CN113065612A - 一种基于机器学习的人类活动分类识别方法及系统 - Google Patents

一种基于机器学习的人类活动分类识别方法及系统 Download PDF

Info

Publication number
CN113065612A
CN113065612A CN202110541923.8A CN202110541923A CN113065612A CN 113065612 A CN113065612 A CN 113065612A CN 202110541923 A CN202110541923 A CN 202110541923A CN 113065612 A CN113065612 A CN 113065612A
Authority
CN
China
Prior art keywords
classification
machine learning
human
motion
human motion
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.)
Pending
Application number
CN202110541923.8A
Other languages
English (en)
Inventor
袁宝玺
徐悦
齐乐
米辰
田佳敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xijing University
Original Assignee
Xijing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xijing University filed Critical Xijing University
Priority to CN202110541923.8A priority Critical patent/CN113065612A/zh
Publication of CN113065612A publication Critical patent/CN113065612A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种基于机器学习的人类活动分类识别方法及系统,包括步骤一、建立数据集,步骤二、对数据集中的惯导数据进行预处理并完成数据集标注,步骤三、建立基于机器学习的人类运动多分类模型,步骤四、使用标注完成的数据集训练人类运动多分类模型,步骤五、通过训练好的人类运动分类模型对进行识别并获得识别结果;本发明使用智能手机作为人类运动信息采集的传感器,使用极为方便,并且能为活动监测提供长期解决方案,且基于lightGBM的人类运动多分类模型具有训练效果好、不易过拟合还可以处理海量数据的优点,同时本发明构建了一个完成的基于机器学习的人类活动分类识别方法及系统,模型部署快,应用前景良好。

