论文部分内容阅读
作为普适计算一个重要的研究领域,人体行为识别可以了解人体的活动行为、运动强度和能量消耗等状态信息。而随着传感技术和低功耗无线通信技术的发展,利用无线可穿戴技术进行人体行为识别,进一步推进了人体行为识别在智能家居、老人监护、病人监护和运动员康复训练等领域的广泛应用。当前利用可穿戴技术识别人体行为,主要集中于计步、老年人跌倒等日常活动,而对于特殊人群的异常活动,如监狱囚犯,特殊对象的打架斗殴等暴力行为的监控研究较少。对于这类人群的异常行为监控,在异常行为发生时及时告警,可以在短时间内采取合适措施,阻止危险事故进一步发生。本论文基于无线可穿戴技术,利用三轴加速度传感器,实时监测人体行走、站立时的活动信息,采用时域的均值、方差、标准差作为各类行为的特征值,判断人体异常行为。具体工作包括如下内容:(1)分析比较离线状态下支持向量机(Support Vector Machine,SVM)、K-近邻算法(K-Nearest Neighbors,KNN)、决策树算法(Decision Tree,DT)和朴素贝叶斯(Na?ve Bayes,NB)等分类算法进行异常行为识别时的准确率和计算复杂度,结果表明KNN算法的异常行为识别效果最好。重点分析了KNN算法中不同K值下的行为识别准确率,当K等于5、7、9、11时,其准确率达到95%以上。(2)为适用于可穿戴设备,重点分析了KNN算法实现时,不同训练样本数对算法行为识别时的准确率和计算复杂度影响。发现在减少训练样本时,行为识别准确率影响不是很大。如训练样本从479减少到128时,异常行为识别的准确率减少5%左右,而训练样本从128减少到64时,异常行为识别的准确率减少2%左右。并采用ReliefF算法计算各维特征的权重,对小样本下的KNN算法进行改进。(3)在可穿戴式传感器平台Shimmer上,验证了KNN算法。发现在可穿戴平台上,受限于节点处理能力和内存,需对算法进行优化。将训练样本中均值、方差、标准差组成的9维特征矩阵,减少为只有均值的3维特征矩阵后,在线异常行为识别的准确率在60%左右。本文的研究工作在异常行为识别领域具有一定的学术价值,在社会或监狱的特殊人群异常行为监控领域具有一定的应用前景。