论文部分内容阅读
人体行为识别(Human activity recognition,HAR)是当前人工智能领域的研究热点,且随着传感器技术和智能设备的迅速发展,基于智能手机的人体行为识别技术越来越受到研究人员的关注。文中在已有研究的基础上,采用智能手机中的多种传感器数据进行人体行为识别的研究,并利用采集的数据验证文中模型的性能。首先,文中阐述了基于传感器的行为识别研究的课题背景、研究现状以及存在的问题,并对行为识别中的关键技术进行了详细介绍,并一一说明本文中的前期工作,从而为本课题的研究内容做准备。其次,文中研究了人体日常行为的识别问题。文中采用的传感器数据包括智能手机采集到的加速度,角速度和线性加速度,为最大限度地减小方位变化对算法产生的影响,文中引入了信号幅值。基于当前研究中存在的人体行为的特征表示问题以及卷积神经网络(Convolutional Neural Network,CNN)的优势,文中利用CNN来提取信号特征。考虑到传感器信号的时间特性与维度相关性,卷积和池化采用一维卷积与池化,在第一层卷积和池化后,将不同传感器数据同一维度的数据特征进行合并,并经过第二层卷积和池化提取深层特征。文中在分类算法的选择上,选择性能较优的随机森林(Random Forest,RF)作为识别算法,利用前期CNN模型提取的传感器特征,随机森林能够识别出文中大部分的人体日常行为。再次,文中研究了人体异常行为的检测问题。对于生活中出现频率较低的跌倒行为,文中从人体行为样本不均衡的角度出发,并详细研究了跌倒行为的传感器信号特点,提出一种基于一类支持向量机(One Class Support Vector Machine,OCSVM)和阈值的双重检测方法。在特征提取阶段,该异常检测模型仍采用第三章构建的CNN模型,并利用OCSVM算法初步检测出疑似跌倒行为,然后考虑到跌倒发生时人体姿态的变化,利用阈值法进行二次检测。通过实验验证,文中提出的异常检测模型对跌倒行为的检测率极高。最后,总结文中的现有工作,并对今后的工作计划进行展望。