摘要
随着科技进步与经济发展，人类迈入移动数字化时代，智能手机早已成为人们必不可少的物品。研究智能手机新的用途，开拓智能手机新的应用领域，变得越来越有价值。基于智能手机传感器的人类行为识别是一个较新的研究方向，被广泛用于工厂管理、人机交互、跌倒监测、健康检测、信息安全等各个领域。同时，卷积神经网络(CNN)也是近年来的热门的研究对象，不仅在各种图像处理问题上大放异彩，也能够很好地处理多维度时间序列问题。当人带着智能手机进行活动时，智能手机通过其传感器将人的行为记录为多维度时间序列。将卷积神经网络用于智能手机传感器所产生的多维度时间序列，能够很好地对人进行行为识别。 构建模型时，本文首先构造了经典的卷积神经网络模型。然后构造了多个卷积神经网络衍生模型，构造思路主要有二。一是融合近年来提出的卷积神经网络的新架构，为此本部分参考了GoogLeNet的并行结构，ResNet的残差结构，MobileNet的逐通道卷积结构，构造出了一种新的卷积模块，并用其搭建了一种改进的卷积神经网络模型。二是将卷积神经网络与长短时记忆网络(LSTM)进行模型融合，根据组合结构的不同，本文又构造了CNN-LSTM模型和LSTM-CNN模型。同时，本文构造了若干有代表性的传统机器学习模型以供参考。 本文在WISDM,UCI-HAR,KU-HAR数据集上进行了实验，主要发现有二。一是经典的卷积神经网络相比传统机器学习模型有较大提升。二是本文所构造的改进的神经网络模型与LSTM-CNN模型相比于经典卷积神经网络有较大提升。
NETL