目前的工作部分是基于加速度波形数据集的分析发表的包和Intille 10];今后的数据集,数据集称为我,作者给我们的被释放。加速度数据,采样在76.25赫兹,从五双轴加速度计,获得的是位于臀部,手腕,手臂,脚踝和大腿。最初的协议是基于测试20对象,请执行20日常生活活动。这些包括主要涉及使用上肢的活动(例如,刷牙,擦洗,叠衣服,吃或喝,和工作在电脑),全身活动(如拉伸、和吸尘),和活动,主要涉及下肢的使用(例如,走路,爬楼梯,跑步,和骑自行车)。此外,静态姿势被认为是(如静止,坐在和放松,躺下来放松)与准静态姿势(例如,阅读,看电视)。我数据集包括对于每个主题,加速时间序列已知的对应于一个特定的活动由他/她。我们将作为一个任何活动 原始的活动,区别于更高层次的活动,即电动机链接几个活动而导致的行为原语在某些时间顺序。加速度信号相关的高级活动不是我中可用数据集,由于研究目标 10是专门测试单分类器。

在本文中,我们选择七个活动如图 1,减少数据集,从今以后 seven-activity数据集。我们假设一系列活动原语,说,一个活动的 电动机的句子水平可以使用一阶马尔可夫链模型,组成一个有限的数量 问 的状态 年代 我 ( 问 = 7 )。每个州占一个活动原始的基本活动 电动机词水平: 年代 1 躺着,放松; 年代 2 、骑自行车; 年代 3 爬楼梯; 年代 4 行走; 年代 5 运行; 年代 6 坐在和放松; 年代 7 站着不动。一阶马尔可夫链的时间演化是由向量 π 先验概率和转移概率矩阵(TPM) 一个 ,这有助于描述人类行为在行为水平。先验概率向量 π ,大小( 1 × 问 ),由概率 π 我 每个州的 年代 我 的状态 X 在最初的时间 t 0 (1) π 我 = 公关 ( X ( t 0 ) = 年代 我 ) , 我 = 1 , … , 问 。 的元素 一个 我 j 矩阵A的大小( 问 × 问 ),是转换的状态的概率 年代 我 在时间 t n 国家 年代 j 占用时间 t n + 1 (2) 一个 我 j = 公关 ( X ( t n ) = 年代 j ∣ X ( t n - - - - - - 1 ) = 年代 我 ) , 我 , j = 1 , … , 问 。

之前和过渡概率需要创建可观测的马尔可夫模型(石)( π , 一个 )与马尔可夫链可以基于观察的经验决定一个主题的活动的行为。

为了克服我的限制数据集应用于模型时顺序数据,我们提出虚拟实验的概念。虚拟实验是一种生成模型,它允许活动连接在一起,来模拟复杂的行为主要用于算法验证和测试。模拟复杂的行为由一个主题在我们的研究中(虚拟实验)要求每个模型状态可能排放数据帧随机抽样(替换) N 框架可用于给定的主题和活动相关的原始排放状态( 18 ≤ N ≤ 58 )。从今以后,数据帧被称为滑动窗口和有限宽度不变,用于计算样本的特征向量分类算法所需的,看到的部分 2。2。对于seven-activity数据集,数据帧持续6.7秒(50%重叠)。对于每一个主题,我们执行20虚拟实验( 年代 = 20. ),每个组成的 T = 300年 数据帧。石与每个虚拟实验是建立利用TPM相关规范见表 1。

合成虚拟实验的过程以上述形式的存在意味着明确的边界数据帧关联到不同的原语,没有瞬态之间的连续数据帧可能未知的分类器。这个问题通常是由手工裁剪数据创建数据集( 10]。当然,现实生活中的数据将更为复杂和模糊,特别是对于体位不同活动之间的转换。在试图得到一个更现实的照片通过顺序分类器性能,数据帧从原始数据集不包含在减少数据集随机散布在测试的数据序列生成的石比例1:3。由此产生的垃圾由拒绝虚假数据部分中描述的方法 2。5。

我们提出虚拟实验方法是被认为是一个有用的方法初步算法验证和测试。当时,可穿戴系统ActiNav正在第一步我们实验室应用领域的行人导航和智能生物力学参数的估计;因此,它是一个受欢迎的除了我们的工具为研究人类活动的马尔可夫模型方法分类。

ActiNav围绕一个ARMadeus董事会(APF27)。它配备了一个基于arm9飞思卡尔处理器,128 MB的内存,256 MB的闪存,200 K-gates Xilinx FPGA。一个定制的印刷电路板允许武装APF27与12位逐次逼近寄存器ADC (AD7490,模拟设备,Inc .)。这个转换器操作1议员;此外,由于它具有16个模拟通道,5 triaxis ActiNav模拟加速度计和陀螺仪可以集成。主板的系统( One hundred. × 84年 × 16 毫米)和不同的传感器连接图所示 2。

