基于可穿戴式傳感網(wǎng)絡(luò)的人體異常行為識(shí)別.pdf

1、作為普適計(jì)算一個(gè)重要的研究領(lǐng)域，人體行為識(shí)別可以了解人體的活動(dòng)行為、運(yùn)動(dòng)強(qiáng)度和能量消耗等狀態(tài)信息。而隨著傳感技術(shù)和低功耗無(wú)線通信技術(shù)的發(fā)展，利用無(wú)線可穿戴技術(shù)進(jìn)行人體行為識(shí)別，進(jìn)一步推進(jìn)了人體行為識(shí)別在智能家居、老人監(jiān)護(hù)、病人監(jiān)護(hù)和運(yùn)動(dòng)員康復(fù)訓(xùn)練等領(lǐng)域的廣泛應(yīng)用。
　　當(dāng)前利用可穿戴技術(shù)識(shí)別人體行為，主要集中于計(jì)步、老年人跌倒等日?；顒?dòng)，而對(duì)于特殊人群的異?；顒?dòng)，如監(jiān)獄囚犯，特殊對(duì)象的打架斗毆等暴力行為的監(jiān)控研究較少。對(duì)于這類人群

2、的異常行為監(jiān)控，在異常行為發(fā)生時(shí)及時(shí)告警，可以在短時(shí)間內(nèi)采取合適措施，阻止危險(xiǎn)事故進(jìn)一步發(fā)生。本論文基于無(wú)線可穿戴技術(shù)，利用三軸加速度傳感器，實(shí)時(shí)監(jiān)測(cè)人體行走、站立時(shí)的活動(dòng)信息，采用時(shí)域的均值、方差、標(biāo)準(zhǔn)差作為各類行為的特征值，判斷人體異常行為。具體工作包括如下內(nèi)容：
　?。?）分析比較離線狀態(tài)下支持向量機(jī)(Support Vector Machine, SVM)、K-近鄰算法(K-Nearest Neighbors, KNN)、

3、決策樹(shù)算法(Decision Tree, DT)和樸素貝葉斯(Na?ve Bayes, NB)等分類算法進(jìn)行異常行為識(shí)別時(shí)的準(zhǔn)確率和計(jì)算復(fù)雜度，結(jié)果表明 KNN算法的異常行為識(shí)別效果最好。重點(diǎn)分析了KNN算法中不同K值下的行為識(shí)別準(zhǔn)確率，當(dāng)K等于5、7、9、11時(shí)，其準(zhǔn)確率達(dá)到95％以上。
　?。?）為適用于可穿戴設(shè)備，重點(diǎn)分析了KNN算法實(shí)現(xiàn)時(shí)，不同訓(xùn)練樣本數(shù)對(duì)算法行為識(shí)別時(shí)的準(zhǔn)確率和計(jì)算復(fù)雜度影響。發(fā)現(xiàn)在減少訓(xùn)練樣本時(shí)，行為識(shí)

4、別準(zhǔn)確率影響不是很大。如訓(xùn)練樣本從479減少到128時(shí)，異常行為識(shí)別的準(zhǔn)確率減少5%左右，而訓(xùn)練樣本從128減少到64時(shí)，異常行為識(shí)別的準(zhǔn)確率減少2%左右。并采用ReliefF算法計(jì)算各維特征的權(quán)重，對(duì)小樣本下的KNN算法進(jìn)行改進(jìn)。
　?。?）在可穿戴式傳感器平臺(tái)Shimmer上，驗(yàn)證了KNN算法。發(fā)現(xiàn)在可穿戴平臺(tái)上，受限于節(jié)點(diǎn)處理能力和內(nèi)存，需對(duì)算法進(jìn)行優(yōu)化。將訓(xùn)練樣本中均值、方差、標(biāo)準(zhǔn)差組成的9維特征矩陣，減少為只有均值的3維