基于生理信号的人体行为识别方法研究与应用
发布时间：2022-02-11 19:41
近年来,随着传感器技术和智能设备的迅速发展,人体行为识别成为重要的研究热点,在医疗监控、智能安防、老年看护以及室内定位具有重要的研究意义和广泛的应用前景。在人体行为识别领域,基于可穿戴设备传感器信号的方法具有便携性好、功耗低、抗环境干扰等优势,更适用于实际应用场景。随着研究深入,目前基于传感器信号的人体行为识别研究在公开数据集上可达到较高效果,但公开数据集是在实验室理想环境下采集的在服务器上进行精度计算,而面向智能可穿戴设备的实际应用场景更加复杂,存在可穿戴用户动作不规范、速度差异、用户之间存在差异性等问题。针对这些问题,本文面向智能可穿戴设备的轻量级计算平台设计了基于残差网络的人体行为识别深度网络模型,并结合超图学习和迁移学习提高了实际应用场景下用户行为识别精确度。论文主要工作如下:1.针对实际可穿戴场景中由于用户动作不规范且存在速度差异导致精确度不高的问题,本文基于轻量级可穿戴计算平台,设计了基于残差网络的行为识别模型。实验结果表明,在USC-HAD公开数据集下比现有的文献提高2.32%,达到92.72%的精确度。在快递员原始数据9分类下达到94.8%的较高精确度。2.在实际应用场...
【文章来源】：电子科技大学四川省211工程院校985工程院校教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
人体行为识别应用
电子科技大学硕士学位论文23121tttxxx(2-1),311kktkx其中tx表示信号发生器在每个时刻t产生的信号，......21，为卷积核（ConvolutionKernel），假设卷积核长度为K，它和一个信号序列,......,21xx,11Kkktktxy（2-2）信号序列x和卷积核的卷积定义为xy,（2-3）其中表示卷积运算。图2-1给出了一维卷积示例.卷积核为[1,0,1]，连接边上的数字为卷积核中的权重。图2-1一维卷积示例（滤波器为[-1,0,1]）在图像处理中，将一维卷积扩展，其卷积为：,11,11VvvjuiuvUuijxy(2-4)其中VURX表示一个图像，VURW为卷积核，且,UNVM。一个输入信息X和卷积核W的二维卷积定义为：XWY,(2-5)其中表示二维卷积运算。如图2-2给出了二维卷积示例：图2-2二维卷积示例
电子科技大学硕士学位论文23121tttxxx(2-1),311kktkx其中tx表示信号发生器在每个时刻t产生的信号，......21，为卷积核（ConvolutionKernel），假设卷积核长度为K，它和一个信号序列,......,21xx,11Kkktktxy（2-2）信号序列x和卷积核的卷积定义为xy,（2-3）其中表示卷积运算。图2-1给出了一维卷积示例.卷积核为[1,0,1]，连接边上的数字为卷积核中的权重。图2-1一维卷积示例（滤波器为[-1,0,1]）在图像处理中，将一维卷积扩展，其卷积为：,11,11VvvjuiuvUuijxy(2-4)其中VURX表示一个图像，VURW为卷积核，且,UNVM。一个输入信息X和卷积核W的二维卷积定义为：XWY,(2-5)其中表示二维卷积运算。如图2-2给出了二维卷积示例：图2-2二维卷积示例
【参考文献】：
期刊论文
[1]基于加速度传感器和神经网络的人体活动行为识别[J]. 张烈平,匡贞伍,李昆键,韦克莹,王政忠,张声岚,王瑞. 现代电子技术. 2019(16)
[2]基于单个三轴加速度计的人体行为识别研究[J]. 张宇,郭达,高志勇,周大海. 信息技术与网络安全. 2019(02)
[3]传感器人体运动行为特征识别研究进展[J]. 景元,吉爱红,张曦元,宋雅伟,陈炜峰. 计算机工程与应用. 2019(01)
[4]基于协同LSTM神经网络的人体行为识别研究[J]. 朱连章,陈殿明,郭加树,张红霞. 计算机技术与发展. 2018(12)
[5]基于WiFi信号的人体行为感知技术研究综述[J]. 鲁勇,吕绍和,王晓东,周兴铭. 计算机学报. 2019(02)
[6]面向人体行为识别的深度特征学习方法比较[J]. 匡晓华,何军,胡昭华,周媛. 计算机应用研究. 2018(09)