Description

一种基于机器学习的人类活动分类识别方法及系统
技术领域
本发明涉及人类运动分类技术领域,尤其涉及一种基于机器学习的人类活动分类识别方法及系统。
背景技术
人类活动识别是一个活跃的研究领域,它通过解释来自运动、位置、生理信号和环境信息的属性来开发理解人类行为的方法,人类活动识别的目的是通过对一个人及其周围环境的一系列观察来识别他/她所执行的行为,识别可以通过利用从各种来源检索到的信息来完成,如环境传感器或穿戴式传感器,一些方法在不同的身体部位(如腰部、手腕、胸部和大腿)采用了专用的运动传感器,实现了良好的分类性能;
目前普遍存在的问题,有这些传感器通常会让普通用户感到不舒服,不能为活动监测提供长期解决方案,智能手机设备普及率极高并且智能手机配有大量的内置传感器,如麦克风、双摄像头、加速计、陀螺仪等,使用带有惯性传感器的智能手机是人类活动识别的替代解决方案,传统的人类活动分类识别方法单一,识别速度慢,识别精度不高,因此,本发明提出一种基于机器学习的人类活动分类识别方法及系统以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种基于机器学习的人类活动分类识别方法及系统,该基于机器学习的人类活动分类识别方法及系统使用智能手机作为人类运动信息采集的传感器,使用极为方便并且能为活动监测提供长期解决方案,且基于lightGBM的人类运动多分类模型具有训练效果好、不易过拟合还可以处理海量数据的优点,同时本发明构建了一个完成的基于机器学习的人类活动分类识别方法及系统,模型部署快,应用前景良好。
为实现本发明的目的,本发明通过以下技术方案实现:一种基于机器学习的人类活动分类识别方法,过程包括以下步骤:
步骤一、建立数据集,通过智能手机采集多组人员不同运动的惯导数据;
步骤二、对数据集中的惯导数据进行预处理,完成数据集标注;
步骤三、建立基于机器学习的人类运动多分类模型;
步骤四、使用步骤二中标注完成的数据集训练步骤三中的基于机器学习的人类运动多分类模型;
步骤五、通过训练好的人类运动分类模型对人类运动进行识别,获得人类运动识别结果。
进一步改进在于,所述步骤一中对惯导数据采集的具体操作为:先将智能手机佩戴在数据采集的人员口袋或者手中,然后实验人员做各种人类正常活动,采集实验人员运动时产生的惯导数据,日常活动包括站立、行走、躺、跑和跳的动作,其中惯导数据包括加速度数据、陀螺仪数据和磁力计数据。
进一步改进在于,所述步骤二的具体操作如下:
第一步、对数据中的惯导数据的预处是进行特征值提取,所述的特征提取方法包括平均值、标准偏差、中值、绝对值、最大值、最小值、信号熵、自回归系数、频率间隔的能量和频率信号峰度;
第二步、进行数据集标注工作,将每种运动的特征提取后的数据标注上对应的运动编号,构建完整的数据集。
进一步改进在于,所述步骤三的具体操作如下:
第一步、建立基于lightGBM的人类运动多分类模型的机器学习的人类运动多分类模型;
第二步、基于lightGBM的人类运动多分类模型是利用弱分类器迭代训练以得到最优模型。
进一步改进在于,所述步骤四的具体训练流程为:
第一步、使用步骤二建立的数据集作为训练样本,将数据集中的70%作为训练测试机,将数据集中的30%作为测试集;
第二步、训练过程使用训练集和测试集训练人类运动分类模型;
第三步、使用验证集计算得到于人类运动多分类模型的准确率;
第四步、根据准确率选择最优的人类运动分类模型。
进一步改进在于,所述步骤五中的具体识别过程为:先令人员配带智能手机,在人员进行运动时通过智能手机将手机内部的惯导数据传输给人类运动分类识别的模型安装端,然后使用基于机器学习的人类多运动分类识别模型对输入的惯导数据进行运动分类识别,最后给出运动识别结果。
一种基于机器学习的人类活动分类识别系统,其特征在于:包括惯导数据采集模块、基于机器学习的人类运动分类识别模块和显示模块;
所述惯导数据采集模块通过智能手机采集人员的运动时产生的惯导数据,用于基于机器学习的人类运动分类识别系统中的输入数据;
所述基于机器学习的人类运动分类识别模块用于处理传输来的人员运动时产生的惯导数据,对人员运动进行分类识别;
所述显示模块用于将模型分类识别的结果显示出来。
本发明的有益效果为:本发明使用智能手机作为人类运动信息采集的传感器,使用极为方便,不会让普通用户感到不舒服,并且能为活动监测提供长期解决方案,且基于lightGBM的人类运动多分类模型具有训练效果好、不易过拟合还可以处理海量数据的优点,同时本发明构建了一个完成的基于机器学习的人类活动分类识别方法及系统,模型部署快,应用前景良好。
附图说明
图1为本发明的方法流程框图。
图2为本发明的系统结构架图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例1
根据图1所示,本实施例提供了一种基于机器学习的人类活动分类识别方法,过程包括以下步骤:
步骤一、建立数据集,通过智能手机采集多组人员不同运动的惯导数据,具体操作为:先将智能手机佩戴在数据采集的人员口袋或者手中,然后实验人员做各种人类正常活动,采集实验人员运动时产生的惯导数据,日常活动包括站立、行走、躺、跑和跳的动作,其中惯导数据包括加速度数据、陀螺仪数据和磁力计数据;
步骤二、对数据集中的惯导数据进行预处理,完成数据集标注,具体操作如下:
第一步、对数据中的惯导数据的预处是进行特征值提取,所述的特征提取方法包括平均值、标准偏差、中值、绝对值、最大值、最小值、信号熵、自回归系数、频率间隔的能量和频率信号峰度;
第二步、进行数据集标注工作,将每种运动的特征提取后的数据标注上对应的运动编号,构建完整的数据集;
步骤三、建立基于机器学习的人类运动多分类模型,具体操作如下:
