基于慣性傳感數(shù)據(jù)特征選擇的人體動(dòng)作識(shí)別.pdf

1、人體姿態(tài)檢測和動(dòng)作識(shí)別技術(shù)在各類人群的工作和生活中具有非常廣闊的應(yīng)用前景，尤其是在生命健康保障方面有著重要的應(yīng)用。目前，常用于姿態(tài)檢測和動(dòng)作識(shí)別的方法包括基于視頻圖像的方法、基于振動(dòng)頻率的方法、基于可穿戴式傳感裝置的方法。其中，基于加速度計(jì)和陀螺儀等慣性測量單元的人體姿態(tài)檢測和動(dòng)作識(shí)別已經(jīng)成為本領(lǐng)域的研究熱點(diǎn)。
　　雖然基于可穿戴式傳感器的人體動(dòng)作識(shí)別已經(jīng)進(jìn)行了一定的研究，但由于各個(gè)研究者使用的傳感器數(shù)據(jù)不盡相同，無法在統(tǒng)一的數(shù)據(jù)

2、基礎(chǔ)上對(duì)各種算法的性能進(jìn)行優(yōu)劣評(píng)判。本文對(duì)前人研究過的一些動(dòng)作數(shù)據(jù)庫進(jìn)行總結(jié)，綜合考慮動(dòng)作種類、受試對(duì)象、數(shù)據(jù)規(guī)模、數(shù)據(jù)完整性與實(shí)用性等方面因素，選取美國南加州大學(xué)的USC-HAD數(shù)據(jù)庫作為動(dòng)作識(shí)別算法的驗(yàn)證平臺(tái)。
　　本文設(shè)計(jì)了一種支持向量機(jī)投票算法(v-SVM)，對(duì)USC-HAD數(shù)據(jù)庫的10種動(dòng)作進(jìn)行分類。首先針對(duì)原始傳感器數(shù)據(jù)設(shè)計(jì)了一種濾波預(yù)處理方法，然后對(duì)統(tǒng)計(jì)特征和物理特征兩類共80維特征進(jìn)行特征選擇，得到降維之后不同閾值

3、條件下的五組特征子集，繼而在特征子集和全集上分別運(yùn)行不同參數(shù)下的支持向量機(jī)算法，對(duì)分類結(jié)果進(jìn)行投票作為最終的類別標(biāo)號(hào)。
　　本文對(duì)v-SVM的算法性能進(jìn)行分析，并與經(jīng)典的分類算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明k最近鄰分類器和隨機(jī)森林算法得到較高的分類準(zhǔn)確率，但k最近鄰分類器運(yùn)行時(shí)間過長;隨機(jī)森林算法參數(shù)不易選取;支持向量機(jī)算法準(zhǔn)確率最高，運(yùn)行時(shí)間短，參數(shù)可以優(yōu)化選取。本文提出的v-SVM算法在所有測試集上(包括五個(gè)特征子集和全集)的識(shí)別準(zhǔn)