利用CNN实现基于智能手机传感器的人体行为识别

摘要

随着科学技术的不断进步和时代的改变，智能手机已经成为了人们生活中不可或缺的一部分。人类对生活的需求已经从简单的温饱问题演变成了复杂的物质、文化和精神的满足感。在这样一个时代背景下，基于智能手机的人体行为识别已经成为了研究热点，同时，这一热点也给研究人体行为活动与健康问题之间的联系提供了一种有效的方法。　　本文使用了来自两类智能手机内置传感器收集到的数据，分别为：陀螺仪传感器采集到的三轴角速度数据信息和三轴加速度传感器采集到的三轴合加速度数据信息。我们通过智能手机收集到的这两类数据及其各类变换来识别六种类型的人体行为活动，分别是走路、上楼、下楼、坐姿、站立和平躺。本文设计了三种实验方案来研究和提升人体行为识别的准确率。在实验方案一中，我们设计了两种CNN架构：架构A和架构B。在CNN架构A中，第一个卷积层中卷积核每次只卷积到了一种特征数据信息；而在CNN架构B中，第一个卷积层中卷积核每次卷积到了两种特征数据信息的组合。此外，实验方案一中用到了验证数据集，其被用于自动确定训练的迭代次数。结果表明，架构B的性能优于架构A，通过改变各卷积层中卷积核的个数，我们进一步提高了架构B的性能。在最优的参数下，CNN架构B对UCI数据库中基于智能手机的人体行为识别数据集的识别准确率达到97.5%，其结果优于其他的五种使用CNN的人体行为识别方法的结果。　　另外，实验方案二和实验方案三都完成了其设置时的既定目标，其结果也能令人满意。其中，实验方案二构造了一个类似于“R、G、B”三颜色通道的三维数据信号输入，其最终识别准确率能够达到95%；在实验方案三中，我们试图修改了第一个卷积层的卷积过程，使生成的特征图的每列均来自于不同的卷积核，其结果证明这种方案也达到了预想的结果。

目录

声明

第一章 绪论

1.1 研究背景与意义

1.1.1 智能穿戴设备

1.1.2 安全监控

1.1.3 人机交互

1.1.4 运动训练与竞赛

1.1.5 军事

1.1.6 医疗保健

1.2 研究现状

1.2.1 人体行为识别技术

1.2.2 相关研究进展

1.2.3 传统人体行为识别方法

1.2.4 利用卷积神经网络进行人体行为识别的方法

1.3 本文组织结构

第二章 行为识别相关技术概述

2.1 数据采集

2.1.1 几种常用的智能手机内置传感器

2.2 数据分割

2.3 传统特征提取方法

2.4 传统行为识别分类算法

第三章 卷积神经网络的基本概念和技术

3.1 卷积神经网络结构组成

3.1.1 卷积层

3.1.2 批量标准化层

3.1.3 激活函数层

3.1.4 池化层

3.1.5 全连接层

3.1.6 Soft-max函数层

3.2 卷积神经网络参数优化方法

3.2.1 SGDM：带动量的随机梯度下降算法

3.2.2 Adam：自适应矩估计算法

3.2.3 梯度裁剪

3.2.4 L2正则化项

第四章 利用卷积神经网络进行人体行为识别的实验设计

4.1 相关研究进展

4.2 实验数据集

4.3 实验平台

4.4 实验方案一：组合三种传感器数据的优化方案

4.5 实验方案二：基于三维卷积的优化方案

4.6 实验方案三：基于差异化卷积核的优化方案

第五章 实验结果分析

5.1 实验方案一（组合三种传感器数据的优化方案）的结果分析

5.2 实验方案二（基于三维卷积的优化方案）的结果分析

5.3 实验方案三（基于差异化卷积核的优化方案）的结果分析

第六章 总结与展望

6.1 本文总结

6.2 工作展望

参考文献

在学期间的研究成果

致谢