MISYgydF4y2Ba 移动信息系统gydF4y2Ba 1875 - 905 xgydF4y2Ba 1574 - 017 xgydF4y2Ba Hindawi出版公司gydF4y2Ba 10.1155 / 2016/1784101gydF4y2Ba 1784101gydF4y2Ba 研究文章gydF4y2Ba 分析音频特征开发人类活动使用遗传算法识别模型,随机森林,和神经网络gydF4y2Ba http://orcid.org/0000 - 0002 - 7635 - 4687gydF4y2Ba Galvan-TejadagydF4y2Ba 卡洛斯·E。gydF4y2Ba 1gydF4y2Ba Galvan-TejadagydF4y2Ba 豪尔赫。gydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0001 - 6847 - 3777gydF4y2Ba Celaya-PadillagydF4y2Ba Jose M。gydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0002 - 7576 - 0536gydF4y2Ba Delgado-ContrerasgydF4y2Ba j·鲁本gydF4y2Ba 2gydF4y2Ba Magallanes-QuintanargydF4y2Ba 拉斐尔gydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0003 - 1478 - 9068gydF4y2Ba Martinez-FierrogydF4y2Ba 玛格丽塔L。gydF4y2Ba 3gydF4y2Ba Garza-VelozgydF4y2Ba IdaliagydF4y2Ba 3gydF4y2Ba Lopez-HernandezgydF4y2Ba YamilegydF4y2Ba 3gydF4y2Ba Gamboa-RosalesgydF4y2Ba HamurabigydF4y2Ba 1gydF4y2Ba RibonigydF4y2Ba 达尼埃莱gydF4y2Ba 1gydF4y2Ba 失去Academica de Ingenieria电气。工业gydF4y2Ba 萨卡特卡斯大学gydF4y2Ba 查顿华雷斯147先涛公司gydF4y2Ba 98000年萨卡特卡斯gydF4y2Ba 扎克gydF4y2Ba 墨西哥gydF4y2Ba uaz.edu.mxgydF4y2Ba 2gydF4y2Ba 西班牙著名高级萨卡特卡斯苏尔gydF4y2Ba Av。100年学府gydF4y2Ba 拉斯维加斯盛田昭夫gydF4y2Ba 99700年TlaltenangogydF4y2Ba 扎克gydF4y2Ba 墨西哥gydF4y2Ba 3gydF4y2Ba 失去Academica药物胡玛纳y Ciencias de la祝您健康gydF4y2Ba 萨卡特卡斯大学gydF4y2Ba 查顿华雷斯147先涛公司gydF4y2Ba 98000年萨卡特卡斯gydF4y2Ba 扎克gydF4y2Ba 墨西哥gydF4y2Ba uaz.edu.mxgydF4y2Ba 2016年gydF4y2Ba 23gydF4y2Ba 11gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 01gydF4y2Ba 06gydF4y2Ba 2016年gydF4y2Ba 31日gydF4y2Ba 08年gydF4y2Ba 2016年gydF4y2Ba 29日gydF4y2Ba 09年gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 版权©2016年卡洛斯大肠Galvan-Tejada et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

这项工作提出了一种基于音频的人类活动识别(HAR)模型的特性。声音的使用作为一个信息源HAR模型代表一个挑战,因为声波分析生成大量数据。然而,特征选择技术可以减少所需的数据量来表示一个音频信号样本。一些音频特性,分析了包括Mel-frequency cepstral系数(MFCC)。虽然在声音和MFCC常用仪器识别,其效用在哈尔模式尚未得到证实,这验证了他们的应用。此外,统计特征提取的音频样本生成提出了哈尔模型。信息的大小必须符合HAR模型直接影响模型的准确性。这个问题也被解决在目前的工作;我们的结果表明,我们能够认识到人类活动的准确性达85%使用HAR模型。这意味着需要计算成本最低,从而使便携式设备使用音频识别人类活动作为一个信息来源。gydF4y2Ba

 1。介绍gydF4y2Ba

认识活动的能力目前由自己或别人固有的行为是一个智能系统,为什么人类活动识别(HAR)是目前相关研究课题(gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba]。有一个广泛的领域中,哈尔可以应用,如自动警戒、老年保健、娱乐和住宅活动支持(gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 11gydF4y2Ba]。gydF4y2Ba

哈尔是主成分,让人们认识到一个高水平的人类行为,因此确认例程和社会互动。结果是,建议使用不同的技术和信息来源之前出版。此外,努力也针对不同的知名技术融合和信息来源,以提高系统的精度和覆盖率。提出了一些分析。gydF4y2Ba

摩尔et al。gydF4y2Ba 12gydF4y2Ba名为]提供了一个框架gydF4y2Ba objectspacegydF4y2Ba使用熟悉的面向对象结构类和继承管理对象上下文和允许的分类活动。在说工作表明作者熟悉的和以前看不见的对象可以使用动作识别和上下文信息。然而,有一些限制在这个提议。例如,动作与对象可以减少活动协会认可,即使行动的好域名,因为有时候人们使用不同寻常的对象执行活动。此外,视频是一个复杂的信号,需要摄像机部署环境中,因此需要两个信息来源。gydF4y2Ba

越来越多的便携式设备包含多个传感器,所有记录来自不同数据源的信息的能力。这些设备已经使用在几个分析认识到人类活动。莱斯特的一个et al。gydF4y2Ba 13gydF4y2Ba)提出了从不同来源收集的数据使用一个设备和一个修改版的使用自适应增强算法(演)的特征选择。类似的工作提出了使用隐马尔科夫模型(HMM)分类某些活动(gydF4y2Ba 14gydF4y2Ba]。gydF4y2Ba

其他方法都是基于社会心理学的方法论和理论,采集音频数据,可以标记为重要的社会互动谓词(ESIP)。莱斯特提出的一个相关的例子,这种技术et al。gydF4y2Ba 13gydF4y2Ba),他建立了一个模型命名区别的条件限制了玻耳兹曼机(DCRBM),该模型结合了歧视的方法和条件限制的功能玻耳兹曼机(CRBM)。可操作的组件的模型允许发现从DCRBM ESIP训练模型,并使用它来生成底层数据对应ESIP与高度的准确性。gydF4y2Ba

二进制轮廓也被用来代表不同的人类活动。Uddin等人提出了一种基于广义判别分析的系统增强的独立组件,从二进制轮廓信息获取的特性与隐马尔可夫模型用于训练和识别(gydF4y2Ba 15gydF4y2Ba]。同样,主成分分析(PCA) (gydF4y2Ba 16gydF4y2Ba- - - - - -gydF4y2Ba 18gydF4y2Ba)和独立分量分析(ICA) [gydF4y2Ba 19gydF4y2Ba也被用于此目的。gydF4y2Ba

