为了克服基于可穿戴惯性传感器的人体活动识别,需要丰富先验知识进行特征提取,且提取特征维度较大、计算成本高.鉴于此,提出一种基于可穿戴惯性传感器的轻量级人体活动识别算法,包括数据采集与预处理、特征提取、特征降维及分类器训练与测试,通过基于原始的惯性传感器活动数据进行相空间重构,提取重构相空间的时域特征,降低了特征提取的复杂度与维度,结合Xgboost分类器算法提升识别系统的整体识别精度.为验证算法的有效性与鲁棒性,将识别系统在公开数据集UCIHAR与ADL活动数据集上进行实验.实验结果表明,基于相空间重构轻量级活动识别算法准确率、召回率和F1值较高,在UCI HAR和ADL公开活动数据集上分别达93％、93％、0.93和93％、95％、0.94.基于相空间重构的轻量级人体活动识别算法不仅能准确识别多类日常人体活动,而且不需要丰富的先验特征提取知识,降低了系统计算成本,同时也能提高识别结果准确度,提升识别效率.
国家科技期刊平台
NSTL
万方数据
维普
