CN106295675A - 一种高准确性的基于智能手机的行为识别方法 - Google Patents
一种高准确性的基于智能手机的行为识别方法 Download PDFInfo
- Publication number
- CN106295675A CN106295675A CN201610591861.0A CN201610591861A CN106295675A CN 106295675 A CN106295675 A CN 106295675A CN 201610591861 A CN201610591861 A CN 201610591861A CN 106295675 A CN106295675 A CN 106295675A
- Authority
- CN
- China
- Prior art keywords
- behavior
- group
- thr
- categorized
- user behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种高准确性的基于智能手机的行为识别方法。该方法分为训练和识别两个阶段。训练阶段分为三个部分,即数据采集及预处理、特征提取、建立识别模型三个部分。识别阶段分为数据采集及预处理、特征提取、CWPG方法分类三个部分。CWPG在初始化阶段首先将用户行为分类到行为组Gi(i=1,2,3,4,G1为坐和躺,第二组G2为站,第三组G3为走和慢跑,第四组G4为上楼梯和下楼梯),同时,将行为组Gi作为先前状态PS。最后,将用户行为分类到行为组Gi内的具体行为。初始化之后利用了先前状态PS(Gi)以及行为组转换的逻辑。更新先前状态PS为行为组Gj。最后将用户行为分类到行为组Gj内的具体行为。本发明相比于传统的基于智能手机的行为识别方法具有更高的准确性以及适用性。
Description
技术领域
本发明属于行为识别技术领域,具体涉及一种高准确性的基于智能手机的行为识别系统和方法。
背景技术
如今的智能手机内嵌了越来越多的高精度的传感器,比如加速度传感器,重力传感器,GPS,电子罗盘,方向传感器,气压传感器等等一些可以采集用户行为信息和感知物理环境的传感器,利用智能手机丰富的传感器资源可以完成行为识别。传统的行为识别方式,需要穿戴集成了许多传感器的可穿戴设备,没有很好的舒适性和便利性,因此,基于可穿戴设备的行为识别形式仅仅停留在实验室,而无法推广。如今的智能手机具有高精度的传感器,体积小,便于携带,处理性能快等优势,基于智能手机的行为识别已经成为了研究热点。
已有的基于智能手机的行为识别系统和方法,具有识别行为准确性低的关键性问题,在识别阶段,没有利用先前状态PS(previous state)和行为转换的逻辑关系,是造成行为识别系统准确性低的一个因素。
现有专利文献中,公开号为CN105528613A、名称为“一种基于智能手机GPS速度与加速度数据的行为识别方法”的发明专利公开了一种结合GPS速度数据与加速度数据的行为识别方法以有效地识别用户在不同速度下的人体行为,如骑车、乘车等。其不足之处在于:
1.在识别用户行为时,未考虑不同行为转换间的逻辑,来排除一些用户不可能发生的行为。因此,该方法降低了分类识别时的准确性;
2.未对各种行为做出分析,将相似度较高的行为归并为一组,从而先将行为分类到相应的行为组里,再分类到组类的具体行为,实质上减少了每次分类识别的可能性集。该方法直接采用一次分类到用户行为的方式,分类识别时可能性集大,造成分类不正确的概率较大;
3.对数据未进行PCA分析,在识别行为时性能消耗过大。并且,采用的是基于服务器的方式,识别用户行为的实时性低。同时需要将数据上传,在网络信号较弱无法联网时该方法会失效。
发明内容
本发明要解决的技术问题是针对现有技术中智能手机识别行为的准确性较低的问题提出一种基于智能手机的高准确性的行为识别系统和方法。
具体的技术方案为一种高准确性的基于智能手机的行为识别方法,包括训练阶段和识别阶段:
步骤1:训练阶段,包含数据采集及预处理,特征提取,建立识别模型三个子步骤:
步骤1-1:数据采集及预处理
步骤1-1-1:初始化智能手机加速度传感器以及重力传感器,设置加速度传感器的采样频率fsa,重力传感器的采样频率为fsg,分别采集个别典型性行为的加速度传感器数据ai(t)以及重力加速度传感器数据gi(t),i=1,2,3,表示传感器X轴、Y轴和Z轴,数据ai(t)及gi(t)均为离散数据,同时由用户人工的标记行为;
步骤1-1-2:先用截止频率fmc的阶数为a的中值滤波器和截止频率flc的阶数为b的低通滤波器去除ai(t)中的噪声na(t)以及gi(t)中的噪声ng(t),再用截止频率fhc的阶数为c的高通滤波器去除重力对加速度传感器的数据ai(t)造成的误差ag(t),滤波处理之后,得到加速度传感器数据aiτ(t)以及重力传感器数据giτ(t);
步骤1-2:特征提取
步骤1-2-1:加速度传感器数据aiτ(t),重力传感器数据giτ(t)分别采用一个w秒,相邻窗口重叠p%的滑动窗进行加窗处理得到w秒的加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t);
