基于連續(xù)型傳感器數(shù)據(jù)的人體動作識別.pdf

1、近年來，隨著物聯(lián)網(wǎng)平臺以及人機交互技術(shù)的快速發(fā)展，可穿戴式傳感器的應(yīng)用領(lǐng)域在不斷拓展和延伸，特別是在遠(yuǎn)程醫(yī)療電子領(lǐng)域，智能家居等領(lǐng)域，可穿戴式傳感器得到了廣泛地應(yīng)用。基于無線傳感器數(shù)據(jù)的人體日常行為動作的識別也是可穿戴式傳感器應(yīng)用中提出的新挑戰(zhàn)。本論文的研究內(nèi)容是基于電子醫(yī)療系統(tǒng)中對連續(xù)型傳感器數(shù)據(jù)處理和分析的需求而提出的。通過使用各種數(shù)據(jù)挖掘的分類技術(shù)，能夠?qū)崿F(xiàn)人體動作的識別。但是由于傳感器數(shù)據(jù)自身具有的多樣性和復(fù)雜性等特點，并不是每

2、一種分類技術(shù)都可以很好的應(yīng)用于人體動作識別這一領(lǐng)域，只有通過對分類技術(shù)進行系統(tǒng)的分析并依據(jù)分類模型的特點，對數(shù)據(jù)集進行適應(yīng)性的預(yù)處理之后，才能將數(shù)據(jù)集應(yīng)用于分類模型進行挖掘和分類，從而實現(xiàn)人體動作的識別。
　　本論文中的實驗數(shù)據(jù)集記錄了分布于人體各關(guān)節(jié)部位的傳感器所采集的傳感數(shù)據(jù)。為了分析該連續(xù)型的傳感數(shù)據(jù)集并實現(xiàn)人體日常行為動作的識別，本論文系統(tǒng)地研究了主要的分類方法并最終將它們應(yīng)用于人體動作識別這一領(lǐng)域。在研究過程中主要應(yīng)用了

3、三種分類模型，識別了站，走，坐等運動狀態(tài)以及開門，關(guān)門，擦桌子，喝咖啡等手勢動作。這三種分類模型分別是決策樹模型，樸素貝葉斯模型以及神經(jīng)網(wǎng)絡(luò)模型。針對每一種分類模型的特點，對數(shù)據(jù)集做了適應(yīng)性地預(yù)處理，使得它們能夠更好地應(yīng)用于各分類模型。在設(shè)計和實現(xiàn)上述三種分類模型時，采用了不同的數(shù)據(jù)預(yù)處理的方法。在決策樹模型中，使用了主成分分析法來簡化原始數(shù)據(jù)集，同時還使用了最小二乘法對數(shù)據(jù)進行線性擬合，通過計算所得的截距以及斜率的不同實現(xiàn)對動作的識別

4、；在樸素貝葉斯模型中，數(shù)據(jù)集在經(jīng)過主成分分析法的簡化后進行了離散化處理，并計算了數(shù)據(jù)樣本歸類于各個分類的概率；在神經(jīng)網(wǎng)絡(luò)模型中對數(shù)據(jù)進行了歸一化處理，并根據(jù)實驗的結(jié)果對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進行調(diào)整，最終構(gòu)建出能夠識別人體動作的網(wǎng)絡(luò)模型。
　　本文中還對三種人體動作識別的分類模型的結(jié)果進行了比較，基于分類結(jié)果分析了每個模型自身的優(yōu)勢以及局限性，并最終提出了一種混合型神經(jīng)網(wǎng)絡(luò)模型。該模型結(jié)合了決策樹模型與神經(jīng)網(wǎng)絡(luò)模型兩者的優(yōu)點，實現(xiàn)了分階段

5、式的人體動作識別。由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型以及傳統(tǒng)的決策樹模型均不能很好的區(qū)分目標(biāo)動作分類中易于混淆的動作，因此，該混合型神經(jīng)網(wǎng)絡(luò)模型將動作識別的過程劃分為兩個階段。在第一階段中，實現(xiàn)對易混淆動作的粗分類，并將它們被歸為新的動作分類；在第二階段中，通過使用的關(guān)鍵屬性取值的不同來區(qū)分易混淆的動作等方法，實現(xiàn)對新的動作分類的進一步細(xì)分。實驗結(jié)果表明，該混合型神經(jīng)網(wǎng)絡(luò)模型相對于傳統(tǒng)的決策樹模型以及傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型而言，顯著地提高了動作識別的準(zhǔn)