隨著智能手機(jī)等移動(dòng)設(shè)備感知、計(jì)算能力的飛速提升,以移動(dòng)設(shè)備作為載體的人體活動(dòng)識(shí)別成為新的研究熱點(diǎn)。利用智能移動(dòng)設(shè)備中的加速度傳感器等采集到的慣導(dǎo)信息進(jìn)行人體活動(dòng)識(shí)別,相比于常用的計(jì)算機(jī)視覺識(shí)別,具有應(yīng)用方便、成本低且更能反映人體運(yùn)動(dòng)本質(zhì)等優(yōu)勢。本文采用智能手機(jī)采集到的WISDM數(shù)據(jù)集,構(gòu)建了基于加速度計(jì)慣導(dǎo)信息和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的人體活動(dòng)識(shí)別模型,并同時(shí)引入K最近鄰算法（KNN）和隨機(jī)森林算法來對CNN網(wǎng)絡(luò)進(jìn)行評(píng)估。CNN模型的分類正確率達(dá)到了92.73%,相較于KNN和隨機(jī)森林都有很大提高。實(shí)驗(yàn)結(jié)果表明,與KNN、隨機(jī)森林算法相比,CNN算法模型可以實(shí)現(xiàn)更精確的人體活動(dòng)識(shí)別,在預(yù)測和促進(jìn)人體健康水平方面具有廣闊的應(yīng)用前景。 

【文章來源】：生物醫(yī)學(xué)工程學(xué)雜志. 2020,37(04)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

相對于用戶的運(yùn)動(dòng)軸

表3比較了基于CNN、KNN及隨機(jī)森林的分類結(jié)果，采用如下三個(gè)指標(biāo)進(jìn)行識(shí)別結(jié)果的評(píng)價(jià)：準(zhǔn)確率（Accuracy）表示模型對正樣本的準(zhǔn)確度，召回率（Recall）表示模型對正樣本的識(shí)別正確率；F1分?jǐn)?shù)（F1-score）表示一個(gè)模型的綜合評(píng)價(jià)指標(biāo)，是基于召回率和精確率（Precision）計(jì)算的。Accuracy計(jì)算公式如下：圖3 CNN模型流程圖

圖2 特征生成和數(shù)據(jù)轉(zhuǎn)換流程圖式中，TP(true positive）表示實(shí)際為正樣本預(yù)測為正樣本，TN(true negative）表示實(shí)際為負(fù)樣本預(yù)測為負(fù)樣本，F(xiàn)P(false positive）表示實(shí)際為負(fù)樣本預(yù)測為正樣本，F(xiàn)N(false negative）表示實(shí)際為正樣本預(yù)測為負(fù)樣本。其中，分類正確的是正樣本，分類錯(cuò)誤的是負(fù)樣本。

【參考文獻(xiàn)】：
期刊論文
[1]基于慣導(dǎo)信息的人體動(dòng)作和路況識(shí)別[J]. 王永雄,陳晗,尹鐘,喻洪流,孟巧玲.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(04)
[2]融合空間-時(shí)間雙網(wǎng)絡(luò)流和視覺注意的人體行為識(shí)別[J]. 劉天亮,譙慶偉,萬俊偉,戴修斌,羅杰波.  電子與信息學(xué)報(bào). 2018(10)
[3]基于三軸傳感器的老年人日�；顒�(dòng)識(shí)別[J]. 汪成亮,王小均.  電子學(xué)報(bào). 2017(03)
[4]基于訓(xùn)練圖CNN特征的視頻人體動(dòng)作識(shí)別算法[J]. 曹晉其,蔣興浩,孫錟鋒.  計(jì)算機(jī)工程. 2017(11)
[5]利用姿勢估計(jì)實(shí)現(xiàn)人體異常行為識(shí)別[J]. 王恬,李慶武,劉艷,周亞琴.  儀器儀表學(xué)報(bào). 2016(10)
[6]智能手機(jī):普適感知與應(yīng)用[J]. 陳龍彪,李石堅(jiān),潘綱.  計(jì)算機(jī)學(xué)報(bào). 2015(02)
[7]隨機(jī)森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計(jì)與信息論壇. 2011(03)
[8]基于三維加速度傳感器的上肢動(dòng)作識(shí)別系統(tǒng)[J]. 王昌喜,楊先軍,徐強(qiáng),馬祖長,孫怡寧.  傳感技術(shù)學(xué)報(bào). 2010(06)

碩士論文
[1]基于可穿戴設(shè)備的人體行為識(shí)別與狀態(tài)監(jiān)測方法研究[D]. 楊偉篤.哈爾濱工業(yè)大學(xué) 2016



本文編號(hào)：3317348