文摘gydF4y2Ba

本文提出了一种新颖的方法来识别活动基于传感器布置特征选择。的方法都是针对一个问题多传感器信息融合的可穿戴传感器位于人体的不同位置。准确地说,这种方法可以提取特征的最好的特性集对于身体传感器位置上的每一个活动认识到日常生活活动。我们首先进行预处理的原始数据,利用一个低通滤波器。后提取各种特征,特征选择算法分别应用特性集的每个传感器获取每个体位最好的特性集。然后,我们每组调查的相关特性来优化特性。最后,一个分类器应用于优化的功能集,其中包含特征从四个身体位置分类13活动。在实验结果中,我们获得一个整体精度99.13%,将该方法应用于基准数据集。结果表明,我们可以减少计算时间特征选择步骤,实现高准确率进行特征选择的每个传感器的位置。此外,我们提出的方法可以用于复式传感器配置对日常生活活动进行分类。方法基于预计也将部署到一个活动分类系统的大数据平台因为每个传感器节点只发送重要信息描述云服务器本身。gydF4y2Ba

1。介绍gydF4y2Ba

日常生活活动识别是最重要的一个研究主题,可以为各种应用程序提供有价值的信息如健康监测、安全、智能帮助在日常生活中,检测和监控(gydF4y2Ba1gydF4y2Ba,gydF4y2Ba2gydF4y2Ba]。很明显,不同的数量和位置传感器对人体影响活动分类的准确性的因素(gydF4y2Ba3gydF4y2Ba- - - - - -gydF4y2Ba5gydF4y2Ba]。每一种活动都有不同的特点,具体到人体上的特定位置。gydF4y2Ba

在可穿戴设备嵌入式传感器技术的发展,也就是说,智能手机,智能乐队,和聪明的鞋,已经出现各种日常活动recognition-related研究[gydF4y2Ba6gydF4y2Ba- - - - - -gydF4y2Ba8gydF4y2Ba]。这些研究的一个主要问题是有一个难以获得实验结果,携带所有实际应用而进行的活动是在一个被控制的环境中(gydF4y2Ba9gydF4y2Ba]。一些最近的出版物(gydF4y2Ba6gydF4y2Ba,gydF4y2Ba7gydF4y2Ba,gydF4y2Ba10gydF4y2Ba),它使用一个传感器模块连接到身体不同位置,可以达到较高的分类精度。然而,单一传感器模块化平台不能充分认识到复杂的日常生活活动。特别是,特征的活动可能不是真正的使用一个传感器虽然高分类精度达到[gydF4y2Ba11gydF4y2Ba]。为了克服这个问题,研究人员往往附加许多对人体不同部位的传感器(gydF4y2Ba4gydF4y2Ba,gydF4y2Ba11gydF4y2Ba- - - - - -gydF4y2Ba14gydF4y2Ba]。这些方法可以识别动态和过渡活动。此外,复式传感器系统,它包含三个传感器,可以提供一个良好的识别精度(gydF4y2Ba11gydF4y2Ba]。事实上,研究人员努力应对复式传感器数据的融合。此外,挑战各种各样的监测活动,分类的精度直接影响的数量和惯性传感器附着在人体的位置(gydF4y2Ba15gydF4y2Ba]。对身体的设备位置调查以确定其影响活动识别的性能(gydF4y2Ba16gydF4y2Ba,gydF4y2Ba17gydF4y2Ba]。Figueira et al。gydF4y2Ba18gydF4y2Ba]探索sensor-position监测活动的意识。Atallah et al。gydF4y2Ba19gydF4y2Ba]讨论了传感器位置和显著特征为每个活动组根据纲要的体育活动。然而,有许多传感器的识别系统可以包含大量的冗余特性降低,甚至可能混淆分类器的分类性能。最近的研究(gydF4y2Ba19gydF4y2Ba- - - - - -gydF4y2Ba22gydF4y2Ba)通过特征选择技术作为解决方案处理冗余功能。有各种活动识别拓扑设计的特征选择算法。基于特征选择适当,小说方案介绍了实现高活动分类性能。gydF4y2Ba

