智能手机多传感器融合的人体活动识别技术

发布时间：2021-09-12 21:02

　　为了解决人体活动识别类别和准确度的预测方法中对传感器类型因素和识别方法考虑不足的问题,利用智能手机集成的惯性传感器、磁力计、气压计等多模态传感器,提出了融合智能手机多模态传感器的人体活动识别方法,并采用Stacking融合传统随机森林、支持向量机、K最近邻和朴素贝叶斯算法,通过学习训练集数据形成优化的人体活动识别分类器.实验显示系统的准确率达到99.0%,同时系统的敏感度和特异性分别达到99.0%和99.8%,很好地区分了走路、上楼和下楼这3种比较相似的动作.与传统单传感器活动识别系统相比,本系统的准确率、平均敏感度和平均特异性均为最高,比支持向量机算法分别高出14.0%、11.4%和2.1%,比K最近邻算法分别高出3.4%、3.3%和2.0%,比随机森林算法分别高出1.8%、2.0%和0.6%. 

【文章来源】：北京工业大学学报. 2020,46(11)北大核心CSCD

【文章页数】：8 页

【部分图文】：

人体活动模型

1.2 多传感器融合的HAR框架基于Stacking多传感器融合的HAR系统框架如图2所示. 总体上将HAR过程分为人体活动数据采集、数据预处理和数据分类识别3个阶段. 其中,数据预处理包括数据去噪、数据归一化、数据分割、特征提取和特征选择. Stacking分类融合层包括基层和元层. 基层采用K折交叉检验方法训练不同的基分类器,其对人体活动数据特征集中的每个样本进行预测得到识别结果. 由于每个分类模型的训练精度在起初的时候上升较快,越到后面上升越慢,当训练精度达到一定程度,再对原始数据训练难以提高识别准确率,因此,元层采用基分类器的预测结果作为输入数据,最终通过训练得出优化的分类模型.

人体活动数据为连续数据集,传统分类算法不能直接应用于连续数据,因此,本文采用滑动窗口技术对归一化后的人体活动数据进行分割. 由于人体活动频率通常小于20 Hz,所以本文将手机传感器的采样频率定为50 Hz. 此外,人体完成一个活动的时间通常小于2 s,本文将滑动窗口大小设定为2 s,即用一个容量为100个样本点的滑动窗分割传感器信号,相邻滑动窗按50%进行交叉重叠. 图3所示为归一化后“走路”三轴加速度数据分割的示例. 从图中可以看出,样本大小为100的窗口能够完全包含一段周期性活动的波形.文献[23]表明在HAR中针对传感器采集数据的均值、方差、标准差、峰度、均方根、最大值、最小值和能量谱密度均可作为人体活动的特征. 本文中每个样本包含4类传感器(加速度、陀螺仪、磁力计、气压计)的数据,其中气压计采集的气压值为1维数据,其他3类传感器有x轴、y轴、z轴和幅度合值共4维数据. 因此,每个样本可提取(3×4+1)×8维数据,共104维特征向量. 针对这104维特征向量,本文采用主成分分析(principal component analysis,PCA)从中提炼出加速度x轴数据的平均值、y轴数据的均方根等14维特征作为人体活动的特征以减少计算量和提高分类的精确度.

【参考文献】：
期刊论文
[1]基于手机加速度传感器的人体行为识别[J]. 衡霞,王忠民.  西安邮电大学学报. 2014(06)
[2]基于智能手机传感器的人体活动识别[J]. 刘斌,刘宏建,金笑天,国德峰.  计算机工程与应用. 2016(04)
[3]基于多分类器组合的个人信用评估模型[J]. 向晖,杨胜刚.  湖南大学学报(社会科学版). 2011(03)



本文编号：3394941