本文中描述的工作,一个triaxis加速度计(ADXL325,模拟设备,Inc .)和全面±5 g (1 g = 9.81 m / s²)系7个健康受试者的右腿。每个主题二十重复执行下列任务:最初,他坐在椅子上,然后他站了起来,几秒钟的停顿后,他开始走路。每个试验持续了约15秒。传感器数据获取的采样频率250赫兹;此外,他们是手工注释在收购(监督方法)。具体来说,实验者还试图定义的时间间隔不同的活动之间的转换。选择数据帧持续250毫秒(50%重叠)。这个低数据集,从此被称为 sit-stand-walk数据集,允许我们测试提出的方法在一个真正的顺序数据集,包括姿势过渡和初期的运动情况。

加速度数据的自动分类需要预处理阶段的特征变量与高信息内容从数据帧中提取的测量通道系统提供我们有十个测量通道中 seven-activity数据集和三个测量通道 sit-stand-walk数据集。

在以前的作品[适应症报道后 10, 15),特征变量考虑摘要: (我)

直流分量。这feature-helpful歧视静态postures-is评价平均在每个数据帧原始样品。每一个特征测量通道。

申请前的分类算法,特征向量选择为了减少问题的维数,尤其是至关重要 seven-activity数据集,85特性变量计算(15 sit-stand-walk数据集)。特征选择是必需的限制导致的风险严重的过度拟合( 25]。我们使用Pudil算法a顺序forward-backward浮动搜索(SFFS-SFBS) [ 26];这个算法使用之间的欧几里得距离每一对同一个类的特征向量训练集的标准选择最丰富的特征变量。优化特性集的标准来自于一个基于交叉验证研究 k最近的邻居分类器( k神经网络)。迭代,Pudil算法修改的数量特性和重复验证过程。之后,所有功能都包括一次至少在特性集的最小尺寸的特性集最大化准则被选中。一种广泛使用的特征提取方法,即 主成分分析(PCA),也适用于特征向量( 25]。

尽管几个单分类器可以提出,我们考虑一个特定的技术单帧分类,即高斯混合模型(GMM)分类器。这种方法是由艾伦et al。 9取得非常不错的效果。特别是,作者讨论了分类器的高适应性,良好的特性分析的数据对象不包含在训练集。

当然,其他单帧分类方法人类体育活动可以选择,他们也可能超越gmm ( 27]。这里,GMM的单分类器分类器选择参考,特别是嗯的结构为其相似之处。事实上,每个状态的概率密度的排放在一个嗯可以建模为高斯混合。

GMM分类器首先执行class-conditional概率密度函数的参数估计 p ( x ∣ w 我 ) 分配特征向量的概率 x 鉴于其成员的类 w 我 。在训练阶段,class-conditional高斯混合概率估计。每一个特征向量 x 然后分类在课堂上产生的最高价值 p ( x ∣ w 我 ) 。

在建模序列一阶马尔可夫链的人类活动,我们建议前和过渡概率模型的相关经验决定通过观察行为。如果TPM和国家在当前时间是已知的,那么最可能的状态,将遵循概率确定。然而,每个活动原始只能观察到通过一组原始传感器信号(从对身体加速计测量的时间序列,在目前的情况下)。以其他的术语来说,美国是隐藏的,只有一个二级过程实际上是可观测(排放)。统计模型包括两( π , 一个 一个嗯)和发射过程。我们选择一个连续排放方法( 连续排放密度嗯,又名cHMM, ( 17])。最常见的问题建模方法连续排放参数。特别是我们考虑 我 th状态 年代 我 类,即 w 我 的混合物, 米 多元正态分布 N ( μ 我 米 , Σ 我 米 ) 分配指定的均值向量 μ 我 米 的协方差矩阵 Σ 我 米 ,矩阵 C 混合参数 c 我 米 : (3) p ( x ∣ 年代 我 ) = ∑ 米 = 1 米 c 我 米 N ( x ∣ μ 我 米 , 我 米 ) , 我 = 1 , … , 问 , 在哪里 (4) ∑ 米 = 1 米 c 我 米 = 1 , 我 = 1 , … , 问 。 混合物用于模型链中的每个国家排放的。一个很好的参考源摘要为他们的学习和测试和算法识别问题是( 17]。

我们考虑一个 问 状态的cHMM的代表人物 1为 seven-activity数据集, 问 = 7 ( sit-stand-walk数据集: 问 = 3 )。高斯cHMM训练 d 维特征空间, 问 州和 米 为每个混合组件,需要规范的以下参数: (我)

