论文部分内容阅读
目前,用户行为识别在我们的日常生活中比比皆是,应用在医学、体育运动、人机交互和身份识别等多个领域。在此之前,此类研究基本上都是使用一些相关的专业穿戴式传感器或外接式传感器,这一系列传感器大多数制作成本比较高,不利于市场的拓展,也给我们的研究带来了不便。在移动端智能手机迅猛发展的今天,大多数智能手机都吸纳了多种不同的传感器和相关技术,本文正顺应这一热门形势,提出了基于智能手机的用户行为识别的研究。本文综合比较中外文献后,在提高站立、行走、跑步、上楼和下楼这人类五种基本运动行为识别准确率的同时,再增加识别一些复杂的运动行为。为了采集这些运动行为的传感器数据,本文开发了自己专门的基于Android智能手机的传感器数据采集APP,不仅能够采集普通智能手机全部传感器数据,还可以记录相关的运动轨迹。本文还将对基于智能手机的人类活动识别和姿势转换数据集进行处理,用中值滤波和第三阶巴特沃斯低通滤波器进行过滤,以20赫兹的角频率滤去除噪声。通过计算加速度值和陀螺仪值的平均值、标准差、平均绝对差、最大值、最小值等作为特征,从而组合成561维的特征向量。将用户动作行为采用该特征向量进行表示。再传入到神经网络模型中进行识别分类,然后再和传统分类器进行比较。实验结果表明,本文提出的基于智能手机的用户行为识别研究整体识别率超过91%,其中个别基本行为动作达到99%。本文使用神经网络解决了以往方法在上下楼识别率较低的难题,同时也证明了本研究方案的可行性。本文的研究成果如下:1.设计开发一个基于Android手机的行为识别APP2.对采集到的原始数据进行预处理,并采用神经网络对此数据进行分类识别。3.研究神经网络对用户行为的分类结果,并和传统分类器进行分析比较,与传统算法相比识别准确率有所提高。