基于放置无关化的活动识别方法研究

发布时间：2020-08-09 06:27

【摘要】：随着微电子技术的飞速发展,智能可穿戴设备层出不穷。基于可穿戴设备的人体活动识别作为普适计算的一个重要的领域,引起越来越多学者的关注。人体活动识别技术已经在医疗、军事活动以及体育等领域得到了广泛的应用,但是对于与位置无关的活动识别这一问题至今还未得到更好的解决。目前,在对基于传感器的活动识别问题的研究中,一般默认传感器放置形式不变并且放置位置固定不动。然而,在实际应用中这种条件显然难以满足。针对传统基于三轴加速度传感器的人体活动识别方法的精度过分依赖与加速度传感器设备的放置位置以及形式的这一问题,本文提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆(Long-Short Term Memory,LSTM)神经网络进行活动识别的方法,通过该方法可以有效提高加速度传感器设备放置方式以及放置位置在非固定不变的情况下人体活动识别的准确率。首先,针对加速度数据进行预处理。然后将预处理后的数据输入到一种基于LSTM与全连接层架构的三轴加速度数据自适应结构,该自适应结构可以自适应的把不同的输入数据调整到一个相似的坐标系中,之后再将该结构的输出输入到CNN网络模型。最后,将LSTM网络进行输出的结果输入到softmax并得到最终的分类结果。由于CNN能够自适应地从浅层次特征中学习提取深层次特征的特点以及LSTM网络能够提取时域特征上下文信息的优势,因此通过该方法进行深度特征提取并分类的结果更加可靠。本文使用Daily and Sports Activities Data Set公共数据集以及针对放置无关化问题自行采集的数据集来构建模型并对模型的性能进行评估。实验结果表明,本文提出的深度模型在公共数据集合和非公共数据集上的准确率分别可以达到82%和87%左右。同时,还将本文的方法与传统活动识别方法进行了对比,验证了该方法的有效性与先进性。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP212;TP183
【图文】：

时间序列,活动识别

然后对针对流程中关键步骤做了详细的分析，同时提出了一种传统活动识别方法，用于研究数据扭曲对于活动识别准确率的影响。2.1 活动识别的一般流程首先给出时间序列的定义，以便于后续有意识的描述相关问题。定义：时间序列通常是指在均匀时间间隔的连续时刻测量的数据和时间的元组，可以表示为式 2-1。 = ( ) ( ) ( ) ( ) （2-1）式中 —— 时刻的数据；n——时间序列的长度。目前人体活动识别更多的被认为是一个机器学习任务，但是更加准确具体的说它应该是一个时间序列分类问题，因为人体的运动数据是按照一定的时间顺序产生的，而传感器的所有信号都是时间序列。这个问题主要分为以下四个步骤加以实行：传感器数据采集，数据预处理，特征提取以及分类器分类。如图 2-1 所示。

传感器,智能手机,活动识别,人体活动

图 2-4 传感器节点分布主要研究领域为简单人体活动识别，因、下楼、走、跑、快走、躺。研究选择的简单运动形式，其中走，跑，快走等动中考虑到前人对于基于深度学习的放置候使用的都是智能手机，而智能手机在式离散化，代表性不是很强。传感器的实际器的运动自由度，本文设计的数据采集mm）的塑料盒子里，采集过程中使其自，选取了 4 男、4 女作为志愿者（年龄在约为 3 分钟即 18000 帧。活动识别的实现预处理主要包括活动窗口选择，数据的

函数,激活函数

w 点的调整并得到分类结果[51]。传统神经元输出的计算公式如式（3-1）所示。 = ( ( ) ) （3-1）式中 x——输入；y——输出； ——神经元的连接权重；b——偏移量；f——激活函数。激活函数在神经网络提取特征过程中起着至关重要的作用，其主要意义在于判定每一个神经元的输出有没有达到特定的阈值，去保证和特征无关的区域不会影响到该特征提取方式的训练[52]，使得特征表征性更好。如果没有激活函数，即使特征非常弱，也会得到输出，那样网络就失去了对特征的过滤性[53]。激活函数主要包括以下几种：Sigmoid，tanh，以及 ReLU 等。具体如图 3-1 所示。前两者比较相似，因为 tanh 是 Sigmoid 变形，主要不同在于压缩范围以及均值，但是二者都存在梯度饱和的问题。

【相似文献】