第一步、建立基于lightGBM的人类运动多分类模型的机器学习的人类运动多分类模型;
第二步、基于lightGBM的人类运动多分类模型是利用弱分类器迭代训练以得到最优模型;
步骤四、使用步骤二中标注完成的数据集训练步骤三中的基于机器学习的人类运动多分类模型,具体训练流程为:
第一步、使用步骤二建立的数据集作为训练样本,将数据集中的70%作为训练测试机,将数据集中的30%作为测试集;
第二步、训练过程使用训练集和测试集训练人类运动分类模型;
第三步、使用验证集计算得到于人类运动多分类模型的准确率;
第四步、根据准确率选择最优的人类运动分类模型;
步骤五、通过训练好的人类运动分类模型对人类运动进行识别,获得人类运动识别结果,具体识别过程为:先令人员配带智能手机,在人员进行运动时通过智能手机将手机内部的惯导数据传输给人类运动分类识别的模型安装端,然后使用基于机器学习的人类多运动分类识别模型对输入的惯导数据进行运动分类识别,最后给出运动识别结果。
实施例2
根据图2所示,本实施例提供了一种基于机器学习的人类活动分类识别系统,其特征在于:包括惯导数据采集模块、基于机器学习的人类运动分类识别模块和显示模块;
所述惯导数据采集模块通过智能手机采集人员的运动时产生的惯导数据,用于基于机器学习的人类运动分类识别系统中的输入数据;
所述基于机器学习的人类运动分类识别模块用于处理传输来的人员运动时产生的惯导数据,对人员运动进行分类识别;
所述显示模块用于将模型分类识别的结果显示出来。
该基于机器学习的人类活动分类识别方法及系统使用智能手机作为人类运动信息采集的传感器,使用极为方便,不会让普通用户感到不舒服,并且能为活动监测提供长期解决方案,且基于lightGBM的人类运动多分类模型具有训练效果好、不易过拟合还可以处理海量数据的优点,同时本发明构建了一个完成的基于机器学习的人类活动分类识别方法及系统,模型部署快,应用前景良好。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于机器学习的人类活动分类识别方法,其特征在于过程包括以下步骤:
步骤一、建立数据集,通过智能手机采集多组人员不同运动的惯导数据;
步骤二、对数据集中的惯导数据进行预处理,完成数据集标注;
步骤三、建立基于机器学习的人类运动多分类模型;
步骤四、使用步骤二中标注完成的数据集训练步骤三中的基于机器学习的人类运动多分类模型;
步骤五、通过训练好的人类运动分类模型对人类运动进行识别,获得人类运动识别结果。
2.根据权利要求1所述的一种基于机器学习的人类活动分类识别方法,其特征在于,所述步骤一中对惯导数据采集的具体操作为:先将智能手机佩戴在数据采集的人员口袋或者手中,然后实验人员做各种人类正常活动,采集实验人员运动时产生的惯导数据,日常活动包括站立、行走、躺、跑和跳的动作,其中惯导数据包括加速度数据、陀螺仪数据和磁力计数据。
3.根据权利要求1所述的一种基于机器学习的人类活动分类识别方法,其特征在于,所述步骤二的具体操作如下:
第一步、对数据中的惯导数据的预处是进行特征值提取,所述的特征提取方法包括平均值、标准偏差、中值、绝对值、最大值、最小值、信号熵、自回归系数、频率间隔的能量和频率信号峰度;
第二步、进行数据集标注工作,将每种运动的特征提取后的数据标注上对应的运动编号,构建完整的数据集。
4.根据权利要求1所述的一种基于机器学习的人类活动分类识别方法,其特征在于,所述步骤三的具体操作如下:
第一步、建立基于lightGBM的人类运动多分类模型的机器学习的人类运动多分类模型;
第二步、基于lightGBM的人类运动多分类模型是利用弱分类器迭代训练以得到最优模型。
5.根据权利要求1所述的一种基于机器学习的人类活动分类识别方法,其特征在于,所述步骤四的具体训练流程为:
第一步、使用步骤二建立的数据集作为训练样本,将数据集中的70%作为训练测试机,将数据集中的30%作为测试集;
第二步、训练过程使用训练集和测试集训练人类运动分类模型;
第三步、使用验证集计算得到于人类运动多分类模型的准确率;
第四步、根据准确率选择最优的人类运动分类模型。
6.根据权利要求1所述的一种基于机器学习的人类活动分类识别方法,其特征在于,所述步骤五中的具体识别过程为:先令人员配带智能手机,在人员进行运动时通过智能手机将手机内部的惯导数据传输给人类运动分类识别的模型安装端,然后使用基于机器学习的人类多运动分类识别模型对输入的惯导数据进行运动分类识别,最后给出运动识别结果。
7.根据权利要求1所述的一种基于机器学习的人类活动分类识别方法的识别系统,其特征在于:包括惯导数据采集模块、基于机器学习的人类运动分类识别模块和显示模块;
所述惯导数据采集模块通过智能手机采集人员的运动时产生的惯导数据,用于基于机器学习的人类运动分类识别系统中的输入数据;
所述基于机器学习的人类运动分类识别模块用于处理传输来的人员运动时产生的惯导数据,对人员运动进行分类识别;
所述显示模块用于将模型分类识别的结果显示出来。
CN202110541923.8A 2021-05-18 2021-05-18 一种基于机器学习的人类活动分类识别方法及系统 Pending CN113065612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110541923.8A CN113065612A (zh) 2021-05-18 2021-05-18 一种基于机器学习的人类活动分类识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110541923.8A CN113065612A (zh) 2021-05-18 2021-05-18 一种基于机器学习的人类活动分类识别方法及系统