在本文中,我们提出一个新方案评估在DaLiAc数据集对人类日常生活活动识别基于传感器布置特征选择。我们首先一个低通滤波器应用到原始数据。过滤后的数据由十秒分段滑动窗口没有重叠来获取样本。然后,我们从过滤数据中提取有价值的特性。特征选择技术分别应用在每个传感器位置获取每个体位最好的特性集。我们优化的特性集调查的相关特性。最后,一个gydF4y2Ba最近邻居算法应用于一个优化的特性集,其中包含特征从四个身体位置分类13活动。我们的框架的关键在于特征选择层。在这项工作中,我们实现特征选择在个人设置传感器的特性。这种方法为特定的传感器优化的特性,因此,促进正确选择特定于每个活动的功能。本文的贡献如下:gydF4y2Ba(我)gydF4y2Ba它提出了一个日常生活活动识别的新方法,达到更高的准确率在基准数据集相比,最近的出版物gydF4y2Ba(2)gydF4y2Ba它发现传感器位置,大多数影响识别率的基准数据集gydF4y2Ba(3)gydF4y2Ba它利用三种特征选择方法探索意义的特性,也就是说,拉普拉斯算子的分数,设定触发器,Relief-F,以及correlation-based特性优化四个传感器位置的脚踝,胸部,臀部,手腕gydF4y2Ba

剩下的纸是组织如下。节gydF4y2Ba2gydF4y2Ba相关工作,我们现在一些日常生活活动的识别与一个或多个传感器。该方法中描述部分gydF4y2Ba3gydF4y2Ba。此外,我们进入的细节数据预处理,特征提取,未来的选择、功能优化,分类器的选择和评价标准。所有选定的一组特性的比较,该方法的性能将部分所示gydF4y2Ba4gydF4y2Ba。最后,部分gydF4y2Ba5gydF4y2Ba提出了本文的结论和未来的工作。gydF4y2Ba

2。相关的工作gydF4y2Ba

许多作者报道活动识别问题在使用一个传感器监控活动的日常生活gydF4y2Ba6gydF4y2Ba,gydF4y2Ba7gydF4y2Ba,gydF4y2Ba10gydF4y2Ba]。在我们以前的工作(gydF4y2Ba6gydF4y2Ba),多类支持向量机(SVM)算法演示了97.3%的准确率,当我们使用一个模块智能与三轴加速度困在手腕乐队中收集数据的性能五手腕活动:发短信,打电话,手在口袋里,手摆动,手提箱携带。阮et al。gydF4y2Ba7gydF4y2Ba)提出三个小说足底压力传感器特性分类五步活动使用聪明的鞋垫。通过实现gydF4y2Ba最近邻分类器,这些步行活动可以被识别的准确率97.84%第六步。郑(gydF4y2Ba10gydF4y2Ba)提出了一个分层框架基于最小二乘支持向量机和朴素贝叶斯算法的分类十髋关节活动使用惯性附加模块。他们的实现方法,它承认活动关于四组(二维的行走,立体的步行、平面运动,和静态活动),获得了高达95%的准确率。这些研究可以实现高活动分类率使用小尺寸的特征向量和简单的分类器。然而,这种方法,使用收集的数据从一个传感器位置,只有达到最佳的识别性能预测活动直接相关的传感器的位置。这限制了活动的数量来考虑。gydF4y2Ba

