基于多模型融合的人体行为识别模型

摘要

cqvip:对用户的行走、上楼、下楼、静坐、站立、躺下6种行为状态产生的陀螺仪传感器数据进行研究。通过分析局部时间段内用户的状态信息,扩充样本数据维度,将卷积神经网络模型和长短期记忆网络模型相结合,构建特征提取器,使用线性支持向量机完成分类工作。行为识别精度达到99.4%以上,每一种的行为状态识别精度均超过98%。相比于多层感知机、卷积神经网络以及长短期记忆网络,平均识别精度提升了1%-2%。相比传统的机器学习算法,例如贝叶斯、支持向量机、决策树等,平均识别精度提升了3%-4%。