摘要
本文主要基于惯性传感器步态身份识别的自适应技术，针对当前该领域面临的挑战和研究重难点，本文提出使用携带位置信息的标签来训练步态身份识别模型，接着提出了基于迁移成分分析的自适应技术，完成了将较为容易采集到的手持数据知识迁移到在腰部上，并对运动模式也进行了迁移，实现运动模式的自适应，最后将身份识别模型部署到安卓手机上，本文的主要研究工作总结如下： 1. 步态数据集的采集和预处理。步态数据集的构建是后续进行自适应技术研究的基础，因此本章主要完成的任务是步态数据集的建立。本章首先介绍了利用手机内置传感器采集步态加速度的原理，接着介绍了数据采集方案的设计，在安卓手机上面设计开发了一款软件来采集步态加速度数据，并介绍了预处理方法和方向无关性特征的提取。 2. 基于位置无关性的自适应技术。为了解决传感器放置位置带来的影响，本文构建了一个五层的轻量级神经网络模型 LI-Net，并且提出了使用带有位置信息的标签对神经网络进行训练，对用户进行身份识别，通过这种方法去实现解决传感器放置位置带来的识别精度误差，并比较了不同网络的识别精度，最终实验结果表明，本文提出的方法在一定程度上解决了传感器放置位置带来的影响，实现了传感器放置位置的自适应，也为后续建立步态身份识别系统打下了基础。 3. 基于迁移成分分析的自适应技术。为了解决实际环境中腰部数据较难采集的问题，基于迁移成分分析算法进行了实验，将较为容易采集到的手持数据知识迁移到在腰部上来，完成对腰部数据进行步态身份识别。实验结果表明，基于迁移成分分析算法，能够有效的利用手持数据完成对腰部数据的身份识别测试，并且通过手持、上臂的分步迁移到腰部数据上来，最终识别精度达到了不错的效果。同时在真实环境下，用户的运动模式具有随意性，会有着不同的运动模式，本文通过迁移学习方法完成对用户不同运动模式的迁移，实现用户运动模式的自适应。 4. 基于智能手机的身份识别系统的设计与实现。基于 Android 手机平台将PyTorch模型部署到安卓手机中，综合手机放置在4个不同的位置进行测试的平均识别准确率为88.95%。
NETL