特征提取的过程是用来表示一个信号使用几个派生值或特征信息和nonredundant。这个过程很容易导致非常大的特性,描述一个信号。然而,并不是所有的提取功能将是有用的(即在辨别不同类型的信号。代表不同的活动),信号,特征选择的原因也是必要的。为了确定哪一组特性准确分类不同的活动,特征选择的分析,包括使用遗传算法,提出了选择和反向消除步骤,和一个随机森林(RF)和神经网络(NN)算法实现。gydF4y2Ba

短暂,我们试图确定一组小的特性,可以准确地分类八个不同的活动只使用特性来源于录音。此外,这样一个模型的准确性比较对模型没有大小限制,对模型使用不同的先进的方法获得的。gydF4y2Ba

 2。材料和方法gydF4y2Ba

三个主要任务进行生成HAR模型:音频采集、特征提取和特征选择。特征提取和选择进行了使用R (gydF4y2Ba https://www.r-project.org/gydF4y2Ba)。gydF4y2Ba

2.1。数据描述gydF4y2Ba

数据集由七个活动,另外一组没有活动噪音,一般表现在住宅设置:即酿造咖啡,烹饪,使用微波炉,洗澡,洗菜,洗手,刷牙,没有活动的声音。我们从活动生成个人声音收集信息。表gydF4y2Ba 1gydF4y2Ba显示了类型和一个简短的描述。值得一提的是,四个活动在自来水类似的背景声音,增加了哈尔的复杂性问题。所有录音都通过AmiDaMi研究小组页面可用gydF4y2Ba http://ingsoftware.reduaz.mx/amidami/gydF4y2Ba。gydF4y2Ba

活动的一般描述。gydF4y2Ba

活动gydF4y2Ba 描述gydF4y2Ba
煮咖啡gydF4y2Ba 酿造咖啡炉用咖啡壶和咖啡机gydF4y2Ba
烹饪gydF4y2Ba 烹饪炉肉和炒蛋gydF4y2Ba
使用微波炉gydF4y2Ba 使用几个微波炉加热水和饭gydF4y2Ba
洗澡gydF4y2Ba 在不同环境中洗澡;在某些情况下,水会被打断的间隔gydF4y2Ba
洗菜gydF4y2Ba 菜被单独手洗或组不同的菜肴;水在背景噪音gydF4y2Ba
洗手gydF4y2Ba 用肥皂洗手gydF4y2Ba
刷牙gydF4y2Ba 音频剪辑从打开水龙头,关闭它gydF4y2Ba
没有活动gydF4y2Ba 没有活动音频片段主要噪声添加的设备用于记录gydF4y2Ba
2.1.1。录音设备gydF4y2Ba

设备用于记录所有的音频剪辑都选择了从麦克风嵌入在这些不同规格。在表gydF4y2Ba 2gydF4y2Ba显示系统芯片(SoC)和操作系统的选择手机,知道所涉及的硬件和软件内部的音频录制和预处理过程。gydF4y2Ba

选择手机系统芯片和操作系统。gydF4y2Ba

智能手机gydF4y2Ba 系统芯片(SoC)gydF4y2Ba 操作系统gydF4y2Ba
Lanix髂骨s600gydF4y2Ba 高通Snapdragon 210 MSM8909gydF4y2Ba Android 5.1gydF4y2Ba
LG G Pro LitegydF4y2Ba 联发科MT6577gydF4y2Ba Android 4.1.2gydF4y2Ba
iPhone 4gydF4y2Ba 苹果A4 APL0398gydF4y2Ba iOS 4gydF4y2Ba
iPhone 3 gsgydF4y2Ba 三星S5PC100gydF4y2Ba iOS 3gydF4y2Ba
HTC M7之一gydF4y2Ba 高通Snapdragon 600 APQ8064TgydF4y2Ba Android 4.1.2gydF4y2Ba
2.1.2。空间环境gydF4y2Ba

为了掩护大γ的声音,都记录在不同的房子意味着不同的空间环境中,音频反射和背景声音。另外不同的家庭设施意味着不同的厨具,家用电器,自来水反射。手机附近,正在执行的活动。其中一个例子,如图gydF4y2Ba 1gydF4y2Ba,决心为了记录声音尽可能明确。gydF4y2Ba

典型的移动电话和活动之间的距离。gydF4y2Ba

 2.1.3。元数据gydF4y2Ba

音频剪辑与采样率8000赫兹到44100赫兹和单声道和立体声录音完成取决于设备用于记录音频剪辑。采样率的范围保证大多数手机都能够被包括,允许为未来扩展的数据库。在表gydF4y2Ba 3gydF4y2Ba摘要显示为每个活动执行在这个数据集的元数据。gydF4y2Ba

音频片段元数据/活动。gydF4y2Ba

活动gydF4y2Ba 采样率gydF4y2Ba 编码格式gydF4y2Ba 渠道gydF4y2Ba
煮咖啡gydF4y2Ba 8000 Hz - 44100赫兹gydF4y2Ba m4a格式,amrgydF4y2Ba 立体声,MonogydF4y2Ba
烹饪gydF4y2Ba 44100赫兹gydF4y2Ba m4a格式gydF4y2Ba 立体声gydF4y2Ba
使用微波炉gydF4y2Ba 44100赫兹gydF4y2Ba m4a格式gydF4y2Ba 立体声gydF4y2Ba
洗澡gydF4y2Ba 44100赫兹gydF4y2Ba m4a格式、mp3gydF4y2Ba 立体声gydF4y2Ba
洗菜gydF4y2Ba 44100赫兹gydF4y2Ba m4a格式gydF4y2Ba 立体声gydF4y2Ba
洗手gydF4y2Ba 8000 Hz - 44100赫兹gydF4y2Ba m4a格式,amrgydF4y2Ba 立体声,MonogydF4y2Ba
刷牙gydF4y2Ba 44100赫兹gydF4y2Ba m4a格式gydF4y2Ba 立体声gydF4y2Ba
没有活动gydF4y2Ba 8000 Hz - 44100赫兹gydF4y2Ba m4a格式,amrgydF4y2Ba 立体声,MonogydF4y2Ba
2.1.4。数据准备gydF4y2Ba