Publications (1)

Publication Number Publication Date
CN113065612A true CN113065612A (zh) 2021-07-02

Family

ID=76568452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110541923.8A Pending CN113065612A (zh) 2021-05-18 2021-05-18 一种基于机器学习的人类活动分类识别方法及系统

Country Status (1)

Country Link
CN (1) CN113065612A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107837087A (zh) * 2017-12-08 2018-03-27 兰州理工大学 一种基于智能手机的人体运动状态识别方法
CN110338765A (zh) * 2019-07-18 2019-10-18 中原工学院 基于lightGBM和蜂群算法的儿童睡眠监测系统及监测方法
CN110532898A (zh) * 2019-08-09 2019-12-03 北京工业大学 一种基于智能手机多传感器融合的人体活动识别方法
CN111460978A (zh) * 2020-03-30 2020-07-28 中国科学院自动化研究所南京人工智能芯片创新研究院 一种基于动作判定传感器和深度学习技术的幼儿行为监控系统及其判定方法
CN111513723A (zh) * 2020-04-21 2020-08-11 咪咕互动娱乐有限公司 运动姿态监测方法、调整方法、装置和终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107837087A (zh) * 2017-12-08 2018-03-27 兰州理工大学 一种基于智能手机的人体运动状态识别方法
CN110338765A (zh) * 2019-07-18 2019-10-18 中原工学院 基于lightGBM和蜂群算法的儿童睡眠监测系统及监测方法
CN110532898A (zh) * 2019-08-09 2019-12-03 北京工业大学 一种基于智能手机多传感器融合的人体活动识别方法
CN111460978A (zh) * 2020-03-30 2020-07-28 中国科学院自动化研究所南京人工智能芯片创新研究院 一种基于动作判定传感器和深度学习技术的幼儿行为监控系统及其判定方法
CN111513723A (zh) * 2020-04-21 2020-08-11 咪咕互动娱乐有限公司 运动姿态监测方法、调整方法、装置和终端

Similar Documents

Publication Publication Date Title
Gupta et al. A survey on human activity recognition and classification
Benalcázar et al. Real-time hand gesture recognition using the Myo armband and muscle activity detection
Yen et al. Human daily activity recognition performed using wearable inertial sensors combined with deep learning algorithms
Wu et al. A wearable system for recognizing American sign language in real-time using IMU and surface EMG sensors
Zhu et al. Efficient human activity recognition solving the confusing activities via deep ensemble learning
Yang et al. Chinese sign language recognition based on an optimized tree-structure framework
Asim et al. Context-aware human activity recognition (CAHAR) in-the-Wild using smartphone accelerometer
Wang et al. Human activity recognition with user-free accelerometers in the sensor networks
Nandy et al. Detailed human activity recognition using wearable sensor and smartphones
Uddin et al. Random forests based recognition of human activities and postural transitions on smartphone
CN108171278B (zh) 一种基于运动训练数据的运动模式识别方法和系统
Carfi et al. Online human gesture recognition using recurrent neural networks and wearable sensors
Shin et al. Korean sign language recognition using EMG and IMU sensors based on group-dependent NN models
Al-Ghannam et al. Prayer activity monitoring and recognition using acceleration features with mobile phone
Maekawa et al. WristSense: wrist-worn sensor device with camera for daily activity recognition
Masnad et al. Human activity recognition using smartphone sensors with context filtering
CN111401435B (zh) 一种基于运动手环的人体运动模式识别方法
Dehkordi et al. Feature extraction and feature selection in smartphone-based activity recognition
Zheng et al. L-sign: Large-vocabulary sign gestures recognition system
Khatun et al. Human activity recognition using smartphone sensor based on selective classifiers
Alrazzak et al. A survey on human activity recognition using accelerometer sensor
Ji et al. Recognition of Japanese sign language by sensor-based data glove employing machine learning
Aggelides et al. A gesture recognition approach to classifying allergic rhinitis gestures using wrist-worn devices: a multidisciplinary case study
Tahir et al. Recognizing human-object interaction (HOI) using wrist-mounted inertial sensors
Vishal et al. Sign language to speech conversion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination