论文部分内容阅读
基于惯性传感器的人体行为识别是机器学习与模式识别领域中的一个热点研究方向,其在医疗康复、体感游戏、智能家居等领域都有重要应用。近年来,该方向的研究取得巨大突破,但在一些重要的硬件设计与信号处理环节上,仍然存在部分关键技术问题亟待解决,包括如何设计一款稳定性高、体积小、质量轻、成本低、便于穿戴的无线信号采集平台;如何针对实际应用设计合理的特征提取方法,以实现更好的识别精度;如何找到更为有效的特征选择方法,以达到降低计算复杂度,提高识别精度的效果。基于此,本文设计了一款可穿戴无线传感器信号采集平台,并对人体行为识别中的特征提取、特征选择环节进行重点研究。在特征提取方面,本文重点对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)等方法进行研究,借助其优异的信号分析能力,提出一种改进的自适应EEMD特征提取方法,通过对不同行为筛选不同固有模态函数(Intrinsic Mode Functions,IMF),提取窗口均值差异等新颖特征,以实现在不同的分辨率下获取更准确、有效的特征信息。实验分别利用典型时域、频域特征及本方法提取的特征,训练K近邻(K-Nearest Neighbor,KNN)与支持向量机(Support Vector Machine,SVM),并采用留一法(Leave-One-Out,LOO)进行测试。结果表明:当分别利用KNN和SVM进行分类时,相比于原方法,本方法不仅对步行、上楼和下楼3种易混淆行为的总体平均识别精度分别提高了29.22%和15.79%,而且对实验分类的7种行为也提高了17.20%和10.19%,分别达到了95.11%与93.14%的较高总体平均识别精度。在特征选择方面,针对传统的过滤式特征选择方法仅使用一种相关度量系数筛选特征效果不佳的问题,本文提出一种改进的基于最大相关与最小冗余(max-Relevance and min-Redundancy,mRmR)准则的特征选择方法,该方法在基于mRmR准则下,利用多种相关度量系数融合的方式,并在考虑分类类别的条件下,分析待挑选特征与已选特征间的相关性对特征筛选可能产生的积极影响,以去除部分冗余、不相关特征,进而得到初选特征子集;然后对筛选得到的特征进行二进制编码,利用遗传算法搜索最优或次优特征子集。实验将该方法与四种典型特征选择方法进行对比,结果表明:与其他几种方法相比,该方法对实验分类的7种行为有最高的总体平均识别精度,通过SVM和KNN分类的各行为总体平均识别精度分别达到了97.02%和95.73%,与传统的mRmR方法相比,分别提高了13.72%和9.92%。