隨著智能手機等移動設備感知、計算能力的飛速提升,以移動設備作為載體的人體活動識別成為新的研究熱點。利用智能移動設備中的加速度傳感器等采集到的慣導信息進行人體活動識別,相比于常用的計算機視覺識別,具有應用方便、成本低且更能反映人體運動本質(zhì)等優(yōu)勢。本文采用智能手機采集到的WISDM數(shù)據(jù)集,構(gòu)建了基于加速度計慣導信息和卷積神經(jīng)網(wǎng)絡（CNN）的人體活動識別模型,并同時引入K最近鄰算法（KNN）和隨機森林算法來對CNN網(wǎng)絡進行評估。CNN模型的分類正確率達到了92.73%,相較于KNN和隨機森林都有很大提高。實驗結(jié)果表明,與KNN、隨機森林算法相比,CNN算法模型可以實現(xiàn)更精確的人體活動識別,在預測和促進人體健康水平方面具有廣闊的應用前景。 

【文章來源】：生物醫(yī)學工程學雜志. 2020,37(04)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

相對于用戶的運動軸

表3比較了基于CNN、KNN及隨機森林的分類結(jié)果，采用如下三個指標進行識別結(jié)果的評價：準確率（Accuracy）表示模型對正樣本的準確度，召回率（Recall）表示模型對正樣本的識別正確率；F1分數(shù)（F1-score）表示一個模型的綜合評價指標，是基于召回率和精確率（Precision）計算的。Accuracy計算公式如下：圖3 CNN模型流程圖

圖2 特征生成和數(shù)據(jù)轉(zhuǎn)換流程圖式中，TP(true positive）表示實際為正樣本預測為正樣本，TN(true negative）表示實際為負樣本預測為負樣本，F(xiàn)P(false positive）表示實際為負樣本預測為正樣本，F(xiàn)N(false negative）表示實際為正樣本預測為負樣本。其中，分類正確的是正樣本，分類錯誤的是負樣本。

【參考文獻】：
期刊論文
[1]基于慣導信息的人體動作和路況識別[J]. 王永雄,陳晗,尹鐘,喻洪流,孟巧玲.  生物醫(yī)學工程學雜志. 2018(04)
[2]融合空間-時間雙網(wǎng)絡流和視覺注意的人體行為識別[J]. 劉天亮,譙慶偉,萬俊偉,戴修斌,羅杰波.  電子與信息學報. 2018(10)
[3]基于三軸傳感器的老年人日常活動識別[J]. 汪成亮,王小均.  電子學報. 2017(03)
[4]基于訓練圖CNN特征的視頻人體動作識別算法[J]. 曹晉其,蔣興浩,孫錟鋒.  計算機工程. 2017(11)
[5]利用姿勢估計實現(xiàn)人體異常行為識別[J]. 王恬,李慶武,劉艷,周亞琴.  儀器儀表學報. 2016(10)
[6]智能手機:普適感知與應用[J]. 陳龍彪,李石堅,潘綱.  計算機學報. 2015(02)
[7]隨機森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計與信息論壇. 2011(03)
[8]基于三維加速度傳感器的上肢動作識別系統(tǒng)[J]. 王昌喜,楊先軍,徐強,馬祖長,孫怡寧.  傳感技術學報. 2010(06)

碩士論文
[1]基于可穿戴設備的人體行為識別與狀態(tài)監(jiān)測方法研究[D]. 楊偉篤.哈爾濱工業(yè)大學 2016



本文編號：3317348