人体行为识别的机器学习算法研究

发布时间：2021-06-21 20:17

　　当前,人们采用嵌入式传感器积累了大量人体行为数据,识别的人体行为包括:日常行为（走路、上楼、下楼、静坐、慢跑）及异常行为（跌倒）。通过使用机器学习技术应用于人体运动数据的分析,为人体健康提供科学有效的运动指导,具有重要的应用价值。为此,本文的主要研究工作如下:首先,综述和分析目前人体行为识别的国内外研究现状,对比分析后,选用了加州大学欧文分校的机器学习公开数据库（http://archive.ics.uci.edu/ml/）,进行人体行为识别。然后,对原始数据进行预处理。对原始数据进行滤波、加速度分解、信号加窗、数据归一化处理,便于后续特征提取。接着,分析运动特征并对特征进行降维。分别从时域和频域分析数据,提取特征。在特征降维方面,对基于面积的灰色绝对关联模型进行了研究和改进。针对灰色绝对关联模型在积分过程中,存在的正负面积相互抵消的问题,从相对变化面积角度出发,对其进行改进用于降维,改进后的模型有效提高了特征选择的可靠性。然后,设计分类算法。通过分析人体日常行为和异常行为特征,首先进行跌倒行为识别,设计了基于阈值的分类算法和基于四种机器学习的分类算法。然后进行日常行为的识别,设计了基... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

总体

滤除重力分量加速度信号对比图

加速度数据加窗示意图

【参考文献】：
期刊论文
[1]对偶树复小波与空域信息的手势识别分类研究[J]. 贾鹤鸣,朱传旭,张森,杨泽文,何东旭.  智能系统学报. 2018(04)
[2]基于一种改进阈值函数的小波去噪方法研究[J]. 张金武,冯毅,李文.  电子设计工程. 2017(09)
[3]改进型阈值函数寻优法的小波去噪分析[J]. 唐鹏,郭宝平.  信号处理. 2017(01)
[4]利用姿势估计实现人体异常行为识别[J]. 王恬,李庆武,刘艳,周亚琴.  仪器仪表学报. 2016(10)
[5]加窗优化在数字信号处理中的重要性分析[J]. 卢学燕.  硅谷. 2014(16)
[6]新型灰色接近关联模型及其拓展[J]. 刘震,党耀国,周伟杰,夏卫国.  控制与决策. 2014(06)
[7]Simpson不等式的改进及其应用[J]. 闻道君,龚黔芬.  数学的实践与认识. 2010(21)
[8]改进的小波阈值去噪方法及其在MATLAB中的仿真[J]. 李树钰.  噪声与振动控制. 2010(02)
[9]基于面积的改进灰关联度算法[J]. 王靖程,诸文智,张彦斌.  系统工程与电子技术. 2010(04)

博士论文
[1]基于计算机视觉的人体行为识别研究[D]. 邵延华.重庆大学 2015
[2]基于表面肌电和加速度信号融合的动作识别和人体行为分析研究[D]. 成娟.中国科学技术大学 2013

硕士论文
[1]基于惯性传感器的人体姿态分析与识别关键技术的研究[D]. 王一杰.电子科技大学 2018
[2]基于Android平台的跌倒检测算法研究及实现[D]. 卫震.杭州电子科技大学 2017
[3]基于传感器的人体跌倒检测算法研究[D]. 孙晓雯.江南大学 2016
[4]基于集成学习的人体日常行为活动识别系统研究[D]. 冯增涛.东南大学 2016
[5]老人跌倒检测系统的设计与实现[D]. 臧楠.西安电子科技大学 2014



本文编号：3241339