NETL
摘要
人体行为识别技术是普适计算中一个重要的研究领域，广泛应用于医疗诊断、跌倒检测、人机交互等领域。近年来，智能手机在人们的日常生活中已经越来越普及，并且随着机械电子技术的快速发展，智能手机集成了许多不同类型的传感器，具有强大的环境感知能力。相较于传统的穿戴式传感器，智能手机更具有便携性，数据采集和预处理也更为方便。因此，基于智能手机传感器的人体行为识别具有较高的研究价值。但是由于人体活动的复杂性和多样性，如何提供一个强大高效的分类算法以及优化各种可能影响识别性能的因素是目前人体行为识别领域中必须考虑的问题。 针对上述问题，本文围绕基于智能手机传感器的人体行为识别技术进行了深入的研究，主要研究内容包括:(1)通过智能手机内置的三轴加速度传感器和陀螺仪传感器构建人体行为数据集，并对原始数据进行预处理。该数据集包含了十位实验人员的十种人体日常行为，共采集了201万条数据以供后续识别模型的训练和测试。并且，考虑到人体行为原始数据不可避免的会带有大量的噪声，数据长度也过长的特点，通过移动平均滤波器和滑动窗口算法对原始数据进行去噪和分割;此外，预处理之后的数据并不能很好的表征人体不同行为的特点，因此本文从时域和频域两个维度进行特征的提取，并对提取到的特征进行归一化处理。(2)提出一种基于XGBoost+LR融合模型的人体行为识别方法。该融合模型利用XGBoost算法构造特征组合方式，之后使用LR算法进行识别分类。为了验证融合模型的识别性能，将XGBoost+LR融合模型与其余四种广泛使用的机器学习算法进行了比较，实验结果表明，本文构建的基于XGBoost+LR的人体行为识别算法要优于其他分类算法，其识别的准确率可达到99.15％。(3)研究了影响人体行为识别性能的若干因素。本文设计对比实验详细分析了除分类算法以外，其他因素对识别性能的影响程度。实验结果表明，加入陀螺仪传感器以及加入频域特征可以显著提高识别精度。并且，本文还发现，对原始人体行为数据去除噪声也可以提高识别性能。此外，通过对比不同滑窗算法窗口长度对识别性能的影响，证明了其窗口长度设置为100个样本容量时拥有最佳识别性能。最后，本文还发现数据集容量也会极大程度的影响识别性能，当数据集中研究对象较少时，可能会产生过拟合的问题。
关键词
智能手机传感器/人体行为识别/移动平均滤波器/滑动窗口算法/XGBoost算法/LR算法/融合模型引用本文复制引用
授予学位
硕士学科专业
软件工程导师
黄樟钦学位年度
2022学位授予单位
北京工业大学语种
中文中图分类号
TP