在这个工作中,所有音频样本没有其他比修剪样品预处理在十秒片段,没有其他音频处理为了简化执行任何设备的实现。gydF4y2Ba

 2.2。特征提取gydF4y2Ba

为了获得信息,有可能区分哪个活动被执行,一些特性提取音频剪辑。所示(gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba),10秒音频片段似乎适合这项任务。然而,一些活动持续了超过十秒钟,收益率超过需要记录样本。这样的录音被修剪到尽可能多的十秒音频剪辑。避免单声道和立体声唱片之间的问题,只有后者的信息从左边通道的使用记录。每10秒片段被转换成一个整数数组,其中每个整数的大小代表声波在那一瞬间的时间。即使所有剪辑有同样的时间,数组的长度代表他们变化从80000年到441000年根据样本采样率的原始记录。gydF4y2Ba

特性,统计描述声波以前被发现是重要的解决类似的问题(gydF4y2Ba 22gydF4y2Ba]。因此,下面的列表中列出的16个统计特征提取从每个样本。Mascia等人表明Mel-frequency cepstral系数(MFCC) [gydF4y2Ba 23gydF4y2Ba)可以用来识别声学环境声音的描述符(gydF4y2Ba 24gydF4y2Ba),因此也从音频中提取样本。为此,每10秒的音频剪辑分成十秒的音频剪辑,从这12 cepstral系数计算,导致120 MFCC /样品。为了避免生成的矩阵中提取MFCC的向量化过程展示了由Mascia et al。gydF4y2Ba 24gydF4y2Ba]。gydF4y2Ba

从每个样本统计特征提取gydF4y2Ba

峰态概率分布的整数数组,gydF4y2Ba

偏态概率分布的整数数组,gydF4y2Ba

整数的数组,gydF4y2Ba

中位数的整数数组,gydF4y2Ba

标准偏差的整数数组,gydF4y2Ba

方差的整数数组,gydF4y2Ba

概率分布的变异系数(CV)的整数数组gydF4y2Ba

逆的简历,gydF4y2Ba

1日5日,25日,五十,75,95,和99百分位的概率分布的整数数组,gydF4y2Ba

意思是整数数组的底层和顶层削减5%后的元素。gydF4y2Ba

为了避免任何outlier-related问题,特征是rank-normalized中描述(gydF4y2Ba 1gydF4y2Ba),gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 是gydF4y2Ba 我gydF4y2Ba th的价值功能gydF4y2Ba xgydF4y2Ba 和gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba 是gydF4y2Ba 我gydF4y2Ba th rank-normalized功能的价值gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 。因此,所有功能介于0和1之间,数组的每个元素之间的等距的步骤:gydF4y2Ba (1)gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ′gydF4y2Ba =gydF4y2Ba tgydF4y2Ba rgydF4y2Ba ugydF4y2Ba ngydF4y2Ba cgydF4y2Ba 排名gydF4y2Ba ⁡gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba lgydF4y2Ba egydF4y2Ba ngydF4y2Ba ggydF4y2Ba tgydF4y2Ba hgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba

2.3。特征选择gydF4y2Ba

在特征选择过程的第一步,一个叫Galgo遗传算法(gydF4y2Ba 25gydF4y2Ba)数据库的大小减少了确定哪些有用的特性有更多的机会。为此,一组随机five-feature模型在200代进化,在突变模型,复制和重组,最终产生一个高度精确的模型。健康定义为模型分类的准确性八之前定义的活动使用nearest-centroid方法和后三倍train-test方法。整个过程重复了300次,导致300高精度five-feature模型。每个特性的次数被发现在这些模型被用来确定一个特性,它描述了每个特性的潜在分类功能。gydF4y2Ba

在此基础上,提出选择和向后进行消除,定义特征被用于特征选择过程的下一阶段。提出选择是一个众所周知的方法用于构建模型在低计算成本。从列表中排名功能,这种方法添加一个特性和评估模型的性能。一旦最后一个特性是添加和所有功能是评估模型,从模型的特性,实现最高精度,剩下的被忽视。向后消除被执行以避免冗余信息和进一步减少特征。这个过程是在一次移除一个特性和评估模型的性能,从远期的最终模型选择过程和删除第一个最频繁的特性在300 Galgo-generated模型。如果消除功能不降低模型的准确性,然后这种特性被撤的最终模型。重复此过程,直到模型稳定。准确性提出选择和反向淘汰过程测量后三倍train-test方法,使用相同的折叠的用于遗传算法。gydF4y2Ba

选择的功能落后淘汰算法被用于生成两个哈尔模型,通过随机森林(RF)实现(gydF4y2Ba 26gydF4y2Ba),另一个通过神经网络(NN)。射频是一个健壮的机器学习技术,可以根据装袋处理分类问题和随机特征选择(gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba]。此外,它允许误差的计算模型生成过程中无需将数据分为训练集和测试集。该算法使用一种out-of-bag (OOB)错误,真正的预测误差的无偏估计,在这森林是建立;每棵树可以测试样品中未使用建筑,树。Breiman [gydF4y2Ba 29日gydF4y2Ba]表明,估计OOB错误有相同的结果估计错误使用相同大小的测试集作为训练集,得到神经网络模型使用70%的数据训练模型和测试它。该算法进行了分析,因为它可以很容易地实现一个手机,给提议的HAR解决方案无处不在。这些模型比较的RF -和一个NN-based模型包括所有原始功能,射频和一个NN-based模型,包括所有MFCC特征,但没有统计特性,开发的模型和Kabir et al。gydF4y2Ba 30.gydF4y2Ba)是评估在三个不同的设置。gydF4y2Ba

 3所示。结果gydF4y2Ba

音频采集了64录音和1159年十秒的音频剪辑。表gydF4y2Ba 4gydF4y2Ba详细记录和音频剪辑的数量为每个活动获得。自120年每个音频剪辑有16个统计和MFCC特征提取,最后数据库有一个大小为1159×136的元素。gydF4y2Ba

每个活动实例。gydF4y2Ba

活动gydF4y2Ba 录音gydF4y2Ba 十秒音频剪辑gydF4y2Ba
煮咖啡gydF4y2Ba 9gydF4y2Ba 245年gydF4y2Ba
烹饪gydF4y2Ba 6gydF4y2Ba 132年gydF4y2Ba
使用微波炉gydF4y2Ba 3gydF4y2Ba 42gydF4y2Ba
没有活动gydF4y2Ba 5gydF4y2Ba 16gydF4y2Ba
洗澡gydF4y2Ba 11gydF4y2Ba 428年gydF4y2Ba
洗碗gydF4y2Ba 6gydF4y2Ba 134年gydF4y2Ba
洗手gydF4y2Ba 15gydF4y2Ba 70年gydF4y2Ba
刷牙gydF4y2Ba 9gydF4y2Ba 92年gydF4y2Ba
没有活动gydF4y2Ba 5gydF4y2Ba 16gydF4y2Ba

