物联网技术近年来迅速发展,加上人们对养生保健、身体锻炼等越来越关注,各种智能可穿戴设备日益普及。可穿戴设备集成了各种传感器,运用基于传感器的行为识别方方法,结合无线网接入技术,可以为用户提供各种各样实用的服务。以此为出发点,本文开展了如下三项关于基于传感器的行为识别的研究工作:(1)提出了一种基于多示例学习的行为识别方法。该方法采用多个宽度相同的窗口从一整段连续时间内的传感器数据中截取一系列样本,每相邻两窗口有一半宽度的重叠。每个窗口截取一个样本,每个样本对应多示例学习中的一个示例,这一整段连续时间内的传感器数据对应多示例学习中的一个包。对示例提取特征之后,再用多示例极限学习机进行训练和分类,最终识别出传感器反映的行为类别。基于多示例学习的行为识别方法能较好地抓取每一小段时间对应的样本与整段连续时间传感数据间的结构信息,有较高的识别精度。同时多示例极限学习机继承了极限学习机训练与分类速度快的特点,在训练与分类时间方面有着显著优势。在USC-HAD数据集上的实验表明该方法具有较高的精度和较快的训练、分类速度。(2)提出了一种基于传感器的细粒度行为识别方法。现有的行为识别的粒度都在于行为类别,而对执行行为的个体区别不予关注。基于传感器的细粒度行为识别方法,运用目前广泛使用的基本的分类算法,旨在利用传感器数据识别出执行行为的个体,即传感器对应的数据采集的是哪个人的行为数据。这种基于传感器的细粒度行为识别方法在步态识别等生物特征技术领域有充足的理论和事实基础,在USC-HAD数据集上的实验也表明利用基于传感器的细粒度(个体身份)行为识别能够达到较高的识别精度。该方法的研究工作持续开展,未来的研究成果将有望在基于传感器的移动设备防盗、基于传感器的用户认证等领域得到具有现实意义的应用。(3)提出了一种基于传感器的行为识别特征降维方法。该方法运用主成分分析对从传感器数据中提取的特征向量进行降维。在HAR-USD数据集上的实验表明,该方法能够在保持识别精度不降低的前提下,提升训练速度和分类识别速度。该方法的研究中还发现,降维带来的速度性能提升,依赖于识别所采用的分类算法。有的分类算法可能无法从降维中获得显著的速度性能提升。采取恰当的分类算法,训练速度和分类速度都能获得极大提升。