为了解决单一传感器配置的缺点,各种研究利用多个惯性传感器连接到身体不同位置进行分类人类活动(gydF4y2Ba4gydF4y2Ba,gydF4y2Ba9gydF4y2Ba,gydF4y2Ba11gydF4y2Ba- - - - - -gydF4y2Ba14gydF4y2Ba]。Sztyler et al。gydF4y2Ba9gydF4y2Ba]活动识别性能提高了意识到设备的位置。他们的方法在数据集上进行了八个活动收集了七对身体的位置。在实验结果,他们获得了F-measure 89%。此外,一个觉醒的传感器位置可以增强活动识别的性能相比科目和跨学科的方法。汗等。gydF4y2Ba11gydF4y2Ba)提出了一个基于云的系统识别使用病房数据集[13活动gydF4y2Ba23gydF4y2Ba]。对身体的影响传感器位置通过实现三个分类器对于每个活动进行了探讨。他们的分析表明,活动识别显著依赖于对身体的位置的设备。此外,利用三个传感器模块是需要认识更多的动态和瞬态的活动。Schuldhaus et al。gydF4y2Ba12gydF4y2Ba)提出了一个决策水平fusion-based方法分类7日常生活活动。四个传感器节点,位于胸部、臀部、手腕,脚踝,分别执行活动分类。然后,一个活动是每个分类器预测的多数投票决定的传感器节点。设计的系统实现了整体识别错误率为6.1%。Banos et al。gydF4y2Ba13gydF4y2Ba]metaclassifier框架包括一个插入和拒绝的权重算法基础(分类)和源(活动)的水平,分别。投票算法旨在融合决策的个体分类器预测活动。比较与其他融合模型,该方案可以处理故障引起的误分类的一个或多个传感器。的方法评估REALDISP基准数据集(gydF4y2Ba24gydF4y2Ba)可以提高识别性能与传统的特性融合相比,hierarchical-weighted分类器(gydF4y2Ba25gydF4y2Ba)方法对33活动进行分类。高et al。gydF4y2Ba14gydF4y2Ba)开发了一个框架组成的传感器选择和层次分类器模块来解决动态多传感器融合问题。他们调查方法的识别性能和能耗数据集的八个活动。实验结果表明,系统可以节省37.5%的能源消耗和分类率减少2.8%相比,一个原始four-sensor分类器的方法。包和IntillegydF4y2Ba4gydF4y2Ba]从收集的数据中提取特征使用五双轴加速度计连接到左肘,右手腕,臀部、左大腿,右脚踝的20个不同学科认识到二十个不同的活动。使用决策树的整体精度是84%不利用特征选择技术。多个传感器的主要优势是,他们可以认识到许多日常生活活动与精度高。此外,它更适合识别复杂的活动,也就是说,动态和过渡活动(gydF4y2Ba26gydF4y2Ba]。然而,这种配置的主要问题是一个最优的传感器组合实现高分类性能和鲁棒性gydF4y2Ba25gydF4y2Ba]。此外,复式传感器系统可以成为用户穿不舒服很长一段时间(gydF4y2Ba13gydF4y2Ba,gydF4y2Ba25gydF4y2Ba]。gydF4y2Ba

可穿戴传感器社区最近研究特征选择技术演示了一个有效的解决方案来处理这个问题的冗余特性和计算费用(gydF4y2Ba27gydF4y2Ba在认识到人类活动(gydF4y2Ba19gydF4y2Ba- - - - - -gydF4y2Ba22gydF4y2Ba]。特征选择算法实现了在很多方面,也就是执行一套总特性提取各种活动,适用于每一个活动小组,每个活动任务。Atallah et al。gydF4y2Ba19gydF4y2Ba]采用六可穿戴式加速度计定位在六种不同的身体位置的耳朵,胸部,手腕,脚踝,膝盖,胳膊,腰。他们使用一个过滤器基于方法的特征选择技术,也就是说,救济(gydF4y2Ba28gydF4y2Ba),辛巴(gydF4y2Ba29日gydF4y2Ba),最大和最小冗余关联(MRMR) [gydF4y2Ba30.gydF4y2Ba评估和等级的特性。的gydF4y2Ba最近的邻居,gydF4y2Ba 和gydF4y2Ba 和贝叶斯分类器分类15日常活动组合成的五组的活动标记为非常低的水平,低水平、中等水平,高水平,和过渡活动。两种算法的性能相似,约为82%。张和Sawchuck [gydF4y2Ba20.gydF4y2Ba)获得的数据使用一个6自由度惯性测量单元(IMU),集成三轴加速度计、陀螺仪,和磁强计。本研究利用三个选择技术,缓解(gydF4y2Ba28gydF4y2Ba),一个包装器方法基于单一特征(证监会)[gydF4y2Ba31日gydF4y2Ba),和基于顺序的一个包装器方法选择(SFS) [gydF4y2Ba32gydF4y2Ba)选择最重要的特性。随后部署到支持向量机算法识别十二运动包括散步,向前,左走,走吧,楼上,楼下,跳起来,跑步,站着,坐着。单层分类的准确性高达90%。Pirttikangas et al。gydF4y2Ba21gydF4y2Ba)四个三轴加速度计配置连接到正确的手腕,手腕,右腿,脖子和一个心率传感器连接到13个不同用户的右手腕。收集的数据来自17个不同的活动特征为五个特性,即加速度的意思是,标准差,相关性,意思是穿越,和心率的意思。forward-backward搜索是用来选择最佳特性的一个子集。作者使用了gydF4y2Ba最近的邻居作为分类器识别精度和算法实现了90.61%的活动。黄齐和席勒的影子gydF4y2Ba22gydF4y2Ba)可以提高显示性能通过实现特征选择技术特征为每个活动如散步,站着,慢跑,跳绳,跳来跳去,骑一辆公共汽车。数据收集使用一个集成的传感器板包含三维加速度传感器,音频、温度、红外/可见光/高频光、湿度、气压、和数字罗盘。董事会被放在一个背包的肩带,受试者被要求穿背包在执行测量活动。作者应用集群精度评估的特点和最好的精度识别约90%时慢跑和散步的最佳特性和窗口长度被认为是。其他活动,识别精度约为85%。作者应用特征选择个人活动,但是结果并没有显示出提高效率最重要的特点是活动时合并成一个全球集作为分类器的输入。gydF4y2Ba