图gydF4y2Ba 2gydF4y2Ba显示了每一个在200代300 Galgo-generated模型的进化,产生平均精度为0.68。它还可以看到模型实现了稳定;也就是说,不需要有更多的后代。同样,图gydF4y2Ba 3gydF4y2Ba显示的频率特性出现在300年模型稳定,至少在30个最频繁的特性。这意味着即使更多模型生成,最常见的秩特征不会改变了。gydF4y2Ba

Galgo-generated进化模型。gydF4y2Ba

进化等级的最常见的功能。gydF4y2Ba

远期选拔程序选择了35个最频繁的特性,和落后的消除策略删除25。这导致只有9特性与潜在分类力量:修剪均值,标准差,第95百分位,6 MFCC。这些特性,其热度图如图gydF4y2Ba 4gydF4y2Ba,被用来生成一个射频和NN-based HAR模型。NN-based HAR模型的权重调整在100年迭代和RF-based HAR模型调整使用5000棵树。gydF4y2Ba

热点图9的特性与潜在分类功能。gydF4y2Ba

表gydF4y2Ba 5gydF4y2Ba显示了分类精度通过每个模型。它可以指出,通过添加更多的功能RF-based HAR模型精度增加。即所有功能的模型精度最高,其次是与所有MFCC特征模型,然后通过模型9特性。相反,NN-based HAR模型降低了它的准确性包括当更多的特性,有其最佳性能时只有9选择特性。尽管如此,两个9特性提出的模型能够比模型Kabir et al .混淆矩阵,描述每个模型分类每个样本如表所示gydF4y2Ba 6gydF4y2Ba,gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba,gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 10gydF4y2Ba,gydF4y2Ba 11gydF4y2Ba。此外,表gydF4y2Ba 5gydF4y2Ba表明,独立于场景中,模型基于射频方法胜过所有其他的场景,包括卡比尔等人的。gydF4y2Ba

对每个模型的评价。gydF4y2Ba

哈尔模型gydF4y2Ba 精度gydF4y2Ba 数量的样品gydF4y2Ba 活动的数量gydF4y2Ba
射频与9特性gydF4y2Ba 0.814gydF4y2Ba 1191年gydF4y2Ba 8gydF4y2Ba
神经网络与9特性gydF4y2Ba 0.777gydF4y2Ba 319年gydF4y2Ba 8gydF4y2Ba
射频与所有功能gydF4y2Ba 0.856gydF4y2Ba 1191年gydF4y2Ba 8gydF4y2Ba
神经网络与所有功能gydF4y2Ba 0.646gydF4y2Ba 319年gydF4y2Ba 8gydF4y2Ba
射频与所有MFCC特征gydF4y2Ba 0.842gydF4y2Ba 1191年gydF4y2Ba 8gydF4y2Ba
神经网络与所有MFCC特征gydF4y2Ba 0.110gydF4y2Ba 319年gydF4y2Ba 8gydF4y2Ba
卡比尔等人的场景gydF4y2Ba 0.748gydF4y2Ba 1000年gydF4y2Ba 10gydF4y2Ba
卡比尔等人情形BgydF4y2Ba 0.748gydF4y2Ba 1300年gydF4y2Ba 13gydF4y2Ba
卡比尔等人情形CgydF4y2Ba 0.733gydF4y2Ba 1600年gydF4y2Ba 16gydF4y2Ba

混淆矩阵RF-based HAR模型9特性。gydF4y2Ba

煮咖啡gydF4y2Ba 烹饪gydF4y2Ba 使用微波炉gydF4y2Ba 没有活动gydF4y2Ba 洗个澡gydF4y2Ba 洗菜gydF4y2Ba 洗手gydF4y2Ba 刷牙gydF4y2Ba II型错误gydF4y2Ba
煮咖啡gydF4y2Ba 218年gydF4y2Ba 12gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba 0.110gydF4y2Ba
烹饪gydF4y2Ba 44gydF4y2Ba 74年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0.439gydF4y2Ba
使用微波炉gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 34gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0.190gydF4y2Ba
洗个澡gydF4y2Ba 6gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 399年gydF4y2Ba 9gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0.068gydF4y2Ba
洗菜gydF4y2Ba 3gydF4y2Ba 7gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 15gydF4y2Ba 99年gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 0.261gydF4y2Ba
洗手gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 4gydF4y2Ba 56gydF4y2Ba 3gydF4y2Ba 0.200gydF4y2Ba
刷牙gydF4y2Ba 12gydF4y2Ba 8gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 17gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 78年gydF4y2Ba 0.371gydF4y2Ba
没有活动gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 11gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 0.313gydF4y2Ba
第一类误差gydF4y2Ba 0.253gydF4y2Ba 0.302gydF4y2Ba 0.000gydF4y2Ba 0.154gydF4y2Ba 0.105gydF4y2Ba 0.233gydF4y2Ba 0.051gydF4y2Ba 0.304gydF4y2Ba

混淆矩阵NN-based HAR模型9特性。gydF4y2Ba

煮咖啡gydF4y2Ba 烹饪gydF4y2Ba 使用微波炉gydF4y2Ba 没有活动gydF4y2Ba 洗个澡gydF4y2Ba 洗菜gydF4y2Ba 洗手gydF4y2Ba 刷牙gydF4y2Ba II型错误gydF4y2Ba
煮咖啡gydF4y2Ba 45gydF4y2Ba 10gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 3gydF4y2Ba 0.297gydF4y2Ba
烹饪gydF4y2Ba 9gydF4y2Ba 22gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0.389gydF4y2Ba
使用微波炉gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0.231gydF4y2Ba
洗个澡gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 119年gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 0.112gydF4y2Ba
洗菜gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 3gydF4y2Ba 24gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0.226gydF4y2Ba
洗手gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 12gydF4y2Ba 2gydF4y2Ba 0.200gydF4y2Ba
刷牙gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 13gydF4y2Ba 0.316gydF4y2Ba
没有活动gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0.571gydF4y2Ba
第一类误差gydF4y2Ba 0.250gydF4y2Ba 0.371gydF4y2Ba 0.231gydF4y2Ba 0.000gydF4y2Ba 0.085gydF4y2Ba 0.351gydF4y2Ba 0.250gydF4y2Ba 0.480gydF4y2Ba