[7]个性化远程医疗监护系统研究[J]. 董振江,谢怡,邓硕,娄梦茜,孙知信. 计算机技术与发展. 2013(05)
[8]正常青年人步态运动学参数的研究[J]. 郭忠武,王广志,丁辉,高敬,丁海曙. 中国康复理论与实践. 2002(09)
硕士论文
[1]基于深度学习和无监督域适应的跨用户行为识别研究[D]. 谢澈澈.华南理工大学 2019
[2]基于不同人群特征学习的行为识别研究[D]. 王天龙.辽宁大学 2018
本文编号：3620847
【文章来源】：电子科技大学四川省211工程院校985工程院校教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
人体行为识别应用
电子科技大学硕士学位论文23121tttxxx(2-1),311kktkx其中tx表示信号发生器在每个时刻t产生的信号，......21，为卷积核（ConvolutionKernel），假设卷积核长度为K，它和一个信号序列,......,21xx,11Kkktktxy（2-2）信号序列x和卷积核的卷积定义为xy,（2-3）其中表示卷积运算。图2-1给出了一维卷积示例.卷积核为[1,0,1]，连接边上的数字为卷积核中的权重。图2-1一维卷积示例（滤波器为[-1,0,1]）在图像处理中，将一维卷积扩展，其卷积为：,11,11VvvjuiuvUuijxy(2-4)其中VURX表示一个图像，VURW为卷积核，且,UNVM。一个输入信息X和卷积核W的二维卷积定义为：XWY,(2-5)其中表示二维卷积运算。如图2-2给出了二维卷积示例：图2-2二维卷积示例
电子科技大学硕士学位论文23121tttxxx(2-1),311kktkx其中tx表示信号发生器在每个时刻t产生的信号，......21，为卷积核（ConvolutionKernel），假设卷积核长度为K，它和一个信号序列,......,21xx,11Kkktktxy（2-2）信号序列x和卷积核的卷积定义为xy,（2-3）其中表示卷积运算。图2-1给出了一维卷积示例.卷积核为[1,0,1]，连接边上的数字为卷积核中的权重。图2-1一维卷积示例（滤波器为[-1,0,1]）在图像处理中，将一维卷积扩展，其卷积为：,11,11VvvjuiuvUuijxy(2-4)其中VURX表示一个图像，VURW为卷积核，且,UNVM。一个输入信息X和卷积核W的二维卷积定义为：XWY,(2-5)其中表示二维卷积运算。如图2-2给出了二维卷积示例：图2-2二维卷积示例
【参考文献】：
期刊论文
[1]基于加速度传感器和神经网络的人体活动行为识别[J]. 张烈平,匡贞伍,李昆键,韦克莹,王政忠,张声岚,王瑞. 现代电子技术. 2019(16)
[2]基于单个三轴加速度计的人体行为识别研究[J]. 张宇,郭达,高志勇,周大海. 信息技术与网络安全. 2019(02)
[3]传感器人体运动行为特征识别研究进展[J]. 景元,吉爱红,张曦元,宋雅伟,陈炜峰. 计算机工程与应用. 2019(01)
[4]基于协同LSTM神经网络的人体行为识别研究[J]. 朱连章,陈殿明,郭加树,张红霞. 计算机技术与发展. 2018(12)
[5]基于WiFi信号的人体行为感知技术研究综述[J]. 鲁勇,吕绍和,王晓东,周兴铭. 计算机学报. 2019(02)
[6]面向人体行为识别的深度特征学习方法比较[J]. 匡晓华,何军,胡昭华,周媛. 计算机应用研究. 2018(09)
[7]个性化远程医疗监护系统研究[J]. 董振江,谢怡,邓硕,娄梦茜,孙知信. 计算机技术与发展. 2013(05)
[8]正常青年人步态运动学参数的研究[J]. 郭忠武,王广志,丁辉,高敬,丁海曙. 中国康复理论与实践. 2002(09)
硕士论文
[1]基于深度学习和无监督域适应的跨用户行为识别研究[D]. 谢澈澈.华南理工大学 2019
[2]基于不同人群特征学习的行为识别研究[D]. 王天龙.辽宁大学 2018
本文编号：3620847
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3620847.html
