融合加速度和生理信号的人体活动识别

摘要

目前，人体活动识别技术大都局限于仅使用加速度对人体运动进行识别，融合异构传感器数据进行复杂活动识别的研究很少，现有的一些融合加速度和心率进行活动识别的工作，也仅仅是在特征层进行融合。为了充分利用不同传感器采集的数据，以实现穿戴尽量少的设备来准确识别尽量多的活动的目的，本文主要研究融合加速度和生理信号的人体活动识别。首先，提出了一个日常活动数据采集架构，对日常活动进行了汇总分类，采集了相应的实验数据，并进行了预处理;然后，在人体活动特征提取和选择的基础上，提出了一种基于SVM和GMM的多通道分数级融合活动识别算法，分别通过SVM和GMM来训练不同的信号通道，并基于逻辑回归算法训练得到各通道的权重系数来进行融合。最后，提出了一种基于boosting的多通道决策级融合活动识别算法，引入了基于置信度的AdaBoost算法来训练不同的信号通道，并通过自适应加权对数优化池(WLOGP)规则进行多通道的决策级融合。生理信号的引入能有效识别仅靠加速度很难区分的活动，分数级融合能显著提高活动识别准确率，提出的boosting算法简洁快速，适用于移动端，决策级融合大大减少了传感器节点需要通信的数据量。

目录

摘要

图目录

表目录

第1章 绪论

1．1 研究背景及意义

1．2 研究现状

1．3 研究难点及趋势

1．4 研究目标及主要创新点

1．5 论文的组织结构

第2章 人体活动识别的关键技术

2．1 人体活动分析

2．2 人体活动特征

2．2．1 特征提取

2．2．2 特征选择

2．3 人体活动识别算法

2．3．1 常用活动识别分类器

2．3．2 信息融合活动识别

2．4 本章小结

第3章 人体活动识别数据获取平台

3．1 人体活动传感设备

3．2 多传感器数据采集系统设计

3．2．1 数据获取

3．2．2 传感设备佩戴位置

3．2．3 数据采集软件

3．2．4 数据采集规范

3．2．5 日常活动采集类别

3．3 活动数据预处理

3．4 本章小结

第4章 基于SVM和GMM的分数级融合活动识别

4．1 引言

4．2 分数级融合架构

4．3 单通道活动识别

4．3．1 基于SVM的时域通道分类

4．3．2 基于GMM的频域通道分类

4．3．3 多通道权重拟合

4．4 多通道融合活动识别

4．4．1 特征级融合

4．4．2 分数级融合

4．5 实验及分析

4．5．1 实验数据准备

4．5．2 基于生理信号的活动识别

4．5．3 基于加速度的活动识别

4．5．4 基于加速度和生理信号融合的活动识别

4．6 本章小结

第5章 基于boosting的决策级融合活动识别

5．1 普适环境下的人体活动识别

5．1．1 普适计算与活动识别

5．1．2 决策级融合活动识别架构

5．2 单通道活动识别

5．2．1 基于AdaBoost的活动识别算法

5．2．2 基于置信度的AdaBoost活动识别算法

5．3 多通道决策级融合活动识别

5．3．1 决策级融合方法

5．3．2 决策级融合活动识别

5．4 实验及分析

5．4．1 实验数据准备

5．4．2 实验结果及分析

5．5 本章小结

第6章 总结与展望

6．1 论文工作的总结

6．2 下一步工作的展望

参考文献

攻读硕士学位期间主要的研究成果

致谢