混淆矩阵RF-based HAR模型的所有特性。gydF4y2Ba

煮咖啡gydF4y2Ba 烹饪gydF4y2Ba 使用微波炉gydF4y2Ba 没有活动gydF4y2Ba 洗个澡gydF4y2Ba 洗菜gydF4y2Ba 洗手gydF4y2Ba 刷牙gydF4y2Ba II型错误gydF4y2Ba
煮咖啡gydF4y2Ba 232年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 0.053gydF4y2Ba
烹饪gydF4y2Ba 50gydF4y2Ba 77年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0.417gydF4y2Ba
使用微波炉gydF4y2Ba 9gydF4y2Ba 0gydF4y2Ba 33gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0.214gydF4y2Ba
洗个澡gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 399年gydF4y2Ba 9gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0.068gydF4y2Ba
洗菜gydF4y2Ba 4gydF4y2Ba 7gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 11gydF4y2Ba 106年gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba 0.209gydF4y2Ba
洗手gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 3gydF4y2Ba 3gydF4y2Ba 60gydF4y2Ba 3gydF4y2Ba 0.143gydF4y2Ba
刷牙gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 15gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 99年gydF4y2Ba 0.202gydF4y2Ba
没有活动gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 13gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 0.188gydF4y2Ba
第一类误差gydF4y2Ba 0.237gydF4y2Ba 0.181gydF4y2Ba 0.000gydF4y2Ba 0.188gydF4y2Ba 0.079gydF4y2Ba 0.159gydF4y2Ba 0.077gydF4y2Ba 0.175gydF4y2Ba

混淆矩阵NN-based HAR模型的所有特性。gydF4y2Ba

⁢gydF4y2Ba 煮咖啡gydF4y2Ba 烹饪gydF4y2Ba 使用微波炉gydF4y2Ba 没有活动gydF4y2Ba 洗个澡gydF4y2Ba 洗菜gydF4y2Ba 洗手gydF4y2Ba 刷牙gydF4y2Ba II型错误gydF4y2Ba
煮咖啡gydF4y2Ba 47gydF4y2Ba 10gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0.266gydF4y2Ba
烹饪gydF4y2Ba 5gydF4y2Ba 13gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 0.649gydF4y2Ba
使用微波炉gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 6gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0.647gydF4y2Ba
洗个澡gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 92年gydF4y2Ba 6gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0.115gydF4y2Ba
洗菜gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 20.gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 0.412gydF4y2Ba
洗手gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 11gydF4y2Ba 0gydF4y2Ba 0.450gydF4y2Ba
刷牙gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 16gydF4y2Ba 0.500gydF4y2Ba
没有活动gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0.909gydF4y2Ba
第一类误差gydF4y2Ba 0.217gydF4y2Ba 0.629gydF4y2Ba 0.538gydF4y2Ba 0.667gydF4y2Ba 0.292gydF4y2Ba 0.459gydF4y2Ba 0.313gydF4y2Ba 0.360gydF4y2Ba

混淆矩阵RF-based HAR模型的MFCC特征。gydF4y2Ba

⁢gydF4y2Ba 煮咖啡gydF4y2Ba 烹饪gydF4y2Ba 使用微波炉gydF4y2Ba 没有活动gydF4y2Ba 洗个澡gydF4y2Ba 洗菜gydF4y2Ba 洗手gydF4y2Ba 刷牙gydF4y2Ba II型错误gydF4y2Ba
煮咖啡gydF4y2Ba 232年gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 0.053gydF4y2Ba
烹饪gydF4y2Ba 50gydF4y2Ba 76年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 6gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0.424gydF4y2Ba
使用微波炉gydF4y2Ba 9gydF4y2Ba 0gydF4y2Ba 33gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0.214gydF4y2Ba
洗个澡gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 398年gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 9gydF4y2Ba 0.070gydF4y2Ba
洗菜gydF4y2Ba 8gydF4y2Ba 7gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 14gydF4y2Ba One hundred.gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 0.254gydF4y2Ba
洗手gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 60gydF4y2Ba 5gydF4y2Ba 0.143gydF4y2Ba
刷牙gydF4y2Ba 8gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 11gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 94年gydF4y2Ba 0.242gydF4y2Ba
没有活动gydF4y2Ba 4gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 0.375gydF4y2Ba
第一类误差gydF4y2Ba 0.275gydF4y2Ba 0.165gydF4y2Ba 0.057gydF4y2Ba 0.000gydF4y2Ba 0.077gydF4y2Ba 0.187gydF4y2Ba 0.077gydF4y2Ba 0.190gydF4y2Ba

混淆矩阵NN-based HAR模型的MFCC特征。gydF4y2Ba

煮咖啡gydF4y2Ba 烹饪gydF4y2Ba 使用微波炉gydF4y2Ba 没有活动gydF4y2Ba 洗个澡gydF4y2Ba 洗菜gydF4y2Ba 洗手gydF4y2Ba 刷牙gydF4y2Ba II型错误gydF4y2Ba
煮咖啡gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
烹饪gydF4y2Ba 60gydF4y2Ba 35gydF4y2Ba 13gydF4y2Ba 3gydF4y2Ba 130年gydF4y2Ba 37gydF4y2Ba 16gydF4y2Ba 25gydF4y2Ba 0.890gydF4y2Ba
使用微波炉gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
没有活动gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
洗个澡gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
洗菜gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
洗手gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
刷牙gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
没有活动gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba NAgydF4y2Ba
第一类误差gydF4y2Ba 1.000gydF4y2Ba 0.000gydF4y2Ba 1.000gydF4y2Ba 1.000gydF4y2Ba 1.000gydF4y2Ba 1.000gydF4y2Ba 1.000gydF4y2Ba 1.000gydF4y2Ba
4所示。讨论和结论gydF4y2Ba

本研究的重点是寻找特征描述高效音频信号的行为,代表活动由人类为了发展一个哈尔模型使用著名的机器学习技术,可用于低功耗和移动设备,提供上下文信息。中给出的结果,部分gydF4y2Ba 3gydF4y2Ba,允许我们确定以下几方面回答问题提出部分gydF4y2Ba 1gydF4y2Ba:gydF4y2Ba

Mel-Frequency Cepstral系数描述更好的音频信号的行为gydF4y2Ba:我们确定了MFCC描述准确的行为一个音频信号用于生成一个哈尔模型。即使在特征选择过程,该模型由9特性,其中6 MFCC描述符。gydF4y2Ba

统计特性描述音频信号是很重要的gydF4y2Ba:我们建议使用信号时间演化和第一和第二的统计特征提取,可以计算在低计算成本。这意味着可用于低计算处理器,随着新的便携式嵌入式系统(即。,Arduino and Galileo among others) or low-cost smart phones and in high-end smart phones at low battery cost. In results section we can see that even though several feature selection procedures were carried on, three of them survived until the final features set, meaning that can be used to HAR at low computational cost.

