基于可穿戴传感器的人体行为识别方法研究

摘要

伴随电子与通信技术的发展，无线传感器得到了广泛应用。基于微惯性传感器的人体行为识别作为人工智能的一个新兴分支，日益受到人们的广泛关注与重视。相比基于视觉的人体行为识别方法，它具有设备复杂性小，受外界环境干扰小，具有更好的空间自由性等优点。作为物联网的一项重要应用，在医疗保健、健康恢复、助老助残等方面具有广阔的应用前景和非常可观的经济效益。该领域研究是一项极具意义的工作。然而当前国内外对基于传感器行为识别工作研究仍存在诸多不足。本文主要针可穿戴传感器行为识别中特征和分类方法进行研究和改进，主要研究工作如下:
　　第一，考虑传感器行为识别主要采用机器学习和模式识别方法，论文引入压缩感知和稀疏表示理论用于解决传感器行为分类问题。另外，针对多传感器行为识别问题，提出一种有效的结果融合方法。在多传感器行为识别系统中，构建并行处理架构有利于提升行为识别速率，而要想保持或者提升行为识别率，结果融合方法发挥至关重要的作用。本文通过分析多任务行为识别过程，构建出残差模型，该模型能将多任务结果进行有效融合，充分挖掘数据信息。
　　第二，针对基于传感器行为识别的特征多沿用数字信号处理的时频域特征问题，论文提出一种关联特征。在多传感器系统中，根据人体行为特性，各个不同位置传感器节点数据之间存在关联性，关联特征是对不同位置传感器信息的一种结合，能更好反应人体运动特征。该特征能有效挖掘已有数据中潜在信息，提升行为识别率。
　　最后，本文选取了两个国外公开的传感器行为识别数据库，进行大量仿真验证实验。大量实验结果表明，论文提出的方法能有效提升行为识别性能。

目录

声明

摘要

插图索引

插表索引

第1章 绪论

1．1 引言

1．2 课题研究背景及意义

1．3 国内外研究现状

1．3．1 传感器行为分类方法研究现状

1．3．2 传感器行为特征研究现状

1．3．3 传感器行为识别中能耗问题现状

1．4 研究内容与主要工作

1．5 论文的内容结构

第2章 相关工作

2．1 引言

2．2 可穿戴传感器行为识别系统

2．3 基于学习的行为识别方法

2．3．1 K近邻方法

2．3．2 朴素贝叶斯方法

2．4 机器学习开源工具Weka

2．5 常用公开数据库

2．5．1 论文实验数据库介绍

2．6 本章小结

第3章 多任务行为识别结果融合方法

3．1 引言

3．2 稀疏表示和压缩感知理论

3．2．1 稀疏表示

3．2．2 压缩感知

3．3 多任务结果融合方法

3．3．1 行为识别模型

3．3．2 构建多任务残差模型

3．4 实验结果

3．4．1 基于WARD数据集的实验

3．4．2 基于DSAD数据集的实验

3．5 可视化模拟仿真系统

3．6 本章小结

第4章 行为识别中的特征提取与选择

4．1 引言

4．2 特征提取

4．3 特征选择

4．4 实验结果与分析

4．4．1 基于WARD数据集的实验

4．4．2 基于DSAD数据集的实验

4．5 本章小结

总结

参考文献

致谢

附录A 攻读硕士学位期间发表的学术论文

附录B 攻读硕士学位期间所参与的项目