步骤1-2-2:从加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t)中提取时域上的特征值f,构成特征向量m为特征值的个数;
步骤1-3:建立识别模型
步骤1-3-1:使用K个时间窗,从而形成K个特征向量m为特征值的个数,构成的特征值集合通常来说,m维的特征向量数据量过大,会造成识别用户行为时对智能手机的性能消耗过大,因此,需要将m维的特征向量进行降维处理,减小识别用户行为时数据处理对智能手机的性能消耗。将m维的特征向量进行PCA分析得到n维的特征向量n<<m;
步骤1-3-2:K个经过PCA分析的特征向量构成k×4的特征值集合 并将每种行为标记与其相应的特征值集合S′对应起来,构建行为标记与特征值间集合S′的映射关系,建立识别模型;
步骤2:识别阶段,包含数据采集及预处理、特征提取、CWPG方法分类三个子步骤,其中,数据采集及预处理,特征提取分别与训练阶段对应的子步骤一致;
步骤2-1:将提取到的特征向量m为特征值的个数,转换成4维的特征向量4<<m;
步骤2-2:通过先前状态PS和行为组转换的逻辑,使用CWPG方法识别用户行为。
进一步,上述步骤1-1-1中所述的个别典型性行为包含坐、躺、站、走、慢跑、上楼梯和下楼梯这七种行为。
进一步,上述步骤1-2-1中,加速度传感器的采样频率为fsa,时间窗为w秒,则加速度传感器数据序列aiq(t)共有fsa×w个数据,重力传感器的采样频率fsg,时间窗为w秒,则重力传感器数据序列giq(t)共有fsg×w个数据。
进一步,上述步骤1-2-2中,特征向量可分为两个分量第一个分量g为特征值个数,用于将用户行为分类到行为组Gi(i=1,2,3,4),用户行为共分为四组,第一组G1为站,第二组G2为坐和躺,第三组G3为走和慢跑,第四组G4为上楼梯和下楼梯,其中特征值fi(i≤g)可以为平均值,最小值,均方根等时域上的特征值;第二个分量a为特征值个数,其中特征值fi(i≤a)可以为最大值,峰值时间差,加速度传感器数据X轴、Y轴和Z轴数据的变化范围等时域上的特征值。
进一步,上述步骤1-3-1中对m维的特征向量进行PCA分析得到N维特征向量3≤N≤8。
而且又进一步,将m维的特征向量m为特征值的个数,形成k×m的特征值集合对每列数据求其平均值X,然后每列数据分别减去其平均值X,行成矩阵M,求矩阵M的协方差矩阵,并求其特征值和对应的特征向量,选择从大到小的4个特征值,由其对应的4个特征向量构成的m×4的转换矩阵V,最后将矩阵S和矩阵V相乘(S×V)得到k×4的矩阵,则将m维的特征向量降至4维完成对特征向量的PCA分析。
进一步,上述步骤2-1中,先将识别阶段提取到的特征向量中的特征值fi(i≤m)分别减去训练阶段PCA分析所使用的平均值X,得到特征向量然后将特征向量与训练阶段PCA分析所使用的转换矩阵V相乘,得到4维的特征向量4<<m;
对于前述七种行为,将站、坐、躺、走、慢跑、上楼梯和下楼梯这七种行为分成四组行为组Gi,i=1,2,3,4,G1为站,G2为站坐和躺,G3为站走和慢跑,G4为站上楼梯和下楼梯,基于现实生活行为转换的逻辑关系,可去除一部分行为组之间的转换,基于现实情况的分析共有12种转换关系,1表示行为组间能够相互转换,0表示行为组之间不能转换,12种转换关系如下表所示:
进一步,上述步骤2-2中,CWPG(Classifier With Previous state and Groupchange label)方法是利用先前状态PS,并基于行为组转换的逻辑进行识别用户行为的一种分类方法,分为两个阶段,初始化阶段和初始化之后两个阶段,在初始化阶段,首先为特征向量的分量)中的f1设置阈值Thrg1,f2设置阈值Thrg2,当f1<Thrg1且f2<Thrg2,将用户行为分类到行为组G1,f1>Thrg1且f2<Thrg2时,将用户行为分类到行为组G2,f1<Thrg1且f2>Thrg2时,将用户行为分类到行为组G3,f1>Thrg1且f2>Thrg2时,将用户行为分类到行为组G4,同时,将用户分类到的行为组Gi(i=1,2,3,4)作为下一次识别用户行为时的先前状态PS(Previous State),然后,同样为特征向量的分量)设置阈值Thra1和Thra2,当分类到行为组G1时,若f3<Thra1且f4<Thra2,则识别用户行为为行为组G1中的坐,否则为行为组G1中的躺,当分类到行为组G3时,若f3>Thra1且f4>Thra2,则识别用户行为为行为组G3中的走,否则为行为组G3中的慢跑,当分类到行为组G4时,若f3<Thra1且f4>Thra2,则识别用户行为为行为组G4中的上楼梯,否则为行为组G4中的下楼梯。当分类到行为组G2时,则默认用户行为为站,在初始化阶段,可识别出用户行为;初始化之后,利用4种不可能发生的行为组转换关系,在分类识别过程中排除不可能转换到的行为组。