选择音频信号的特征可以描述行为失去一些健身比一起的所有特性gydF4y2Ba:特征选择的目的是减少计算成本和最大化健身;然而,所选特征无法描述的行为时使用所有功能。然而,我们考虑到减少的功能需要从信号中提取更重要的是,允许无处不在在未来的工作,考虑到降低计算成本和降低电池消耗处理音频信号。gydF4y2Ba

本研究提出的最强点之一是使用随机森林的人类活动识别目标准实体移动应用程序。提出的方法构建一个随机森林分类说;这个过程是一致的和适应稀疏;其收敛速度只取决于许多强大的功能,而不是有多少存在噪声变量(gydF4y2Ba 31日gydF4y2Ba];分类方法的复杂性gydF4y2Ba ≈gydF4y2Ba OgydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba ngydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba ngydF4y2Ba ,在那里gydF4y2Ba 米gydF4y2Ba 特征的数量,gydF4y2Ba ngydF4y2Ba 实例的数量,gydF4y2Ba 米gydF4y2Ba 树的数量。然而,一旦模型训练和雅致,模型可以被转移到移动应用程序;表示应用程序只能使用随机森林结构和价值观,它不需要重新培训模型在移动设备避免说计算的复杂性。gydF4y2Ba

另外我们发现特定行为的神经网络(NN)只用于描述MFCC音频信号;在这种情况下一个单隐层神经网络不能调整权重有效地引导我们miss-classification最差情况下,这种由MFCC百分等级标准化后往往低标准偏差意味着高相似性会overfit神经网络;然而,使用MFCC结合选定的统计特性产生一个有效的模型。这些观点让我们得出结论,最好的结果是获得使用一个聪明的选择统计和MFCC特征。gydF4y2Ba

 未来的工作gydF4y2Ba

作为未来的工作的一部分,我们建议增加更多的活动,通常表现在住宅;此外我们建议添加更多特性提取和切肉刀特征选择进一步减少所需的数据量。提出了未来的工作如下:gydF4y2Ba

在住宅研究其他人类活动gydF4y2Ba

使用不同的特性和高效的计算成本gydF4y2Ba

预测模型的实现在移动应用程序中,现实世界中部署gydF4y2Ba

实现其他特征选择技术进行比较和获得描述性特性gydF4y2Ba

也比较获得的模型与第二组模型获得使用集群化技术来评估可以提供更好的结果在移动应用程序中实现。模型建立和优化后,我们计划为手机实现在应用程序的方法。同样,它的目标是检查这些应用程序是否可以有一个有益的使用在日常生活的各个领域,从个人安全医疗应用程序。gydF4y2Ba

