基于慣性傳感器數據的人體日常動作識別研究.pdf_第1頁
已閱讀1頁,還剩121頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、基于慣性傳感器的人體動作識別研究是模式識別領域的一個新的研究方向。利用慣性傳感器識別人體日常動作能夠實時監(jiān)測人們的日?;顒訝顩r,在醫(yī)療監(jiān)護、虛擬現實和體育活動等領域具有廣闊的應用前景。其主要是通過在人體表面安放慣性傳感器,對采集到的人體日常動作數據進行去噪等預處理、特征提取、特征選擇,最后實現對所提取的人體動作特征進行分類識別。盡管近十年來有關此方面的研究已取得很大發(fā)展,但是,由于人體動作的多樣性和客觀環(huán)境的復雜性,基于慣性傳感器的人體

2、日常動作研究仍然存在著許多亟需解決的問題。
  本文在對國內外相關研究進行詳細總結基礎上,重點針對采用慣性傳感器進行人體日常動作識別時遇到的如下問題展開研究:
  (1)在人體動作識別中,區(qū)分度好的特征能夠有效地提高分類器的識別精度。本文提出了一種基于增強經驗模態(tài)(EEMD)的特征提取方法,實驗表明該方法能夠有效區(qū)分人體日常動作,提高分類算法的識別準確率。
  (2)在每次采集人體動作時,通常需要將傳感器節(jié)點重新佩戴,

3、當傳感器固定位置與預設位置出現偏差時,加速度傳感器將會受到影響,從而影響算法的分類性能。針對此問題,本文提出了一種基于博弈論的特征選擇算法,以提取對傳感器固定位置具有魯棒性的特征,從而減小固定位置偏差對分類算法的不良影響。
  (3)傳統(tǒng)的分類算法往往是基于數據均衡的假設,而日常生活中人體動作數據分布往往是不均衡的。本文針對日常動作數據不均衡問題提出了一種基于代價敏感度函數和混合核函數的加權極端學習機(MK-WELM)算法。該算法

4、在決策階段考慮了多數類和少數類樣本錯分的代價,加大了對少數類樣本錯分的懲罰力度。在實驗階段使用不均衡動作數據集驗證了該算法的有效性。
  (4)傳統(tǒng)的人體動作識別算法往往要求傳感器放置位置固定,當傳感器安置在軀體不同部位時,采集到的數據分布往往會有很大差異,影響分類器的識別精度。針對此問題,本文提出了一種基于混合縮略核的極端學習機(M-RKELM)算法,通過對分類算法的在線更新和再訓練,能夠有效降低傳感器安裝部位變化對識別效果的不

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論