当先前状态PS为G1时,若f1<Thrg1,则将用户行为分类到行为组G1,若f1>Thrg1,则将用户行为分类到行为组G2,当先前状态PS为G3时,若f2<Thrg2,则将用户行为分类到行为组G2,若f1<Thrg1且f2>Thrg2,则将用户行为分类到行为组G3,若f1>Thrg1且f2>Thrg2,则将用户行为分类到行为组G4。当先前状态PS为G4时,若f1<Thrg1且f2>Thrg2,则将用户行为分类到行为组G3,若f1>Thrg1且f2>Thrg2,则将用户行为分类到行为组G4,若f2<Thrg2,则将用户行为分类到行为组G2,由于行为组G2可转换到四组行为组,因此,当先前状态PS为行为组G2时,分类到具体的行为组的过程同初始化阶段。同时,将用户分类到的行为组Gi(i=1,2,3,4)作为下一次识别用户行为时的先前状态PS,然后,将用户行为分类到行为组Gi内的具体行为同初始化阶段相应的过程。之后,重复初始化之后的识别过程,可对用户行为实时识别。
为确保识别的效果,上述参数的取值范围推荐为:3.5≤Thrg1≤11.8,2.4≤Thrg2≤6.8,2.4≤Thra1≤5.8,4.5≤Thra2≤7.8。
本发明的有益效果:
1.CWPG方法采用分层次识别用户行为,先将用户分类到行为组,然后分类到行为组内的具体行为,每层分类都能有很高的准确性,从而,最大程度的保障了整个系统识别用户的高准确性。同时,CWPG方法是基于对现实生活行为转换的逻辑关系运行的,在识别过程中,可排除一些不可能发生的行为转换。从这两个方面出发,CWPG能大大的提高行为识别的准确性。
2.此行为识别系统是基于智能手机建立的,对每个拥有智能手机的用户都是适用的,由于不需要穿戴其他的可穿戴设备,可以使每一个用户都能感到舒适,方便,容易被每一个用户所能接受。同时,也为基于行为识别的应用,比如个人健康管理,医护管理等针对终端用户的应用,目标广告投放等针对第三方的应用,奠定了基础。
附图说明
图1为一种高准确性的基于智能手机的行为识别系统和方法图。
图2为CWPG方法初始化阶段示意图。
图3为CWPG方法初始化之后将用户行为分类到行为组示意图。
图4为行为组转换关系示意图。
具体实施方式
现结合说明书附图对本发明的具体实施方式作进一步详细说明。
如图1所示,一种高准确性的基于智能手机的行为识别系统和方法主要包含两个阶段,分别为训练阶段和识别阶段。
训练阶段主要包含了三个部分,分别为数据采集及数据预处理、特征提取、建立识别模型。
在数据采集及数据预处理部分,先初始化智能手机加速度传感器以及重力传感器,设置加速度传感器的采样频率fsa,重力传感器的采样频率为fsg,分别采集站、坐、躺、走、慢跑、上楼梯和下楼梯这七种行为的加速度传感器数据ai(t)以及重力加速度传感器数据gi(t)(i=1,2,3,表示加速度传感器X轴、Y轴和Z轴),并由用户人工的标记这七种行为。然后用截止频率fmc的阶数为a的中值滤波器、截止频率flc的阶数为b的低通滤波器和截止频率fhc的阶数为c的高通滤波器进行滤波处理之后,得到加速度传感器数据aiτ(t)以及重力传感器数据giτ(t)。
在特征提取部分,首先,加速度传感器数据aiτ(t),重力传感器数据gjτ(t)分别采用一个w秒重叠p%的滑动窗进行加窗处理得到w秒的加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t)。然后,从加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t)中提取时域上的特征值f(比如平均值,方差,均方根等等),构成特征向量(m为特征值的个数)。
在建立识别模型,先使用K个时间窗,从而形成K个特征向量构成的特征值集合通常来说,m维的特征向量数据量过大,会造成识别用户行为时对智能手机的性能消耗过大,因此,需要将m维的特征向量进行降维处理,减小识别用户行为时数据处理对智能手机的性能消耗。因此,将m维的特征向量进行PCA分析得到4维的特征向量(4<<m)。然后,K个经过PCA分析的特征向量构成的特征值集合并将每种行为标记与其相应的特征值集合S′对应起来,构建行为标记与特征值间集合S′的映射关系,建立识别模型;
识别阶段同样分为三个部分,分别为数据采集及数据预处理、特征提取、CWPG分类。其中数据采集及数据预处理、特征提取与训练阶段相同。先将提取到的特征向量转换成4维的特征向量(4<<m),然后使用CWPG方法识别用户行为。
CWPG方法利用了先前状态PS和基于现实生活的行为组转换的逻辑。将站、坐、躺、走、慢跑、上楼梯和下楼梯这七种行为分成四组行为组Gi(i=1,2,3,4;G1为站,G2为站坐和躺,G3为站走和慢跑,G4为站上楼梯和下楼梯),基于现实生活行为转换的逻辑关系,可去除一部分行为组之间的转换(比如,用户行为为坐或者躺的状态,不可能直接转换成上楼梯或者下楼梯的状态,即由G2不能直接改变到G4)。因此,基于现实情况的分析共有12种转换关系,如行为组转换逻辑表所示(1表示行为组间能够相互转换,0表示行为组之间不能转换)。
行为组转换逻辑表
