论文部分内容阅读
本文提出并实现一种基于移动设备的用户运动行为的检测算法。在用户随身携带移动设备的情况下,算法可以根据移动设备中的三轴加速度数据,判别出用户的运动状态。算法综合分析了加速度传感器数据的时域和频域特性,并通过方向无关性和步幅处理,进一步提高算法的适应性。算法对所抽取21个运动特征值进行了主成分分析,找出了11个主要特征成分,然后使用这些主成分对运行数据进行识别分类。提高了算法准确度,并降低了算法的时间和空间复杂度。在对分类算法综合分析和比较后,J48判决树算法被采纳。算法还根据人类运动的习惯和特性,对特性分类并计算分类的结果,再采用隐式马尔科夫模型进行处理,进一步提高识别的准确度。在对多人多状态数据的实验表明,这种综合方法具有较高的识别准确度和适应性,在对多人多次实际运动数据的处理中,正确识别率可以达到96.13%。本文提出了一种基于用户年龄,性别,体重,身高等因素共同作用下的运动强度计算方法,这种方法更能凸显不同用户体质特征下的运动强度大小。在收集用户一段时间最新的运动强度数据后,本文将为用户建立一个完全基于用户个体特征的运动强度模型。然后根据此模型,本文将会识别出用户所有非正常的运动状态,然后对这些运动状态进行预警。经试验证明,这种异常运动检测模型将会更加准确的判定用户运动状态,让用户拥有一种更科学的健康运动方式。最后在本文研究理论基础上,完整的开发了两套应用程序。一套是一个完整功能的手机端应用程序(APP),用以实现用户运动状态的识别。此手机APP出色的完成了运动识别,运动量收集和计算,用户特定运动轨迹的显示以及和服务器交互等功能,为了让运动数据成为用户一种分享的资源,促进用户的交流,又增加了社交分享功能。另一套应用程序是远程服务器系统,用以收集分析大量用户运动状态数据,然后根据用户性别,年龄,身高,体重的不同,依照用户最近的一段时间的运动状态数据为依据,为每一个用户运动强度进行建模,用以识别判定用户异常运动行为。不正常状态下及时予以用户警告,防止用户过量运动或者过少运动等异常行为有损健康。