基于集成学习的人体日常行为活动识别系统研究

发布时间：2017-06-24 19:13

  本文关键词：基于集成学习的人体日常行为活动识别系统研究，，由笔耕文化传播整理发布。

【摘要】：生命在于运动,运动对于保持人体健康非常重要,同时也是预防疾病的重要手段。因此,科学有效的人体运动分析对全民保健具有重要的意义。然而实际生活中由于缺乏科学有效的运动指导以及有效的信息反馈,使得运动的成效大打折扣,更有甚者会造成运动伤害。随着加速度计、陀螺仪等便携传感器技术的出现,使得基于可穿戴式传感器的人体运动健康监测系统逐渐成为科学研究与技术创新的热点。可以说,穿戴式计算以及人体日常运动健康分析将逐渐走入我们的生活,成为未来人体保健及疾病预防的重要技术手段。本文拟通过多传感器融合的方式来实现人体日常行为活动的准确识别,重点研究集成学习等机器学习方法在多传感器人体运动分析中的理论创新与应用,从而为人体健康提供科学有效的运动指导。主要研究内容包括以下三个方面。1.搭建了用于对人体运动过程中相关传感器信号进行实时采集的穿戴式人体传感器网络,其主要感知器件包括三轴加速度传感器和三轴数字陀螺仪。此外,为了提高穿戴式健康监测系统中的能量利用率,本文在蓝牙4.0技术原理之上,对传感器信息采集、数据传输的方法进行了改进,并通过CC2541和nRF51822等主流蓝牙芯片的功耗实验对该方法的有效性进行了验证。2.综合分析了集成学习的相关理论基础以及随机森林(Random Forest)的算法原理,并在此基础之上将两种方法进行有机整合,融合多种穿戴位置的传感器数据集,提出了一种基于随机森林的集成学习识别算法,并利用公开的人体行为活动数据库,对该识别算法的有效性进行了验证,实验结果表明该算法具有较好的识别效果。3.为了改善由于不同个体之间的差异性以及个体行为习惯的改变而引起的传统静态算法识别精度损失大的问题,本文提出了基于增量学习的差异化反馈调优算法,并利用本文所构建的穿戴式人体传感器网络与后台识别算法对不同的实际个体进行了相关实验,实验结果表明本算法有效地提高了系统的准确性、差异性和动态性。总的来说,本文以人体日常行为活动状态识别技术为基础,结合可穿戴式人体传感器网络、信号处理、无线通信、机器学习等相关技术,开发了人体日常行为活动监测的硬件平台与软件算法,最后通过具体对应的软硬件验证实验,证明了本系统的可靠性与有效性。
【关键词】：人体行为活动识别 蓝牙4.0 集成学习
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TP274
【目录】：

• 摘要5-6
• Abstract6-9
• 第一章 绪论9-19
• 1.1 研究背景9-10
• 1.2 国内外研究现状10-14
• 1.2.1 研究现状10-14
• 1.2.2 主要存在的问题14
• 1.3 本文主要研究内容14-16
• 1.4 论文组织结构16-19
• 第二章 人体日常行为活动识别系统整体方案19-33
• 2.1 引言19
• 2.2 行为识别系统整体框架设计19-21
• 2.3 人体传感器网络信息采集系统设计21-26
• 2.3.1 行为活动信息采集单元硬件模块21-23
• 2.3.2 行为活动信息采集单元软件设计23-26
• 2.4 软件框架搭建与交互接口设计26-31
• 2.4.1 移动端程序设计26-29
• 2.4.2 基于蓝牙4.0的数据交互信息流示例29-30
• 2.4.3 服务器端软件设计30-31
• 2.5 本章小结31-33
• 第三章 基于蓝牙4.0的低功耗数据传输方案设计33-43
• 3.1 引言33
• 3.2 可穿戴设备的能耗问题33-34
• 3.3 基于蓝牙4.0的低功耗数据传输方案34-37
• 3.3.1 蓝牙4.0简介34
• 3.3.2 低功耗数据传输方案设计34-37
• 3.4 低功耗数据传输实验测试与结果37-41
• 3.4.1 实验方案设计37-38
• 3.4.2 实验结果38-41
• 3.5 本章小结41-43
• 第四章 基于随机森林与集成学习的人体行为活动识别算法设计43-66
• 4.1 引言43
• 4.2 集成学习与随机森林算法基本原理43-47
• 4.2.1 集成学习基本原理43-45
• 4.2.2 随机森林算法原理45-47
• 4.3 基于随机森林与集成学习的人体行为活动识别算法设计47-60
• 4.3.1 数据获取与预处理47-51
• 4.3.2 特征的选择与提取51-53
• 4.3.3 集成学习识别模型的构建53-55
• 4.3.4 差异化权重决策融合算法55-59
• 4.3.5 模型的性能评估59-60
• 4.4 实验结果与分析60-64
• 4.4.1 实验设计60-62
• 4.4.2 实验结果62-64
• 4.5 本章小结64-66
• 第五章 基于增量学习的差异化反馈调优设计66-77
• 5.1 引言66
• 5.2 增量学习基本原理66-67
• 5.3 基于增量学习的差异化反馈调优67-72
• 5.3.1 Learn++算法概述67-69
• 5.3.2 基于Learn++算法的差异化反馈调优69-72
• 5.4 实验验证72-74
• 5.5 实验结果74-75
• 5.6 本章小结75-77
• 第六章 总结与展望77-79
• 6.1 总结77-78
• 6.2 展望78-79
• 致谢79-81
• 参考文献81-87
• 攻读硕士期间取得学术成果87

【参考文献】

中国期刊全文数据库 前5条

1 李军怀;严其松;王志晓;魏嵬;张t

本文编号：479200