共有4种行为组转换关系(Gi→Gj)是不可能发生的,分别是:G1→G3(由坐或者躺直接转换为走或者慢跑)、G1→G4(由坐或者躺直接转换为上楼梯或者下楼梯)、G3→G1(由走或者慢跑直接转换为坐或者躺)以及G4→G1(由上楼梯或者下楼梯直接转换为坐或者躺)。
CWPG(classifier with previous state and group change label)方法是利用先前状态PS,并基于现实生活行为转换的逻辑关系进行识别用户行为的一种分类方法。分为两个阶段,初始化阶段和初始化之后两个阶段。
如图2所示,在初始化阶段,首先为特征向量的分量中的f1设置阈值Thrg1=5.5(一般情况为5.5,可视实际情况在[3.5,11.8]范围内做相应调整),f2设置阈值Thrg2=3.2(一般情况为3.2,可视实际情况在[2.4,6.8]范围内做相应调整)。当f1<Thrg1且f2<Thrg2,将用户行为分类到行为组G1,f1>Thrg1且f2<Thrg2时,将用户行为分类到行为组G2,f1<Thrg1且f2>Thrg2时,将用户行为分类到行为组G3,f1>Thrg1且f2>Thrg2时,将用户行为分类到行为组G4。同时,将用户分类到的行为组Gi(i=1,2,3,4)作为下一次识别用户行为时的先前状态PS(previous state)。然后,同样为特征向量的分量)设置阈值Thra1=3.3(一般情况为3.3,可视实际情况在[2.4,5.8]范围内做相应调整)和Thra2=5.6(一般情况为5.6,可视实际情况在[4.5,7.8]范围内做相应调整)。当分类到行为组G1时,若f3<Thra1且f4<Thra2,则识别用户行为为行为组G1中的坐,否则为行为组G1中的躺。当分类到行为组G3时,若f3>Thra1且f4>Thra2,则识别用户行为为行为组G3中的走,否则为行为组G3中的慢跑。当分类到行为组G4时,若f3<Thra1且f4>Thra2,则识别用户行为为行为组G4中的上楼梯,否则为行为组G4中的下楼梯。当分类到行为组G2时,则默认用户行为为站。在初始化阶段,可识别出用户行为。
如图3所示,初始化之后,利用4种不可能发生的行为组转换关系,在分类识别过程中排除不可能转换到的行为组。当先前状态PS为G1时,若f1<Thrg1,则将用户行为分类到行为组G1,若f1>Thrg1,则将用户行为分类到行为组G2。当先前状态PS为G3时,若f2<Thrg2,则将用户行为分类到行为组G2,若f1<Thrg1且f2>Thrg2,则将用户行为分类到行为组G3,若f1>Thrg1且f2>Thrg2,则将用户行为分类到行为组G4。当先前状态PS为G4时,若f1<Thrg1且f2>Thrg2,则将用户行为分类到行为组G3,若f1>Thrg1且f2>Thrg2,则将用户行为分类到行为组G4,若f2<Thrg2,则将用户行为分类到行为组G2。由于行为组G2可转换到四组行为组,因此,当先前状态PS为行为组G2时,分类到具体的行为组的过程同初始化阶段。同时,将用户分类到的行为组Gi(i=1,2,3,4)作为下一次识别用户行为时的先前状态PS(previousstate)。然后,将用户行为分类到行为组Gi内的具体行为同初始化阶段相应的过程。之后,重复初始化之后的识别过程,可对用户行为实时识别。
如图4所示,表示了四组行为组Gi(i≤4,G1为坐和躺,G2为站,G3为走和慢跑,G4为上楼梯和下楼梯)之间的转换关系。基于现实生活行为转换的逻辑关系,可去除一部分行为组之间的转换(比如,用户行为为坐或者躺的状态,不可能直接转换成上楼梯或者下楼梯的状态,即由G2不能直接改变到G4)。经过对实际情况的分析,共有12种行为组转换关系。
Claims (10)
1.一种高准确性的基于智能手机的行为识别方法,其特征在于,包括训练阶段和识别阶段:
步骤1:训练阶段,包含数据采集及预处理,特征提取,建立识别模型三个子步骤:
步骤1-1:数据采集及预处理
步骤1-1-1:初始化智能手机加速度传感器以及重力传感器,设置加速度传感器的采样频率fsa,重力传感器的采样频率为fsg,分别采集个别典型性行为的加速度传感器数据ai(t)以及重力加速度传感器数据gi(t),i=1,2,3,表示传感器X轴、Y轴和Z轴,数据ai(t)及gi(t)均为离散数据,同时由用户人工的标记行为;
步骤1-1-2:先用截止频率fmc的阶数为a的中值滤波器和截止频率flc的阶数为b的低通滤波器去除ai(t)中的噪声na(t)以及gi(t)中的噪声ng(t),再用截止频率fhc的阶数为c的高通滤波器去除重力对加速度传感器的数据ai(t)造成的误差ag(t),滤波处理之后,得到加速度传感器数据aiτ(t)以及重力传感器数据giτ(t);
步骤1-2:特征提取
步骤1-2-1:加速度传感器数据aiτ(t),重力传感器数据giτ(t)分别采用一个w秒,相邻窗口重叠p%的滑动窗进行加窗处理得到w秒的加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t);
