论文部分内容阅读
目前,人体活动识别技术大都局限于仅使用加速度对人体运动进行识别,融合异构传感器数据进行复杂活动识别的研究很少,现有的一些融合加速度和心率进行活动识别的工作,也仅仅是在特征层进行融合。为了充分利用不同传感器采集的数据,以实现穿戴尽量少的设备来准确识别尽量多的活动的目的,本文主要研究融合加速度和生理信号的人体活动识别。首先,提出了一个日常活动数据采集架构,对日常活动进行了汇总分类,采集了相应的实验数据,并进行了预处理;然后,在人体活动特征提取和选择的基础上,提出了一种基于SVM和GMM的多通道分数级融合活动识别算法,分别通过SVM和GMM来训练不同的信号通道,并基于逻辑回归算法训练得到各通道的权重系数来进行融合。最后,提出了一种基于boosting的多通道决策级融合活动识别算法,引入了基于置信度的AdaBoost算法来训练不同的信号通道,并通过自适应加权对数优化池(WLOGP)规则进行多通道的决策级融合。生理信号的引入能有效识别仅靠加速度很难区分的活动,分数级融合能显著提高活动识别准确率,提出的boosting算法简洁快速,适用于移动端,决策级融合大大减少了传感器节点需要通信的数据量。