论文部分内容阅读
随着科技的发展与传感器技术的普及,基于传感器的人体活动识别被广泛应用到各个领域,包括智能医疗、智能家居、体育活动等等。近十年来,基于可穿戴惯性传感器的人体活动识别技术已经取得了很大的成功[2],但是目前大多数的研究只是利用单一的传感器数据来识别人体的几种特定活动。然而,在实际应用中,真实生活中的活动大部分是同时并发的复杂活动,例如坐着吃饭、站着洗碗等等。这些活动是具有关联性的,存在着上下文信息,且这些复杂活动比坐、走等基础活动发生的频率较少,时间短,相似度高,辨别性差等特点。目前针对复杂活动的识别准确率较低,并且单个传感器对复杂活动的识别存在局限性,达不到相对准确的识别效果。近年来,可穿戴设备和智能手机都配有各种传感器,如加速度计、陀螺仪、磁力仪、压力计和可穿戴摄像头,可以用于活动识别。然而,将多个异构传感器的数据组合在一起进行复杂货送识别是具有挑战性的问题,需要创新的研究解决方案。因此,本文对基于多传感器数据的复杂活动识别进行研究。首先对基于多传感器的数据融合策略进行研究,研究并分析基于传统机器学习的三个级别数据融合策略的优缺点。进一步的引入深度学习方法,由于卷积神经网络有自动特征提取和层次叠加的功能,根据三种数据融合策略的思想,与深度卷积神经网络进行结合,得到基于卷积神经网络的三种数据融合方法。为了验证深度学习的有效性,将与基于机器学习的三种数据融合策略进行活动识别准确率的比较。经过实验比较发现,基于的深度学习的方法比利用机器学习的方法活动识别准确率提高20%,基于深度学习的方法对活动识别的平均准确率达到了85%。但是仅基于深度卷积神经网络的数据融合方法对个别的活动识别准确率比较低,尤其是对较少发生的、容易混淆的活动,识别准确率比较低。为了解决上述问题,引入循环神经网络,将基于卷积神经网络的数据融合模型与循环神经网络结合,得到CNN+GRU的深度混合神经网络模型。该模型对活动识别的平均准确率达到了90%,对非周期性活动识别准确率提高了9%。针对日常生活中并发的复杂活动识别,结合上面得出的基于多传感器数据融合的CNN+GRU混合深度学习模型,引入多任务学习进行并发的复杂活动识别。将并发的复杂活动分为多个子任务,每个子任务都是一类原子活动。利用多任务学习的联合训练方法,共享深度学习网络结构部分,学习多种活动之间的相关性,相互促进学习,提高容易混淆活动的识别准确率。经过实验验证表明,利用多任务学习对21个并发的复杂活动进行识别,平均准确率达到95%,提高了复杂活动识别的泛化性能。本文在实验验证时利用了一个公开的数据集,该数据集的采集是完全来自真实生活中的活动,它是通过智能手机上的7个不同的传感器采集的数据,它包括很多具有上下文信息的活动。本文对该数据集进行统计分析与预处理,解决了数据集中的数据缺失和数据不平衡等问题。进一步将本文提出的基于深度学习的复杂活动识别模型部署到智能手机上,在智能手机上开发了一个复杂活动识别的应用,验证该模型在真实应用中对复杂活动识别的效果。