步骤1-2-2:从加速度传感器数据序列aiq(t)和重力加速度传感器数据序列giq(t)中提取时域上的特征值f,构成特征向量m为特征值的个数;
步骤1-3:建立识别模型
步骤1-3-1:使用K个时间窗,从而形成K个特征向量m为特征值的个数,构成的特征值集合通常来说,m维的特征向量数据量过大,会造成识别用户行为时对智能手机的性能消耗过大,因此,需要将m维的特征向量进行降维处理,减小识别用户行为时数据处理对智能手机的性能消耗,将m维的特征向量进行PCA分析得到n维的特征向量
步骤1-3-2:K个经过PCA分析的特征向量构成k×4的特征值集合并将每种行为标记与其相应的特征值集合S′对应起来,构建行为标记与特征值间集合S′的映射关系,建立识别模型;
步骤2:识别阶段,包含数据采集及预处理、特征提取、CWPG方法分类三个子步骤,其中,数据采集及预处理,特征提取分别与训练阶段对应的子步骤一致;
步骤2-1:将提取到的特征向量m为特征值的个数,转换成4维的特征向量
步骤2-2:通过先前状态PS和行为组转换的逻辑,使用CWPG方法识别用户行为。
2.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法,其特征在于步骤1-1-1中所述的个别典型性行为包含坐、躺、站、走、慢跑、上楼梯和下楼梯七种行为。
3.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法,其特征在于,所述步骤1-2-1中,加速度传感器的采样频率为fsa,时间窗为w秒,则加速度传感器数据序列aiq(t)共有fsa×w个数据,重力传感器的采样频率fsg,时间窗为w秒,则重力传感器数据序列giq(t)共有fsg×w个数据。
4.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法,其特征在于,所述步骤1-2-2中,特征向量可分为两个分量第一个分量g为特征值个数,用于将用户行为分类到行为组Gi(i=1,2,3,4),用户行为共分为四组,第一组G1为站,第二组G2为坐和躺,第三组G3为走和慢跑,第四组G4为上楼梯和下楼梯,其中特征值fi(i≤g)可以为平均值,最小值,均方根等时域上的特征值;第二个分量a为特征值个数,其中特征值fi(i≤a)可以为最大值,峰值时间差,加速度传感器数据X轴、Y轴和Z轴数据的变化范围等时域上的特征值。
5.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法,其特征在于,步骤1-3-1中对m维的特征向量进行PCA分析得到N维特征向量3≤N≤8。
6.根据权利要求5所述的一种高准确性的基于智能手机的行为识别方法,其特征在于,将m维的特征向量m为特征值的个数,形成k×m的特征值集合对每列数据求其平均值X,然后每列数据分别减去其平均值X,行成矩阵M,求矩阵M的协方差矩阵,并求其特征值和对应的特征向量,选择从大到小的4个特征值,由其对应的4个特征向量构成的m×4的转换矩阵V,最后将矩阵S和矩阵V相乘(S×V)得到k×4的矩阵,则将m维的特征向量降至4维完成对特征向量的PCA分析。
7.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法,其特征在于,所述步骤2-1中,先将识别阶段提取到的特征向量中的特征值fi(i≤m)分别减去训练阶段PCA分析所使用的平均值X,得到特征向量然后将特征向量与训练阶段PCA分析所使用的转换矩阵V相乘,得到4维的特征向量
8.根据权利要求2所述的一种高准确性的基于智能手机的行为识别方法,其特征在于,将站、坐、躺、走、慢跑、上楼梯和下楼梯这七种行为分成四组行为组Gi,i=1,2,3,4,G1为站,G2为站坐和躺,G3为站走和慢跑,G4为站上楼梯和下楼梯,基于现实生活行为转换的逻辑关系,可去除一部分行为组之间的转换,基于现实情况的分析共有12种转换关系,1表示行为组间能够相互转换,0表示行为组之间不能转换,12种转换关系如下表所示:
9.根据权利要求1所述的一种高准确性的基于智能手机的行为识别方法,其特征在于,所述步骤2-2中,CWPG方法是利用先前状态PS,并基于行为组转换的逻辑进行识别用户行为的一种分类方法,分为两个阶段,初始化阶段和初始化之后两个阶段,在初始化阶段,首先为特征向量的分量中的f1设置阈值Thrg1,f2设置阈值Thrg2,当f1<Thrg1且f2<Thrg2,将用户行为分类到行为组G1,f1>Thrg1且f2<Thrg2时,将用户行为分类到行为组G2,f1<Thrg1且f2>Thrg2时,将用户行为分类到行为组G3,f1>Thrg1且f2>Thrg2时,将用户行为分类到行为组G4,同时,将用户分类到的行为组Gi(i=1,2,3,4)作为下一次识别用户行为时的先前状态PS,然后,同样为特征向量的分量设置阈值Thra1和Thra2,当分类到行为组G1时,若f3<Thra1且f4<Thra2,则识别用户行为为行为组G1中的坐,否则为行为组G1中的躺,当分类到行为组G3时,若f3>Thra1且f4>Thra2,则