 相互竞争的利益gydF4y2Ba

作者宣称没有利益冲突有关出版的手稿。gydF4y2Ba

 奥利弗gydF4y2Ba N。gydF4y2Ba 霍维茨gydF4y2Ba E。gydF4y2Ba GarggydF4y2Ba 一个。gydF4y2Ba 人类活动识别分层表示gydF4y2Ba 学报》第四届IEEE国际会议上多通道接口gydF4y2Ba 2002年gydF4y2Ba 美国宾夕法尼亚州匹兹堡gydF4y2Ba IEEEgydF4y2Ba 3gydF4y2Ba 8gydF4y2Ba 10.1109 / icmi.2002.1166960gydF4y2Ba 金gydF4y2Ba E。gydF4y2Ba 希拉勒gydF4y2Ba 年代。gydF4y2Ba 库克gydF4y2Ba D。gydF4y2Ba 人类活动模式识别和发现gydF4y2Ba IEEE普适计算gydF4y2Ba 2010年gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 48gydF4y2Ba 53gydF4y2Ba 10.1109 / mprv.2010.7gydF4y2Ba 2 - s2.0 - 75449099590gydF4y2Ba KataokagydF4y2Ba H。gydF4y2Ba 桥本gydF4y2Ba K。gydF4y2Ba 青木gydF4y2Ba Y。gydF4y2Ba 人类活动特性与随机森林的集成实时识别gydF4y2Ba 第七届国际会议的程序机器视觉(ICMV 14)gydF4y2Ba 2014年11月gydF4y2Ba 米兰,意大利gydF4y2Ba 国际社会对光学和光子学gydF4y2Ba 10.1117/12.2181201gydF4y2Ba 2 - s2.0 - 84924368596gydF4y2Ba 那一定很有意思gydF4y2Ba 一个。gydF4y2Ba 张gydF4y2Ba K。gydF4y2Ba 前川gydF4y2Ba T。gydF4y2Ba 声波:人类活动识别环境声音收集游戏gydF4y2Ba 《信息处理gydF4y2Ba 2016年gydF4y2Ba 24gydF4y2Ba 2gydF4y2Ba 203年gydF4y2Ba 210年gydF4y2Ba 10.2197 / ipsjjip.24.203gydF4y2Ba 谢赫gydF4y2Ba M·a . M。gydF4y2Ba HirosegydF4y2Ba K。gydF4y2Ba 不能gydF4y2Ba M。gydF4y2Ba 从环境声音识别现实世界的活动提示创建创建人生航志gydF4y2Ba 2011年gydF4y2Ba INTECH开放获取gydF4y2Ba MosabbebgydF4y2Ba 大肠。gydF4y2Ba 卡布拉尔gydF4y2Ba R。gydF4y2Ba De la TorregydF4y2Ba F。gydF4y2Ba FathygydF4y2Ba M。gydF4y2Ba 克莱莫gydF4y2Ba D。gydF4y2Ba 里德gydF4y2Ba 我。gydF4y2Ba 斋藤gydF4y2Ba H。gydF4y2Ba 杨gydF4y2Ba M.-H。gydF4y2Ba 多标记歧视weakly-supervised人类活动识别和定位gydF4y2Ba 电脑Vision-ACCV 2014gydF4y2Ba 2015年gydF4y2Ba 9007年gydF4y2Ba 柏林,德国gydF4y2Ba 施普林格gydF4y2Ba 241年gydF4y2Ba 258年gydF4y2Ba 在计算机科学的课堂讲稿gydF4y2Ba 10.1007 / 978 - 3 - 319 - 16814 - 2 - _16gydF4y2Ba 张ydF4y2Ba K。gydF4y2Ba 仿gydF4y2Ba 年代。gydF4y2Ba 拉莫斯gydF4y2Ba F。gydF4y2Ba 多尺度条件随机域第一人称活动识别在老人和残疾的病人gydF4y2Ba 普及和移动计算gydF4y2Ba 2015年gydF4y2Ba 16gydF4y2Ba 251年gydF4y2Ba 267年gydF4y2Ba 10.1016 / j.pmcj.2014.11.004gydF4y2Ba 2 - s2.0 - 84922719664gydF4y2Ba TuragagydF4y2Ba P。gydF4y2Ba ChellappagydF4y2Ba R。gydF4y2Ba SubrahmaniangydF4y2Ba 诉。gydF4y2Ba UdreagydF4y2Ba O。gydF4y2Ba 机器识别的人类活动:一项调查gydF4y2Ba IEEE电路和系统视频技术gydF4y2Ba 2008年gydF4y2Ba 18gydF4y2Ba 11gydF4y2Ba 1473年gydF4y2Ba 1488年gydF4y2Ba 10.1109 / tcsvt.2008.2005594gydF4y2Ba 2 - s2.0 - 55149089260gydF4y2Ba 张ydF4y2Ba Y。gydF4y2Ba 黑田gydF4y2Ba T。gydF4y2Ba 人类活动可穿戴传感器识别从环境背景声音gydF4y2Ba 环境智能和人性化计算杂志》上gydF4y2Ba 2014年gydF4y2Ba 5gydF4y2Ba 1gydF4y2Ba 77年gydF4y2Ba 89年gydF4y2Ba 10.1007 / s12652 - 012 - 0122 - 2gydF4y2Ba 2 - s2.0 - 84894089084gydF4y2Ba Sim卡gydF4y2Ba j . M。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba KwongydF4y2Ba O。gydF4y2Ba 基于声学传感器识别在日常生活中人类活动的智能家居服务gydF4y2Ba 国际期刊的分布式传感器网络gydF4y2Ba 2015年gydF4y2Ba 2015年gydF4y2Ba 24gydF4y2Ba 679123年gydF4y2Ba 10.1155 / 2015/679123gydF4y2Ba 2 - s2.0 - 84944265920gydF4y2Ba NtalampirasgydF4y2Ba 年代。gydF4y2Ba PotamitisgydF4y2Ba 我。gydF4y2Ba FakotakisgydF4y2Ba N。gydF4y2Ba 声学检测人类活动的自然环境gydF4y2Ba 音频工程协会杂志》上gydF4y2Ba 2012年gydF4y2Ba 60gydF4y2Ba 9gydF4y2Ba 686年gydF4y2Ba 695年gydF4y2Ba 2 - s2.0 - 84868584777gydF4y2Ba 摩尔gydF4y2Ba d . J。gydF4y2Ba 艾萨gydF4y2Ba 我一个。gydF4y2Ba 海斯gydF4y2Ba m . H。gydF4y2Ba 三世gydF4y2Ba 利用人类行为和对象识别任务的上下文gydF4y2Ba 1gydF4y2Ba 学报》第七届IEEE计算机视觉国际会议(99年ICCV”)gydF4y2Ba 1999年9月gydF4y2Ba IEEEgydF4y2Ba 80年gydF4y2Ba 86年gydF4y2Ba 2 - s2.0 - 0033285712gydF4y2Ba 莱斯特gydF4y2Ba J。gydF4y2Ba ChoudhurygydF4y2Ba T。gydF4y2Ba 克恩gydF4y2Ba N。gydF4y2Ba 博列洛gydF4y2Ba G。gydF4y2Ba 赫纳夫德gydF4y2Ba B。gydF4y2Ba 一个混合歧视/生成方法建模人类活动gydF4y2Ba 19学报》国际联合会议上人工智能(IJCAI 05展出)gydF4y2Ba 2005年8月gydF4y2Ba 英国爱丁堡gydF4y2Ba 766年gydF4y2Ba 772年gydF4y2Ba 2 - s2.0 - 84880762436gydF4y2Ba 拉宾gydF4y2Ba l R。gydF4y2Ba 教程隐马尔科夫模型和选择在语音识别中的应用gydF4y2Ba IEEE学报》gydF4y2Ba 1989年gydF4y2Ba 77年gydF4y2Ba 2gydF4y2Ba 257年gydF4y2Ba 286年gydF4y2Ba 10.1109/5.18626gydF4y2Ba 2 - s2.0 - 0024610919gydF4y2Ba UddingydF4y2Ba m Z。gydF4y2Ba 金gydF4y2Ba D.-H。gydF4y2Ba 金gydF4y2Ba t·s·艾。gydF4y2Ba 人类活动识别系统使用摘要与GDA增强的独立分量特征gydF4y2Ba 国际阿拉伯信息技术杂志》上gydF4y2Ba 2015年gydF4y2Ba 12gydF4y2Ba 3gydF4y2Ba 304年gydF4y2Ba 310年gydF4y2Ba 2 - s2.0 - 84928804184gydF4y2Ba JolliffegydF4y2Ba i T。