基于深度学习与可穿戴传感器的人体行为识别

摘要

随着微电子和传感器技术的不断进步以及深度学习理论的不断发展，基于可穿戴设备的人体行为识别已成为一个新兴的研究方向，该研究更能发映出人体运动的本质，相对于计算机视觉的人体行为识别而言，基于可穿戴设备人体行为识别不受特定场景和时间的限制且能量消耗少、成本较低，更适合推广使用。近年来基于可穿戴设备的人体行为识别取得了较大的发展，但仍面临较多急需解决的问题，比如:如何提取具有较强表征能力的特征、如何设计端到端的人体行为分析系统、如何设计高精度的传感器数据采集系统。本文针对以上的问题，运用深度学习技术开展了以下几点工作: 一是基于卷积特征提取方法设计了端到端的人体行为识别系统。该系统基于不同的卷积特征提取方法（一维卷积特征提取方法、二维卷积特征提取方法和将一维卷积与递归相结合的特征提取方法）构建人体行为识别网络模型，并在预处理好的样本数据上进行实验验证和分析，得出四种方法的识别效果和优缺点。 二是基于递归神经网络构建端到端的人体行为识别系统，通过简单递归神经网络（RNN）、长短期记忆网络(LSTM)、双向长短期记忆网络(BLSTM)和门控循环单元(GRU)这四种不同的网络构建了四种不同的人体行为识别模型，并在预处理好的样本数据上进行实验验证和分析，得出这四种方法的识别效果和优缺点。 三是基于Android系统设计了传感器行为运动采集软件，采集的行为活动如骑车、打电话、吃早饭等，同时规定采集的时间和频率，采集的行为样本可以是含有强标签的单个行为数据，也可以是含有弱标签的多个行为数据。

目录

声明

摘要

第一章绪论

1．1研究背景及意义

1．2国内外研究现状

1．2．1行为识别研究现状

1．2．2深度学习及其研究现状

1．2．3基于深度学习的可穿戴人体行为识别研究现状

1．3面临的关键技术问题及挑战

1．4本文的研究内容和组织结构

1．4．1本文主要研究内容与创新点

1．4．2本文组织结构

2．1引言

2．2数据集分析

2．2．1 HAPT数据集介绍

2．2．2数据预处理

2．3行为识别实验流程

2．4本章小结

第三章基于卷积特征提取的人体行为识别

3．1引言

3．2卷积特征提取方法介绍

3．2．1一维卷积的特征提取

3．2．2二维卷积的特征提取

3．2．3一维卷积与递归结合的特征提取

3．3实验方法介绍

3．3．1基于一维卷积的特征提取方法

3．3．2基于二维卷积的特征提取方法

3．3．3基于一维卷积与递归的特征提取方法

3．4实验过程及结果分析

3．4．1实验环境及参数设置

3．4．2实验结果与分析

3．5本章小结

第四章基于递归神经网络的人体行为识别

4．1引言

4．2递归神经网络介绍

4．2．1递归神经网络(RNN)

4．2．2长短期时间记忆(LSTM)

4．2．3双向长短期记忆网络(BLSTM)

4．2．4门控循环单元(GRU)

4．3实验方法介绍

4．4实验结果与分析

4．5本章小结

5．1引言

5．2 Android平台传感器种类

5．3传感器的框架及调用原理

5．4传感器数据采集总体架构设计

5．4．1数据显示模块

5．4．2行为运动采集模块

5．4．3传感器数据采集模块

5．5传感器原始数据采集

5．5．1数据采集流程

5．5．2移动设备和传感器的选择

5．5．3预定义设备位置和行为类别

5．5．4传感器数据采集

5．6本章小结

第六章全文总结

6．1总结

6．2展望

参考文献

硕士期间发表的论文

致谢