基于惯导信息和卷积神经网络的人体活动识别

发布时间：2021-08-02 09:48

　　随着智能手机等移动设备感知、计算能力的飞速提升,以移动设备作为载体的人体活动识别成为新的研究热点。利用智能移动设备中的加速度传感器等采集到的惯导信息进行人体活动识别,相比于常用的计算机视觉识别,具有应用方便、成本低且更能反映人体运动本质等优势。本文采用智能手机采集到的WISDM数据集,构建了基于加速度计惯导信息和卷积神经网络（CNN）的人体活动识别模型,并同时引入K最近邻算法（KNN）和随机森林算法来对CNN网络进行评估。CNN模型的分类正确率达到了92.73%,相较于KNN和随机森林都有很大提高。实验结果表明,与KNN、随机森林算法相比,CNN算法模型可以实现更精确的人体活动识别,在预测和促进人体健康水平方面具有广阔的应用前景。 

【文章来源】：生物医学工程学杂志. 2020,37(04)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

相对于用户的运动轴

表3比较了基于CNN、KNN及随机森林的分类结果，采用如下三个指标进行识别结果的评价：准确率（Accuracy）表示模型对正样本的准确度，召回率（Recall）表示模型对正样本的识别正确率；F1分数（F1-score）表示一个模型的综合评价指标，是基于召回率和精确率（Precision）计算的。Accuracy计算公式如下：图3 CNN模型流程图

图2 特征生成和数据转换流程图式中，TP(true positive）表示实际为正样本预测为正样本，TN(true negative）表示实际为负样本预测为负样本，FP(false positive）表示实际为负样本预测为正样本，FN(false negative）表示实际为正样本预测为负样本。其中，分类正确的是正样本，分类错误的是负样本。

【参考文献】：
期刊论文
[1]基于惯导信息的人体动作和路况识别[J]. 王永雄,陈晗,尹钟,喻洪流,孟巧玲.  生物医学工程学杂志. 2018(04)
[2]融合空间-时间双网络流和视觉注意的人体行为识别[J]. 刘天亮,谯庆伟,万俊伟,戴修斌,罗杰波.  电子与信息学报. 2018(10)
[3]基于三轴传感器的老年人日常活动识别[J]. 汪成亮,王小均.  电子学报. 2017(03)
[4]基于训练图CNN特征的视频人体动作识别算法[J]. 曹晋其,蒋兴浩,孙锬锋.  计算机工程. 2017(11)
[5]利用姿势估计实现人体异常行为识别[J]. 王恬,李庆武,刘艳,周亚琴.  仪器仪表学报. 2016(10)
[6]智能手机:普适感知与应用[J]. 陈龙彪,李石坚,潘纲.  计算机学报. 2015(02)
[7]随机森林方法研究综述[J]. 方匡南,吴见彬,朱建平,谢邦昌.  统计与信息论坛. 2011(03)
[8]基于三维加速度传感器的上肢动作识别系统[J]. 王昌喜,杨先军,徐强,马祖长,孙怡宁.  传感技术学报. 2010(06)

硕士论文
[1]基于可穿戴设备的人体行为识别与状态监测方法研究[D]. 杨伟笃.哈尔滨工业大学 2016



本文编号：3317348