多传感器时间序列的活动识别概率模型研究

发布时间：2020-07-23 12:50

【摘要】：基于传感器的人类活动识别是指对受试者在活动时产生的加速度、角速度等数据进行采集和分析,还原受试者实际所做动作的一类识别分类任务,目前已经被普遍应用于医疗保健、智能家居等领域。隐马尔可夫模型(Hidden Markov Model,HMM)和条件随机场(Conditional Random Field,CRF)是擅长处理传感器时间序列数据的概率模型,但在时序建模方面也存在不足之处。针对以下不足,该文对两种模型进行了改进,应用于人类活动识别以验证模型性能,提高活动识别的准确性。首先,HMM训练时所用的Baum-Welch算法是一种爬山算法,容易获得局部最优解,因此引入结构化支持向量机(Support Vector Machine,SVM)与HMM结合,构建结构化SVM-HMM框架用于人类活动识别,并与基于高斯混合模型的HMM(HMM based on Gaussian Mixed Model,GMM-HMM)进行对比实验。实验证明,结构化SVM-HMM比GMM-HMM能更好地描述人类活动方式。其次,传统CRF在训练优化时所用的拟牛顿算法BFGS算法占用内存大、运行速度慢,针对此问题,采用边界限制存储的BFGS(Limited Memory BFGS with Bounds,L-BFGS-B)算法优化CRF模型用于活动识别建模,并与传统的CRF模型、决策树、逻辑回归等机器学习方法进行对比实验。结果表明,基于L-BFGS-B算法的CRF模型计算复杂性低、迭代代价小、运行效率高,比其他算法具有更好的识别效果。最后,将双向长短时记忆(Long Short-Term Memory,LSTM)神经网络和CRF结合,构建双向LSTM-CRF深度框架用于活动分类,并将此模型与双向LSTM网络、CRF模型进行对比实验。双向LSTM-CRF同时具有双向LSTM学习上下文的信息的特性和CRF模型考虑输出标签序列间的依赖关系的特性,且可以自动提取特征。结果表明,双向LSTM-CRF模型的识别效果优于另外两种模型。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP212;O211.61
【图文】：

流程图,人类活动,流程,活动识别

第 2 章活动识别概述和数据集介绍及处理第 2 章活动识别概述和数据集介绍及处理2.1 引言人类活动识别涉及到数据预处理、特征提取和选择、模型训练等多种不同的任务。因此，本章对人类活动识别过程进行了详细地阐述。在人类活动识别过程中，第一步便是活动数据集的采集和获取，数据集的选择和处理也会影响模型的分类性能。所以，在本章中，重点介绍了活动识别数据集的特点、数据的采集和处理。在实验中需要衡量指标对活动识别中模型的性能即实验结果的优劣进行评估，所以最后一节中，对性能评估指标进行了介绍。2.2 活动识别概述及流程人类活动识别的基本过程如图 2-1 所示。

房间布局,测试环境,洗碗机,抽屉

第 2 章活动识别概述和数据集介绍及处理，盘子，面包，萨拉米，牛奶，水，糖，勺子和奶酪)都装有加速度计和陀螺仪传感器包括 13 个开关，用于检测冰箱门、洗碗机和 3 个抽屉的打开和关闭。装在 1 号门、2 号门、躺椅、洗碗机、冰箱和 3 层抽屉上的 8 个 3 轴加速度传

序列,志愿者,数据集,代表性

图 2-3 活动的时间分解4 个志愿者被选择进行数据集的采集，每个志愿者执行 6 组活动，前 5 组执动，第 6 组重复 20 次典型的代表性动作。数据集采样频率是 30Hz，共有性。每组数据一共 250 列，第 1 列为时间戳，第 2-243 列为样本数据序列-250 列为标签序列。本实验所用的数据集分布如图 2-4 所示。

【相似文献】