基于淺層學(xué)習(xí)和深度學(xué)習(xí)的傳感器活動識別對比研究.pdf

1、隨著人類對人工智能的不斷憧憬,人類活動識別領(lǐng)域的研究不斷得到認(rèn)可。在活動識別研究發(fā)展的道路上，并存著很多挑戰(zhàn)，如活動識別系統(tǒng)的設(shè)計、實現(xiàn)以及性能評估。此外，移動終端發(fā)展可謂是突飛猛進(jìn)，為人們的生活帶來了巨大的方便。因此，本文的目標(biāo)是對基于可穿戴式傳感器數(shù)據(jù)的人類活動識別系統(tǒng)展開研究。傳統(tǒng)的機(jī)器學(xué)習(xí)算法在人類活動識別領(lǐng)域已經(jīng)取得了不錯的成績，不過大量的手工提取特征使識別效果顯得不是那么智能，并且實驗過程繁瑣。隨著機(jī)器學(xué)習(xí)的發(fā)展，出現(xiàn)了一個

2、分支深度學(xué)習(xí)，深度學(xué)習(xí)的到來解放了原來手工提取特征，可以自動的從原始數(shù)據(jù)中學(xué)習(xí)特征，并實現(xiàn)了端到端模式的識別。
　　首先，本文介紹了機(jī)器學(xué)習(xí)的原理，介紹了最基礎(chǔ)的人類活動識別的大致流程。并就淺層學(xué)習(xí)算法對傳感器收集的人類活動識別數(shù)據(jù)集展開實驗。介紹了可穿戴式傳感器對人類活動的數(shù)據(jù)采集，對時間序列的時間信號的分割，研究了對信號分割窗口大小，對原始數(shù)據(jù)進(jìn)行人工提取不同的特征類型，采用不同分類器對識別系統(tǒng)性能的影響。實驗結(jié)果證明人工提取

3、合適的特征，選擇正確的分類器對活動識別系統(tǒng)性能至關(guān)重要。
　　其次，本文介紹了深度學(xué)習(xí)的簡介，主要研究了深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)用于人類活動識別。著重介紹了卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)及其各組件的原理，并對卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練進(jìn)行了推導(dǎo)。實驗驗證卷積神經(jīng)網(wǎng)絡(luò)在人類活動識別領(lǐng)域的應(yīng)用。實驗結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)能夠從原始數(shù)據(jù)中自動的進(jìn)行特征學(xué)習(xí)，實現(xiàn)端到端模式的活動識別，并且普適性較好。
　　最后，本文介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的帕金森病患者步態(tài)