基于非均衡数据的相似性动作识别方法研究

摘要

目前基于可穿戴设备的动作识别的研究大多存在着相似性动作之间区分度较差、样本分布不均匀等问题,从而导致个别分类的准确率低于平均水平,进而影响整体的识别效果.该文单独选取了两组易混淆动作(A:步行/上/下楼梯和B:坐/站/躺)进行分析,并采用人工合成样本(Synthetic Minority Over-sampling Technique,SMOTE)+简单随机采样(Resam-ple)技术对样本进行均衡化处理,之后再分别采用不同的机器学习模型进行训练,综合不同的性能指标得出随机森林(RandomForest)的分类效果最佳:A组动作的识别率最低(97.4％),B组动作的识别率最高(99.53％),且对采样频率和特征值数量具有较好的鲁棒性.