手机传感器数据分析与人体行为识别研究

摘要

人体行为识别属于计算机研究方向中模式识别与行为感知领域，主要依据传感器获取特定行为的信号数据，然后对这些数据进行预处理，提取有意义的特征，最后使用传统机器学习模型或深度学习模型进行分类或预测。人体行为识别技术可用于安全监控、人机交互、医疗保健等领域。从以往的研究中可知，根据数据来源不同，人体行为识别的相关研究大致可分为基于视频或图像处理识别，定制传感器，智能手机三大类，由于传感器技术的飞速发展以及智能手机在人们生活中依赖性与研究的便捷性，利用手机上的传感器进行人体行为识别研究已经成为当下的热点。　　基于上述背景，本文基于智能手机中的传感器数据对人体行为识别进行分析与研究，本文主要研究内容如下：　　1.搭建一套人体行为识别系统　　在Android端进行传感器数据采集并实时对线性加速度进行分离，然后将数据保存在EXCLE文件中，发送数据到服务器端，服务器端对数据文件进行处理，在服务器端使用一阶指数平滑对Android端发来的数据文件进行去噪并完成分类模型评估实验。　　2.构建人体行为识别HARC(Human Activity Recognition Chain)框架　　在此框架下训练和优化了四种监督学习算法，即KNN(K-Nearest Neighbor)，RF(Random Forests)、SVM(Support Vector Machine)与CRNN(Convolutional Recursive Neural Network)。算法性能评估采用5倍交叉验证，先按时间分层，然后按受试者分层进行模型评估实验。　　结论如下，在时间分层交叉验证分类实验中，四种算法的分类准确率均在94%以上，其中CRNN算法的分类准确率最高，能够达到99.3%。在受试者分层交叉验证实验中对未见受试者的分类性能进行评估，四种算法准确率均有所降低，其中CRNN的准确率仍然保持最高，能够达到88.9%。　　实验结果表明本文研究中构建的CRNN模型基于手机传感器数据在人体行为识别分类活动中有好的识别准确率。

目录

声明

第1章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状与分析

1.2.1 人体行为识别研究分析

1.2.2 国内外研究现状

1.3 研究内容

第2章 传感器数据采集与处理

2.1 人体行为识别的一般流程

2.2 手机传感器的分类及应用

2.2.1 运动类传感器

2.2.2 位置类传感器

2.2.3 环境类传感器

2.3 坐标系

2.3.1 全局坐标系

2.3.2 设备坐标系

2.4 传感数据采集误差与处理

2.4.1 传感器数据误差

2.4.2 传感器数据误差解决办法

2.5 行为数据采集、分析与处理

2.5.1 行为数据采集

2.5.2 加速度分离与数据分割

2.6 本章小结

第3章 特征提取与分类技术

3.1 特征提取技术

3.1.1 传统特征提取

3.1.2 自动特征提取

3.2 分类算法

3.2.1 支持向量机模型

3.2.2 决策树分类模型

3.2.3 集成分类模型

3.2.4 线性判别分析模型

3.2.5 K近邻模型

3.2.6 CRNN模型

3.3 评价指标

3.3.1 准确率（Accuracy）

3.3.2 精确率（Precision）

3.3.3 召回率（Recall）

3.3.4 F1分数（F1-score）

3.3.5 混淆矩阵与交叉验证

3.4 特征提取

3.5 本章小结

第4章 人体行为识别系统设计与实现

4.1 数据采集模块

4.2 数据预处理模块

4.3 数据特征提取与分类识别

4.3.1 HARC人体行为识别框架

4.3.2 构建CRNN分类模型

4.3.3 分类实验对比与评估

4.4 本章小结

结论

1 全文工作总结

2 未来工作展望

参考文献

附录A 攻读硕士期间获得的专利著作

致谢