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 PDFInfo
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000694 effects Effects 0.000 title claims abstract description 33
- 230000033001 locomotion Effects 0.000 claims abstract description 88
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements 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
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。
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)
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 |
-
2021
- 2021-05-18 CN CN202110541923.8A patent/CN113065612A/zh active Pending
Patent Citations (5)
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 |