论文部分内容阅读
人体行为识别,是从有关人体行为和环境状况的观察中识别出一个或多个行为的过程。该过程能够从相关记录中学习有关人体活动的高级知识,为各种健康与医疗应用提供有力支撑。近年来,基于传感器的人体行为识别技术发展迅速。其中,将智能手机传感器与机器学习技术结合的方法以其良好的应用价值成为当今行为识别研究的重要组成部分。本文针对当前研究中缺乏与不同部署平台相匹配的解决方案这一问题,以利于模型部署为优化目标,将模型选择与对应数据处理流程搭建作为主要工作内容,提出了三种以机器学习模型为核心的人体行为识别部署方案。(1)搭建了基于传统机器学习模型的人体行为识别流程。首先,采用中值滤波技术去除数据中孤立的噪声点,再根据先验知识在频域内对行为数据进行去噪,然后采用滑动窗口分割技术划分人体行为样本。其次,挖掘了频域中角速度一阶差分所衍生的特征,构建了共643维的特征集作为分类模型输入。再次,通过T分布随机近邻嵌入降维可视化算法辅助选择模型。最后,模型分类性能测试结果表明:采用线性核函数的支持向量机(Support Vector Machine,SVM)模型在三个数据集上分别取得了96.143%、91.093%和93.727%的F1分数,模型训练消耗时间分别为:2.350s、5.446s和4.202s。与同类模型相比,采用线性核函数的SVM模型可兼顾识别效果与训练时间。由于在完整特征集上进行分类所需计算资源多、时间开销大,所以该方案适用于计算资源丰富的部署平台。(2)为提高模型训练与预测速度,进行特征选择。首先,对比特征数据在不同类别之间的分布差异,选取了包含加速度幅值、传感器坐标轴与重力加速度之间夹角等35维特征构成特征子集。其次,采用分类模型对特征子集进行测试,结果表明:采用线性核函数的SVM模型在三个数据集上可获得89.481%、82.907%和87.899%的F1分数,训练时间分别为0.288s、0.581s与0.483s。采用线性核函数的SVM模型在特征子集上的时间消耗接近其在原始特征集上的1/10,同时该方案也可获得较好的识别效果,因此适用于部署平台计算资源不足的情况。(3)将神经网络模型应用于人体行为识别。首先,基于Keras开源框架搭建了循环神经网络(Recurrent Neural Network,RNN)、卷积神经网络(Convolutional Neural Network,CNN)及二者相互融合的模型。其次,采用模型对预处理后的人体行为数据进行分类测试,并采用图形处理单元(Graphic Processing Unit,GPU)进行加速。结果表明:RNN模型由于难以使用GPU加速,训练与预测时间最长,其中双向长短期记忆(Long Short-Term Memory,LSTM)网络模型在数据集上的最长训练时间可达3194.870s,因此RNN模型不适合用于人体行为识别的部署。CNN与LSTM融合后的CNN-LSTM模型在三个数据集上可获得94.285%、91.445%和92.658%的F1分数,训练时间分别为21.744s、28.456s与25.752s。与同类模型相比,CNN-LSTM模型具有最稳定的识别效果,经GPU加速后其训练时间可减少到LSTM模型的1/43,所以当计算平台可利用GPU加速时,采用该方案进行部署是合理的选择。本文弥补了行为识别研究中缺乏应对不同平台的部署方案这一不足。在研究中进行了数据处理流程搭建与分类模型选择,提出了三种解决方案,为人体行为识别的模型部署提供了理论框架。该理论框架可为人体健康状态记录、疾病预防、病人辅助等健康与医疗应用挖掘人体活动的高级知识,具有潜在的应用价值。