基于連續(xù)型傳感器數(shù)據(jù)的人體動(dòng)作識(shí)別.pdf

1、近年來(lái)，隨著物聯(lián)網(wǎng)平臺(tái)以及人機(jī)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?；跓o(wú)線傳感器數(shù)據(jù)的人體日常行為動(dòng)作的識(shí)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?jī)?nèi)容是基于電子醫(yī)療系統(tǒng)中對(duì)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(guò)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(dòng)作的識(shí)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(diǎn)，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(dòng)作識(shí)別這一領(lǐng)域，只有通過(guò)對(duì)分類技術(shù)進(jìn)行系統(tǒng)的分析并依據(jù)分類模型的特點(diǎn)，對(duì)數(shù)據(jù)集進(jìn)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(jìn)行挖掘和分類，從而實(shí)現(xiàn)人體動(dòng)作的識(shí)別。
　　本論文中的實(shí)驗(yàn)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(shí)現(xiàn)人體日常行為動(dòng)作的識(shí)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(dòng)作識(shí)別這一領(lǐng)域。在研究過(guò)程中主要應(yīng)用了

3、三種分類模型，識(shí)別了站，走，坐等運(yùn)動(dòng)狀態(tài)以及開(kāi)門，關(guān)門，擦桌子，喝咖啡等手勢(shì)動(dòng)作。這三種分類模型分別是決策樹(shù)模型，樸素貝葉斯模型以及神經(jīng)網(wǎng)絡(luò)模型。針對(duì)每一種分類模型的特點(diǎn)，對(duì)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(jì)和實(shí)現(xiàn)上述三種分類模型時(shí)，采用了不同的數(shù)據(jù)預(yù)處理的方法。在決策樹(shù)模型中，使用了主成分分析法來(lái)簡(jiǎn)化原始數(shù)據(jù)集，同時(shí)還使用了最小二乘法對(duì)數(shù)據(jù)進(jìn)行線性擬合，通過(guò)計(jì)算所得的截距以及斜率的不同實(shí)現(xiàn)對(duì)動(dòng)作的識(shí)別

4、；在樸素貝葉斯模型中，數(shù)據(jù)集在經(jīng)過(guò)主成分分析法的簡(jiǎn)化后進(jìn)行了離散化處理，并計(jì)算了數(shù)據(jù)樣本歸類于各個(gè)分類的概率；在神經(jīng)網(wǎng)絡(luò)模型中對(duì)數(shù)據(jù)進(jìn)行了歸一化處理，并根據(jù)實(shí)驗(yàn)的結(jié)果對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行調(diào)整，最終構(gòu)建出能夠識(shí)別人體動(dòng)作的網(wǎng)絡(luò)模型。
　　本文中還對(duì)三種人體動(dòng)作識(shí)別的分類模型的結(jié)果進(jìn)行了比較，基于分類結(jié)果分析了每個(gè)模型自身的優(yōu)勢(shì)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(shù)模型與神經(jīng)網(wǎng)絡(luò)模型兩者的優(yōu)點(diǎn)，實(shí)現(xiàn)了分階段

5、式的人體動(dòng)作識(shí)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(shù)模型均不能很好的區(qū)分目標(biāo)動(dòng)作分類中易于混淆的動(dòng)作，因此，該混合型神經(jīng)網(wǎng)絡(luò)模型將動(dòng)作識(shí)別的過(guò)程劃分為兩個(gè)階段。在第一階段中，實(shí)現(xiàn)對(duì)易混淆動(dòng)作的粗分類，并將它們被歸為新的動(dòng)作分類；在第二階段中，通過(guò)使用的關(guān)鍵屬性取值的不同來(lái)區(qū)分易混淆的動(dòng)作等方法，實(shí)現(xiàn)對(duì)新的動(dòng)作分類的進(jìn)一步細(xì)分。實(shí)驗(yàn)結(jié)果表明，該混合型神經(jīng)網(wǎng)絡(luò)模型相對(duì)于傳統(tǒng)的決策樹(shù)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(dòng)作識(shí)別的準(zhǔn)