识别用户行为为行为组G3中的走,否则为行为组G3中的慢跑,当分类到行为组G4时,若f3<Thra1且f4>Thra2,则识别用户行为为行为组G4中的上楼梯,否则为行为组G4中的下楼梯,当分类到行为组G2时,则默认用户行为为站,在初始化阶段,可识别出用户行为;初始化之后,利用4种不可能发生的行为组转换关系,在分类识别过程中排除不可能转换到的行为组,当先前状态PS为G1时,若f1<Thrg1,则将用户行为分类到行为组G1,若f1>Thrg1,则将用户行为分类到行为组G2,当先前状态PS为G3时,若f2<Thrg2,则将用户行为分类到行为组G2,若f1<Thrg1且f2>Thrg2,则将用户行为分类到行为组G3,若f1>Thrg1且f2>Thrg2,则将用户行为分类到行为组G4,当先前状态PS为G4时,若f1<Thrg1且f2>Thrg2,则将用户行为分类到行为组G3,若f1>Thrg1且f2>Thrg2,则将用户行为分类到行为组G4,若f2<Thrg2,则将用户行为分类到行为组G2,由于行为组G2可转换到四组行为组,因此,当先前状态PS为行为组G2时,分类到具体的行为组的过程同初始化阶段,同时,将用户分类到的行为组Gi(i=1,2,3,4)作为下一次识别用户行为时的先前状态PS,然后,将用户行为分类到行为组Gi内的具体行为同初始化阶段相应的过程,之后,重复初始化之后的识别过程,可对用户行为实时识别。
10.根据权利要求9所述的一种高准确性的基于智能手机的行为识别方法,其特征在于3.5≤Thrg1≤11.8,2.4≤Thrg2≤6.8,2.4≤Thra1≤5.8,4.5≤Thra2≤7.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610591861.0A CN106295675B (zh) | 2016-07-25 | 2016-07-25 | 一种高准确性的基于智能手机的行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610591861.0A CN106295675B (zh) | 2016-07-25 | 2016-07-25 | 一种高准确性的基于智能手机的行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106295675A true CN106295675A (zh) | 2017-01-04 |
CN106295675B CN106295675B (zh) | 2019-09-27 |
Family
ID=57652458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610591861.0A Active CN106295675B (zh) | 2016-07-25 | 2016-07-25 | 一种高准确性的基于智能手机的行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295675B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940805A (zh) * | 2017-03-06 | 2017-07-11 | 江南大学 | 一种基于手机传感器的群体行为分析方法 |
CN107220856A (zh) * | 2017-06-02 | 2017-09-29 | 武汉大学 | 一种移动消费群组识别的系统及方法 |
CN107358248A (zh) * | 2017-06-07 | 2017-11-17 | 南京邮电大学 | 一种提高跌倒检测系统精度的方法 |
CN107396306A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态识别方法、装置及移动终端 |
CN108182004A (zh) * | 2018-01-19 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于识别承载移动终端的载体的行为模式的方法和装置 |
CN110349646A (zh) * | 2019-07-15 | 2019-10-18 | 上海交通大学 | 基于先验知识聚类的运动模式识别方法及系统 |
CN112784171A (zh) * | 2021-01-21 | 2021-05-11 | 重庆邮电大学 | 一种基于上下文典型性的电影推荐方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926467B (zh) * | 2019-11-11 | 2021-08-06 | 南京航空航天大学 | 一种基于均值聚类算法的自适应行人手机姿态识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218062A (zh) * | 2013-04-24 | 2013-07-24 | 伍斌 | 基于加速度传感器和动作识别的人机交互方法及其设备 |
