[發明專利]一種人類活動識別的方法

在審

• 申請號: 201710970934.1
• 申請日: 2017-10-18
• 公開（公告）號: CN107818339A
• 公開（公告）日: 2018-03-20
• 發明（設計）人: 樊永顯;呂成偉;蔡國永;張向文;張龍
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 桂林市華杰專利商標事務所有限責任公司45112
• 代理人: 劉梅芳

1.一種人類活動識別的方法，其特征在于，包括如下步驟：

1)模型定義：活動識別系統預定義活動類別，機器學習模型定義如下：

假設活動類別定義為集合A＝{a₀,···，a_c-1}，m個活動采集的等長時間窗數據集合記為{W₀，W₁,···,W_m-1}，每個時間窗數據包括k個傳感器的一段時間的測量值，m個活動對應的類別記為{y₀,y₁,···,y_m-1},y_i是A中的一個元素，找到數學模型f:W_i→A，使得f(W_i)和對應的活動類別y_i相同；

2)執行動作并記錄數據：讓佩戴傳感器的人執行2組選定的站立、坐下、躺下、步行、上樓和下樓六個人類活動動作，每一個動作執行完成與開始執行下一個動作之間間隔5秒，6個動作執行完畢為一組，然后將傳感器的數據記錄下來；

3)整理數據并上標簽：將步驟2)中記錄的傳感器的數據，按照每組數據的真實活動貼上標簽，標簽不做具體限定；

4)構造預測模型：采用AdaBoost算法和決策樹構造預測模型，給定一個訓練集樣本T＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，其中x∈χ，空間y_i是標簽集合{1,2,3,4,5,6}，N是訓練樣本的數量，初始化訓練樣本的權值分布，每一個樣本都被賦予相同的權重1/N，即如公式(1)：

D1=(w11,w12...w1i...w1N)w1i=1N;i=1,2,...,N---(1)]]>

選用決策樹作為弱分類器，對訓練樣本進行訓練，得到一個弱分類器G_m(x)，對訓練樣本訓練結束以后會得到一組預測值，也就是活動標簽，將預測到的活動標簽與給定的訓練標簽進行比對就可以計算G_m(x)在訓練樣本上的分類錯誤率e_m，如公式(2)：

em=P(Gm(xi)≠yi)=Σi=1NwmiI(Gm(xi)≠yi)---(2)]]>

由公式(2)可知，G_m(x)在訓練樣本中的錯誤率e_m就是被G_m(x)錯誤分類樣本的權值之和。

計算G_m(x)的權重系數α_m，它表示G_m(x)在最終的分類器中的重要程度，權重系數α_m表示為公式(3)：

αm=12log1-emem---(3)]]>

當e_m≤1/2時，α_m≥0，并且α_m會隨著e_m的減小而增大，給所有的訓練樣本做編號，并且記錄了被錯誤分類樣本的編號，每個樣本都有一個權值與之一一對應，更新訓練樣本的權值分布如公式(4)：

Dm+1=(wm+1,1,wm+1,2...wm+1,i...wm+1,N)wm+1,i=wmiZmexp(-αmyiGm(xi)),i=1,2,...N---(4)]]>

其中Z_m是使得D_m+1成為一個概率分布的規范化因子，它可以如公式(5)表示：

Zm=Σi=1Nwmiexp(-αmyiGm(xi))---(5)]]>

為了使被弱分類器G_m(x)錯誤分類樣本的權值增大，而被正確分類樣本的權值減小，迭代過程中，訓練樣本永遠是唯一的，始終是最初的那個訓練樣本，

根據弱分類器以及各自對應的權重因子，將它們一一對應得到公式(6)：

f(x)=Σm=1MαmGm(x)---(6)]]>

從而得到最終的模型G(x)，如公式(7)：

G(x)=sign(f(x))=sign(Σm=1MαmGm(x))---(7)]]>

5)識別：佩戴傳感器的人再次執行步驟2)中的任意一種人類活動動作，將傳感器中的數據輸入到步驟4)構造好的模型中，該模型就會輸出一個活動標簽，活動標簽所對應的人類活動即為我們的預測結果。

2.根據權利要求1所述的人類活動識別的方法，其特征在于，步驟1)中所述傳感器為陀螺儀傳感器。