基于加速度傳感器的人體行為識(shí)別研究.pdf

1、近年來(lái)，隨著微電子和傳感器技術(shù)的不斷進(jìn)步以及模式識(shí)別理論的深入研究，基于加速度傳感器的人體行為識(shí)別得到快速發(fā)展。隨著社會(huì)的進(jìn)步，人們對(duì)智能交互和健康監(jiān)護(hù)等方面的需求也日益增長(zhǎng)，所以基于加速度傳感器的人體行為識(shí)別在醫(yī)療保健、運(yùn)動(dòng)檢測(cè)、能耗評(píng)估等領(lǐng)域受到了廣泛的關(guān)注和研究。與基于加速度傳感器的行為識(shí)別相對(duì)應(yīng)的是基于計(jì)算機(jī)視覺(jué)的行為識(shí)別，相比之下，基于加速度傳感器的行為識(shí)別更能體現(xiàn)人體運(yùn)動(dòng)的本質(zhì)，并且不受場(chǎng)景或者時(shí)間的限制，攜帶方便，成本較低

2、，更適合推廣應(yīng)用。
　　目前，在人體行為識(shí)別領(lǐng)域中，分類模型通常有兩種，分別是通用模型和個(gè)性化模型。但是通用模型沒(méi)有考慮人體多樣性問(wèn)題，不能適用于所有人，而個(gè)性化模型需要人為干預(yù)較多，本文針對(duì)這兩種模型的不足提出了一種折衷的模型訓(xùn)練方法，即對(duì)人體多樣性因素分區(qū)間后的原始加速度數(shù)據(jù)進(jìn)行訓(xùn)練得到多個(gè)模型。另外，為了使識(shí)別模型適用于更加廣泛的情況，在數(shù)據(jù)采集階段還考慮了加速度傳感器的位置。該方法使得模型更具普遍性的同時(shí)又能夠提高識(shí)別精確

3、度，通過(guò)對(duì)人體靜止、走路、跑步、上下樓梯五種行為進(jìn)行試驗(yàn)，識(shí)別率達(dá)到了95％左右。實(shí)驗(yàn)表明該方法是切實(shí)有效的。
　　采集多種多樣的人的加速度數(shù)據(jù)并非易事，所以筆者又從算法角度進(jìn)行研究來(lái)提高行為識(shí)別的精確度。SVM算法最初是用來(lái)解決二分類問(wèn)題的，對(duì)于多分類問(wèn)題的效果并不是很好。為了使SVM算法更好地解決多分類問(wèn)題，本文使用基于二叉樹(shù)的SVM，整合了SVM和二叉樹(shù)的特點(diǎn)，并使用最短距離算法進(jìn)行聚類使得分類更加準(zhǔn)確。由于SVM的分類精度