π 先验概率向量, 1 × 问 ;

这种方法的一个主要问题可能是大量的参数。处理参数识别问题的方法我们追求的是将培训阶段分为两个不同的步骤:一级监督训练阶段是紧随其后的是一个二级培训阶段,它是由运行Baum-Welch算法( 17]。不准确的初始化参数很容易导致次优的结果使用Baum-Welch算法时,由于存在许多局部极大值的优化表面( 17]。然而,训练集是标记在本文中描述的应用程序。因此,第一级监督培训成为了提出的方法实现的一个很好的初始化参数进入第二层次的训练。

为了简化评价过程,参数设置主要分为两个组,即过渡参数( π , 一个 )和发射参数( μ , Σ , C )。这种分离让我们单独训练两个参数集与大小,降低收益率减少相关的训练集的总体规模。因为活动标签从训练集的例子都假定为已知,简单计算事件发生的方法允许我们估计过渡参数( 17]。例如,概率 一个 我 j 的一个过渡 我 ——状态 j th状态估计如下: (5) 一个 ̂ 我 j = N 我 → j N , 在哪里 N 我 → j 转换的数量吗 我 th状态 j 状态的计算在训练集的大小 N 。发射参数可以通过拟合估计高斯混合分布 米 组件发出的每个状态特征向量,以类似的方式使用的过程学习GMM分类器。培训过程第二层次利用参数估计的值在第一个层面上,在培训过程中作为运行Baum-Welch算法的初始值;在当前实现中,这一步帮助精炼过渡参数的估计,人物 3。模块的伪框架拒绝,L是可能性而适当选择阈值Th。最优状态序列跟踪的cHMM估计使用一个标准的维特比译码器( 17]。

执行分析验证研究本文对GMM和cHMM-based分类器。这意味着一个分类器训练使用数据从所有科目,然后它只是测试数据排除了主题。交叉验证过程重复多次,每次扣除一个不同的主题培训。然后从不同的聚合模型结果。这种验证方法允许测试每个分类器的分类能力正确的新例子,不同于那些用于培训(泛化);好表现的泛化是必不可少的,以防止个别模型校准的必要性。

分类的策略,我们采用允许我们定义一个标准自动拒绝虚假特征向量。如果一个基于阈值检测器应用于估计class-conditional概率 p ( x ∣ w 我 ) ,可以拒绝这些特征向量的分类也被认为是不确定的;我们不是被迫引入额外的状态,或混合组件,专为未知数据。提醒,在GMM或cHMM, p ( x ∣ w 我 ) 指的概率特征向量 x 随着排放模型的状态 w 我 。对于任何一个特征向量,如果相对于每个状态的概率低于给定的阈值,特征向量本身可以标记为虚假和删除,而不影响分类器的操作。低的值 p ( x ∣ w 我 ) 未知时典型的活动是隐藏在数据提交给分类器或者当太多不确定性的影响。

的阈值优化研究specificity-sensitivity曲线(ROC曲线);平均在主题,据报道在图 4( seven-activity数据集)。阈值选择特异性时略大于敏感性。

在表 3所有测试分类器,分类精度,平均,据报道。估计TPM是几乎相同的表中指定的TPM 1定义虚拟实验。至于拒绝虚假数据的算法,阈值是固定的,实现敏感性(Se = 86.1%)和特异性(Sp = 86.7%)。分类精度存在虚假数据和后自动拒绝了GMM或cHMM。混淆矩阵得到嗯(1 + 2级)分类后的数据拒绝刊登在表中 5结果所有受试者都聚合。

由于一些未知的原因,我们观察到三个学科的特点是异常低的分类精度值。表 6当这些对象并不认为显示了结果。

分类精度的结果被发表在表 4而混淆矩阵对HMM分类器后,拒绝虚假数据报告在表 7。现在假拒绝算法应用于标记数据可靠性较低的分类。更多的标记数据接近活动转换发生,人物 6。最后,图 5描述了虚假的数据拒绝机制的作用更多的细节。上面的图显示了一个典型的例子,一个坏行为的维特比译码器接近 坐- - - - - - - - - 站过渡时拒绝机制是关闭的。 坐- - - - - - - - - 站过渡是立即紧随其后 站- - - - - - - - - 走过渡,这是错误的。现在,鉴于cHMM走出训练左右结构,飞回 站一旦进入系统 走是被禁止的。低图所示,当系统决定不确定的数据帧的不确定的起源,维特比译码器的作用可能更正确。这一次,的确, 坐- - - - - - - - - 站过渡是正确的观察,系统准备承认 站- - - - - - - - - 走非常接近实际发生。