動分析中的理論創(chuàng)新與應用,從而為人體健康提供科學有效的運動指導。主要研究內容包括以下三個方面。1.搭建了用于對人體運動過程中相關傳感器信號進行實時采集的穿戴式人體傳感器網(wǎng)絡,其主要感知器件包括三軸加速度傳感器和三軸數(shù)字陀螺儀。此外,為了提高穿戴式健康監(jiān)測系統(tǒng)中的能量利用率,本文在藍牙4.0技術原理之上,對傳感器信息采集、數(shù)據(jù)傳輸?shù)姆椒ㄟM行了改進,并通過CC2541和nRF51822等主流藍牙芯片的功耗實驗對該方法的有效性進行了驗證。2.綜合分析了集成學習的相關理論基礎以及隨機森林(Random Forest)的算法原理,并在此基礎之上將兩種方法進行有機整合,融合多種穿戴位置的傳感器數(shù)據(jù)集,提出了一種基于隨機森林的集成學習識別算法,并利用公開的人體行為活動數(shù)據(jù)庫,對該識別算法的有效性進行了驗證,實驗結果表明該算法具有較好的識別效果。3.為了改善由于不同個體之間的差異性以及個體行為習慣的改變而引起的傳統(tǒng)靜態(tài)算法識別精度損失大的問題,本文提出了基于增量學習的差異化反饋調優(yōu)算法,并利用本文所構建的穿戴式人體傳感器網(wǎng)絡與后臺識別算法對不同的實際個體進行了相關實驗,實驗結果表明本算法有效地提高了系統(tǒng)的準確性、差異性和動態(tài)性。總的來說,本文以人體日常行為活動狀態(tài)識別技術為基礎,結合可穿戴式人體傳感器網(wǎng)絡、信號處理、無線通信、機器學習等相關技術,開發(fā)了人體日常行為活動監(jiān)測的硬件平臺與軟件算法,最后通過具體對應的軟硬件驗證實驗,證明了本系統(tǒng)的可靠性與有效性。
【關鍵詞】：人體行為活動識別 藍牙4.0 集成學習
【學位授予單位】：東南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP212.9;TP274
【目錄】：

• 摘要5-6
• Abstract6-9
• 第一章 緒論9-19
• 1.1 研究背景9-10
• 1.2 國內外研究現(xiàn)狀10-14
• 1.2.1 研究現(xiàn)狀10-14
• 1.2.2 主要存在的問題14
• 1.3 本文主要研究內容14-16
• 1.4 論文組織結構16-19
• 第二章 人體日常行為活動識別系統(tǒng)整體方案19-33
• 2.1 引言19
• 2.2 行為識別系統(tǒng)整體框架設計19-21
• 2.3 人體傳感器網(wǎng)絡信息采集系統(tǒng)設計21-26
• 2.3.1 行為活動信息采集單元硬件模塊21-23
• 2.3.2 行為活動信息采集單元軟件設計23-26
• 2.4 軟件框架搭建與交互接口設計26-31
• 2.4.1 移動端程序設計26-29
• 2.4.2 基于藍牙4.0的數(shù)據(jù)交互信息流示例29-30
• 2.4.3 服務器端軟件設計30-31
• 2.5 本章小結31-33
• 第三章 基于藍牙4.0的低功耗數(shù)據(jù)傳輸方案設計33-43
• 3.1 引言33
• 3.2 可穿戴設備的能耗問題33-34
• 3.3 基于藍牙4.0的低功耗數(shù)據(jù)傳輸方案34-37
• 3.3.1 藍牙4.0簡介34
• 3.3.2 低功耗數(shù)據(jù)傳輸方案設計34-37
• 3.4 低功耗數(shù)據(jù)傳輸實驗測試與結果37-41
• 3.4.1 實驗方案設計37-38
• 3.4.2 實驗結果38-41
• 3.5 本章小結41-43
• 第四章 基于隨機森林與集成學習的人體行為活動識別算法設計43-66
• 4.1 引言43
• 4.2 集成學習與隨機森林算法基本原理43-47
• 4.2.1 集成學習基本原理43-45
• 4.2.2 隨機森林算法原理45-47
• 4.3 基于隨機森林與集成學習的人體行為活動識別算法設計47-60
• 4.3.1 數(shù)據(jù)獲取與預處理47-51
• 4.3.2 特征的選擇與提取51-53
• 4.3.3 集成學習識別模型的構建53-55
• 4.3.4 差異化權重決策融合算法55-59
• 4.3.5 模型的性能評估59-60
• 4.4 實驗結果與分析60-64
• 4.4.1 實驗設計60-62
• 4.4.2 實驗結果62-64
• 4.5 本章小結64-66
• 第五章 基于增量學習的差異化反饋調優(yōu)設計66-77
• 5.1 引言66
• 5.2 增量學習基本原理66-67
• 5.3 基于增量學習的差異化反饋調優(yōu)67-72
• 5.3.1 Learn++算法概述67-69
• 5.3.2 基于Learn++算法的差異化反饋調優(yōu)69-72
• 5.4 實驗驗證72-74
• 5.5 實驗結果74-75
• 5.6 本章小結75-77
• 第六章 總結與展望77-79
• 6.1 總結77-78
• 6.2 展望78-79
• 致謝79-81
• 參考文獻81-87
• 攻讀碩士期間取得學術成果87

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 李軍懷;嚴其松;王志曉;魏嵬;張t

本文編號：479200