gydF4y2Ba 主成分分析gydF4y2Ba 2002年gydF4y2Ba 英国奇切斯特gydF4y2Ba 威利在线图书馆gydF4y2Ba MR2036084gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 黄gydF4y2Ba K。gydF4y2Ba 棕褐色gydF4y2Ba T。gydF4y2Ba 人类活动识别的基础上gydF4y2Ba ℜgydF4y2Ba变换gydF4y2Ba 《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 07)gydF4y2Ba 2007年6月gydF4y2Ba IEEEgydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba 10.1109 / cvpr.2007.383505gydF4y2Ba 2 - s2.0 - 34948884539gydF4y2Ba 他gydF4y2Ba Z。gydF4y2Ba 金gydF4y2Ba lgydF4y2Ba 活动从加速度数据识别基于离散consine变换和支持向量机gydF4y2Ba 《IEEE国际会议系统,人与控制论(SMC ' 09)gydF4y2Ba 2009年10月gydF4y2Ba 圣安东尼奥,德克萨斯州,美国gydF4y2Ba IEEEgydF4y2Ba 5041年gydF4y2Ba 5044年gydF4y2Ba 10.1109 / icsmc.2009.5346042gydF4y2Ba 2 - s2.0 - 74849102634gydF4y2Ba HyvarinengydF4y2Ba 一个。gydF4y2Ba KarhunengydF4y2Ba J。gydF4y2Ba OjagydF4y2Ba E。gydF4y2Ba 独立分量分析gydF4y2Ba 2004年gydF4y2Ba 46gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 约翰威利& SonsgydF4y2Ba Delgado-ContrerasgydF4y2Ba j . R。gydF4y2Ba Garća-VazquezgydF4y2Ba j . P。gydF4y2Ba BrenagydF4y2Ba r F。gydF4y2Ba Galvan-TejadagydF4y2Ba c, E。gydF4y2Ba Galvan-TejadagydF4y2Ba j . I。gydF4y2Ba 特征选择地方分类通过环境的声音gydF4y2Ba Procedia计算机科学gydF4y2Ba 2014年gydF4y2Ba 37gydF4y2Ba 40gydF4y2Ba 47gydF4y2Ba 10.1016 / j.procs.2014.08.010gydF4y2Ba TarziagydF4y2Ba s P。gydF4y2Ba DindagydF4y2Ba p。gydF4y2Ba 迪克gydF4y2Ba r P。gydF4y2Ba MemikgydF4y2Ba G。gydF4y2Ba 演示:室内定位没有基础设施使用声光谱背景gydF4y2Ba 学报》第九届国际会议在移动系统中,应用程序和服务(MobiSys ' 11)gydF4y2Ba 2011年7月gydF4y2Ba ACMgydF4y2Ba 385年gydF4y2Ba 386年gydF4y2Ba 10.1145/1999995.2000047gydF4y2Ba 2 - s2.0 - 79961088791gydF4y2Ba Martinez-TorteyagydF4y2Ba 一个。gydF4y2Ba Trevino-AlvaradogydF4y2Ba V。gydF4y2Ba Tamez-PenagydF4y2Ba J。gydF4y2Ba 改进的多通道生物标志物对阿尔茨海默氏症和轻度认知障碍诊断:ADNI的数据gydF4y2Ba 8670年gydF4y2Ba 2013年美国医学成像:计算机辅助诊断gydF4y2Ba 2013年2月gydF4y2Ba 光子学,奥兰多,佛罗里达州,美国gydF4y2Ba 国际社会对光学和光子学gydF4y2Ba 86700年代gydF4y2Ba 86700年代gydF4y2Ba 学报学报gydF4y2Ba 10.1117/12.2008100gydF4y2Ba LiggesgydF4y2Ba U。gydF4y2Ba 克雷gydF4y2Ba 年代。gydF4y2Ba MersmanngydF4y2Ba O。gydF4y2Ba SchnackenberggydF4y2Ba 年代。gydF4y2Ba 调谐器:音乐的分析,2011年gydF4y2Ba MasciagydF4y2Ba M。gydF4y2Ba CanclinigydF4y2Ba 一个。gydF4y2Ba AntonaccigydF4y2Ba F。gydF4y2Ba TagliasacchigydF4y2Ba M。gydF4y2Ba SartigydF4y2Ba 一个。gydF4y2Ba TubarogydF4y2Ba 年代。gydF4y2Ba 室内/室外的法医和anti-forensic分析分类器基于声学线索gydF4y2Ba 学报2015年23日欧洲信号处理会议(EUSIPCO 15)gydF4y2Ba 2015年8月gydF4y2Ba 不错,法国gydF4y2Ba IEEEgydF4y2Ba 2072年gydF4y2Ba 2076年gydF4y2Ba 10.1109 / eusipco.2015.7362749gydF4y2Ba TrevinogydF4y2Ba V。gydF4y2Ba 法尔恰尼gydF4y2Ba F。gydF4y2Ba GALGO: R包多元变量选择使用遗传算法gydF4y2Ba 生物信息学gydF4y2Ba 2006年gydF4y2Ba 22gydF4y2Ba 9gydF4y2Ba 1154年gydF4y2Ba 1156年gydF4y2Ba 10.1093 /生物信息学/ btl074gydF4y2Ba 2 - s2.0 - 33646121277gydF4y2Ba LiawgydF4y2Ba 一个。gydF4y2Ba 维纳gydF4y2Ba M。gydF4y2Ba 由randomforest分类和回归gydF4y2Ba R新闻gydF4y2Ba 2002年gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 18gydF4y2Ba 22gydF4y2Ba KulkarnigydF4y2Ba 诉Y。gydF4y2Ba SinhagydF4y2Ba p K。gydF4y2Ba 修剪的随机森林分类器:一个调查和未来的发展方向gydF4y2Ba 程序的数据科学与工程国际会议(ICDSE 12)gydF4y2Ba 2012年7月gydF4y2Ba 印度科钦gydF4y2Ba 64年gydF4y2Ba 68年gydF4y2Ba 10.1109 / icdse.2012.6282329gydF4y2Ba 2 - s2.0 - 84867380027gydF4y2Ba Galvan-TejadagydF4y2Ba c, E。gydF4y2Ba Garcia-VazquezgydF4y2Ba j . P。gydF4y2Ba Garcia-CejagydF4y2Ba E。gydF4y2Ba Carrasco-JimenezgydF4y2Ba j . C。gydF4y2Ba BrenagydF4y2Ba r F。gydF4y2Ba 评价的四个分类器作为室内定位系统的成本函数gydF4y2Ba Procedia计算机科学gydF4y2Ba 2014年gydF4y2Ba 32gydF4y2Ba 453年gydF4y2Ba 460年gydF4y2Ba 10.1016 / j.procs.2014.05.447gydF4y2Ba BreimangydF4y2Ba lgydF4y2Ba 随机森林gydF4y2Ba 机器学习gydF4y2Ba 2001年gydF4y2Ba 45gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba 32gydF4y2Ba 10.1023 /:1010933404324gydF4y2Ba ZBL1007.68152gydF4y2Ba 2 - s2.0 - 0035478854gydF4y2Ba 卡比尔gydF4y2Ba m . H。gydF4y2Ba 霍克gydF4y2Ba m·R。gydF4y2Ba ThapagydF4y2Ba K。gydF4y2Ba 杨gydF4y2Ba 工程学系。gydF4y2Ba 两层隐马尔可夫模型在家庭环境中人类活动识别gydF4y2Ba 国际期刊的分布式传感器网络gydF4y2Ba 2016年gydF4y2Ba 12gydF4y2Ba 4560365gydF4y2Ba 10.1155 / 2016/4560365gydF4y2Ba BiaugydF4y2Ba G。gydF4y2Ba 随机森林模型的分析gydF4y2Ba 机器学习研究杂志》上gydF4y2Ba 2012年gydF4y2Ba 13gydF4y2Ba 1063年gydF4y2Ba 1095年gydF4y2Ba MR2930634gydF4y2Ba