CN104991644A (zh) * | 2015-06-24 | 2015-10-21 | 小米科技有限责任公司 | 确定移动终端使用对象的方法和装置 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
-
2016
- 2016-07-25 CN CN201610591861.0A patent/CN106295675B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218062A (zh) * | 2013-04-24 | 2013-07-24 | 伍斌 | 基于加速度传感器和动作识别的人机交互方法及其设备 |
CN104991644A (zh) * | 2015-06-24 | 2015-10-21 | 小米科技有限责任公司 | 确定移动终端使用对象的方法和装置 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
Non-Patent Citations (5)
Title |
---|
JORGE-L. REYES-ORTIZ 等: "Transition-Aware Human Activity Recognition Using Smartphones", 《EUROCOMPUTING》 * |
LICHENG ZHANG 等: "Improving Activity Recognition with Context Information", 《2015 IEEE ICMA》 * |
NICOLE A. CAPELA 等: "Improving Classification of Sit, Stand, and Lie in a Smartphone Human Activity Recognition System", 《2015 IEEE INTERNATIONAL SYMPOSIUM ON MEMEA PROCEEDINGS》 * |
苟涛: "基于可穿戴式三轴加速度传感器的人体行为识别", 《传感检测及物联网系统》 * |
黄仁 等: "基于加速度传感器的运动模式识别", 《计算机工程与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940805A (zh) * | 2017-03-06 | 2017-07-11 | 江南大学 | 一种基于手机传感器的群体行为分析方法 |
CN107220856A (zh) * | 2017-06-02 | 2017-09-29 | 武汉大学 | 一种移动消费群组识别的系统及方法 |
CN107220856B (zh) * | 2017-06-02 | 2020-07-10 | 武汉大学 | 一种移动消费群组识别的系统及方法 |
CN107358248A (zh) * | 2017-06-07 | 2017-11-17 | 南京邮电大学 | 一种提高跌倒检测系统精度的方法 |
CN107358248B (zh) * | 2017-06-07 | 2021-03-23 | 南京邮电大学 | 一种提高跌倒检测系统精度的方法 |
CN107396306A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态识别方法、装置及移动终端 |
CN108182004A (zh) * | 2018-01-19 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于识别承载移动终端的载体的行为模式的方法和装置 |
CN110349646A (zh) * | 2019-07-15 | 2019-10-18 | 上海交通大学 | 基于先验知识聚类的运动模式识别方法及系统 |
CN110349646B (zh) * | 2019-07-15 | 2022-06-10 | 上海交通大学 | 基于先验知识聚类的运动模式识别方法及系统 |
CN112784171A (zh) * | 2021-01-21 | 2021-05-11 | 重庆邮电大学 | 一种基于上下文典型性的电影推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106295675B (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295675A (zh) | 一种高准确性的基于智能手机的行为识别方法 | |
Zhu et al. | Efficient human activity recognition solving the confusing activities via deep ensemble learning | |
Ferrari et al. | On the personalization of classification models for human activity recognition | |
Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
CN110309861B (zh) | 一种基于生成对抗网络的多模态人类活动识别方法 | |
CN105678222B (zh) | 一种基于移动设备的人体行为识别方法 | |
Ahad et al. | IoT sensor-based activity recognition | |
Uddin et al. | Random forests based recognition of human activities and postural transitions on smartphone | |
CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
Zhang | Application of human motion recognition utilizing deep learning and smart wearable device in sports | |
CN106991409A (zh) | 一种运动想象脑电信号特征提取与分类系统及方法 | |
CN104679967B (zh) | 一种判断心理测试可靠性的方法 | |
Shojaedini et al. | Mobile sensor based human activity recognition: distinguishing of challenging activities by applying long short-term memory deep learning modified by residual network concept | |
CN110532898A (zh) | 一种基于智能手机多传感器融合的人体活动识别方法 | |
CN111753683A (zh) | 一种基于多专家卷积神经网络的人体姿态识别方法 | |
CN112464738A (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
CN111723662A (zh) | 一种基于卷积神经网络的人体姿态识别方法 | |
AU2013100576A4 (en) | Human Identification with Electroencephalogram (EEG) for the Future Network Security | |
Ahmad et al. | Seeking optimum system settings for physical activity recognition on smartwatches | |
Li et al. | Multi-resolution Fusion Convolutional Network for Open Set Human Activity Recognition | |
Koskimaki et al. | Accelerometer vs. electromyogram in activity recognition | |
Han et al. | The effect of axis-wise triaxial acceleration data fusion in cnn-based human activity recognition | |
CN113642432A (zh) | 基于协方差矩阵变换的卷积神经网络用于人体姿态识别方法 | |
Mekruksavanich et al. | Deep Pyramidal Residual Network for Indoor-Outdoor Activity Recognition Based on Wearable Sensor. | |
Xu | Application of wearable devices in 6G internet of things communication environment using artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201027 Address after: Room 2, No.2, No.2, Kechuang Road, NO.201, Qixia District, Nanjing, Jiangsu Province Patentee after: Nanjing huaruizhiguang Information Technology Research Institute Co., Ltd Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210023 Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS |