基于可穿戴设备的人体行为监测方法研究

摘要

基于可穿戴设备的人体行为监测是利用可穿戴设备和计算机技术，通过感知人体活动数据获取用户运动状态的过程。在人体行为监测方法研究中，主要采用的技术有：数据获取和行为识别。在数据获取层面，大多传统行为监测方法使用基于视频图像的方法，但是该方法受到环境的诸多限制，同时隐私侵入性也较强，不能完全满足行为监测的需求。可穿戴设备在数据获取技术上取得了很好的效果，然而，大多数基于可穿戴设备的研究，都涉及到多个传感器，用户体验不够好。在行为识别层面，传统工作仅能对人体活动实现离线识别，而在现实条件下，各种应用对监测结果都有实时性的需求。针对以上两个问题，本文重点关注如何基于单个传感器采集的数据高效并实时的实现人体行为监测。 首先，针对单个三轴加速度计采集的数据，给出了数据预处理的方法。针对与信号没有重叠的噪声数据，先用巴特沃斯滤波器将数据进行低通滤波将其去除。接着，为了去除加速度数据中的异常数据并将数据进一步平滑以便后续实验结果更加准确，本文提出了一种KGA算法，即在卡尔曼滤波算法中引进遗传算法，利用遗传算法对卡尔曼滤波算法中的参数进行编码，以此来优化卡尔曼滤波算法。 其次，给出了基于改进的一维卷积神经网络的人体行为识别方法。根据人体运动特征，提取能够区分活动类型的特征值。同时，针对传统卷积神经网络的过拟合问题，本文提出了一种样本自主学习方法，以找到最优样本训练集，避免过拟合问题的发生。在对11种人体活动的识别中，平均准确率达到了98.7%，在同一数据集中与其他行为识别方法对比，取得了较好的分类效果。 再次，针对对老年人危害较大的跌倒活动，给出了基于阈值的人体跌倒状态识别方法，重点将跌倒活动从日常活动中区分出来。根据人体跌倒动作特征，提取可有效区分日常活动和跌倒的特征值。本方法中的阈值使用交叉验证方法确定，在对11种人体日常活动和15种跌倒类型活动的分析中，将15种跌倒活动区分出来，识别召回率达到了99.1%。 最后，在本论文研究的基础上，设计并实现了基于可穿戴设备的人体行为监测系统，对本论文提出的方法进行实时验证。本系统将传感器采集的人体活动数据上传到云平台，后台服务器对数据进行实时分析以识别人体当前活动，并在人体发生跌倒时进行报警，结果表明，本系统识别的平均召回率达到了89.97%。

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 特征选择

1.2.2 分类方法

1.3 研究内容

1.4 论文结构

2 相关工作

2.1 数据获取

2.1.1 传感器介绍

2.1.2 数据获取技术

2.2 数据分割

2.3 特征及特征提取方法

2.4 公用数据集的选择

2.4.1 常用公用数据集介绍

2.4.2 本文选取的数据集

2.5 本章小结

3 基于KGA的数据预处理

3.1 低通滤波

3.2 基于遗传算法优化的卡尔曼滤波算法

3.3.1 实验设计

3.3.2 实验结果与分析

3.4 本章小结

4 基于改进的1D-CNNs的人体行为识别

4.1 人体行为活动研究

4.1.1 人体行为活动的加速度特征

4.1.2 三轴加速度传感器信号分析

4.2 基于改进的1D-CNNs的人体行为识别

4.2.1 数据预处理

4.2.2 特征提取

4.2.3 算法设计

4.3.1 实验仿真

4.3.2 实验分析

4.4 本章小结

5 基于阈值的人体跌倒状态检测

5.1 人体跌倒研究

5.1.1 人体跌倒状态研究

5.1.2 模拟跌倒的方法研究

5.2 人体跌倒状态检测

5.2.1 数据预处理

5.2.2 特征提取

5.2.3 算法实现

5.3.1 实验仿真

5.3.2 实验分析

5.4 本章小结

6 基于可穿戴设备的人体行为监测系统设计与实现

6.1.1 平台结构

6.1.2 可穿戴设备数据采集

6.1.3 可穿戴设备云平台

6.1.4 可穿戴设备后台服务模块

6.2.1 实验设计

6.2.2 实验结果与分析

6.3 本章小结

7 总结与展望

7.1 总结

7.2 展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集