一些技术发展水平方法评估DaLiAc数据集(gydF4y2Ba33gydF4y2Ba),获得可接受的分类准确率识别十三活动,可以发现在gydF4y2Ba33gydF4y2Ba,gydF4y2Ba34gydF4y2Ba]。Leutheuser et al。gydF4y2Ba33gydF4y2Ba)实现了85.8%的平均分类率利用层次multisensor-based活动识别系统。此外,他们的方法可以区分复杂的日常生活活动,也就是说,跑步机跑步和跳绳。Zdravevski et al。gydF4y2Ba34gydF4y2Ba)工程方法提出了一个系统的功能,它使用一个两阶段特征选择层。方法的准确率达到91.2%和60选择功能分类13活动。gydF4y2Ba

3所示。为日常生活活动活动识别算法gydF4y2Ba

在本节中,我们首先提出一个比较提出,传统的算法。然后,数据预处理、特征提取、选择优化,分类器的选择,评估标准进行了讨论。gydF4y2Ba

3.1。特征选择基于传感器的位置gydF4y2Ba

数据gydF4y2Ba1 (b)gydF4y2Ba和gydF4y2Ba1(一)gydF4y2Ba分别说明拟议的和标准的方法来识别人类活动使用可穿戴设备。在拟议的架构中,特征选择层不同于标准的方法。在这一层,该方法分别进行特征选择在每个传感器的位置,而标准方法考虑提取的所有功能。该方法的主要优势是,每个传感器都有一组不同的特性更适合描述的活动的位置传感器。此外,特征选择的计算要求与标准方法相比明显减少。此外,标准方法部署在大多数研究[gydF4y2Ba19gydF4y2Ba,gydF4y2Ba21gydF4y2Ba,gydF4y2Ba33gydF4y2Ba)实现介质分类精度(95%以下)。标准方法的缺点是它变得计算昂贵随着特征数量的增加。我们还执行优化基于皮尔逊相关系数考虑高度相关特性的方法。gydF4y2Ba

3.2。数据预处理gydF4y2Ba

在这项研究中,惯性数据统一重新取样采样频率为200赫兹。我们剪一段惯性信号使用没有重叠的10年代滑动窗口获取活动样本。然后一个低通滤波器应用到这些样品去除噪声。表gydF4y2Ba1gydF4y2Ba显示了人类活动样本的分布。加速度和陀螺仪信号的例子如图gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

3.3。特征提取gydF4y2Ba

特征提取将高维的原始数据转换成一个有意义的表征数据,可以描述不同的活动的特点。这种技术使机器学习算法能够处理高维数据。我们获得大量的特性计算使用过滤后的数据为每个活动。进行特征提取,我们实现八个特性在较小的窗户2 s数据,也就是说,信号幅度,运动强度,意味着趋势,窗口的平均差、方差的趋势,有窗的方差差异,标准偏差趋势,窗口的标准偏差的区别。此外,长10年代惯性信号分为5个窗户没有重叠。剩下的功能是在不破坏样品中直接提取成更小的窗口。gydF4y2Ba

的细节特性如表所示gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

标准偏差的趋势和窗口的标准差有不同的特性,这类似于计算意味着趋势和窗口的平均差,并给出如下:gydF4y2Ba(我)gydF4y2Ba标准偏差的趋势gydF4y2Ba (2)gydF4y2Ba窗口的标准偏差的区别gydF4y2Ba

提取的特征不是分布式通常和稀疏的影响估计的性能。因此,特征归一化是一种常见的要求许多机器学习算法。在我们的研究中,我们都规范化为零均值和单位方差的特性。gydF4y2Ba 在哪里gydF4y2Ba和gydF4y2Ba的平均值和标准偏差是一个特定的功能,分别。gydF4y2Ba

3.4。特征选择gydF4y2Ba

我们一共获得536特性统计特性,其中包括192 120 magnitude-based特性,24 correlation-based特性,56个频域特征,进行特征提取后和144 trend-variance特性。为了提高分类精度和减少计算时间为代价,冗余(特征密切相关)和无关的特性应该被删除gydF4y2Ba27gydF4y2Ba,gydF4y2Ba35gydF4y2Ba]。这个任务可以执行与特征选择技术。有三种常见的组功能选择:过滤方法,包装器方法,嵌入方法(gydF4y2Ba36gydF4y2Ba]。过滤方法计算效率选择功能独立于任何机器学习算法。相反,包装方法评估选择的质量特性基于预定义的学习算法的性能。学习嵌入式方法嵌入的特征选择模型。在本文中,我们使用2过滤方法和1包装器方法,也就是说,Relief-F,拉普拉斯算子的分数,和顺序向前漂浮的选择(设定触发器)排名为每个传感器位置的特性。下面简要描述这些方法。gydF4y2Ba

Relief-F [gydF4y2Ba37gydF4y2Ba)是一个受欢迎的过滤方法和扩展从原始特征选择方法缓解(gydF4y2Ba28gydF4y2Ba]。这种方法发现gydF4y2Ba最近的实例从不同的类(gydF4y2Ba最近的热门/错过)使用曼哈顿规范而不是只有一个最近的打击和小姐当使用欧几里得范数,然后更新每个特性的重量。Relief-F还可以处理不完整数据和多类问题,在救援问题的算法。如果功能gydF4y2Ba被认为是,那重量gydF4y2Ba将更新后(gydF4y2Ba37gydF4y2Ba]:gydF4y2Ba 在哪里gydF4y2Ba 计算特征值的差异gydF4y2Ba两个实例之间gydF4y2Ba和gydF4y2Ba在不久的打击类(类一样gydF4y2Ba),gydF4y2Ba 计算功能的差异gydF4y2Ba两个实例之间gydF4y2Ba和gydF4y2Ba在不久的小姐类(不同的类gydF4y2Ba)。gydF4y2Ba

拉普拉斯算子的评分算法是另一个特征选择技术基于滤波器的方法(gydF4y2Ba38gydF4y2Ba]。假设我们有gydF4y2Ba数据点,gydF4y2Ba ,gydF4y2Bath节点对应于gydF4y2Ba 。gydF4y2Ba为了选择意义的特性,首先,拉普拉斯算子评分算法构造gydF4y2Ba最近的邻居图gydF4y2Ba与gydF4y2Ba节点和节点图中定义了一个边缘是否它的一个另一个节点gydF4y2Ba最近的邻居。第二,它计算的权重矩阵元素gydF4y2Ba (gydF4y2Ba如果任何两个节点是常数)gydF4y2Ba和gydF4y2Ba是相关的。在[gydF4y2Ba38gydF4y2Ba的拉普拉斯算分数gydF4y2Ba功能定义为gydF4y2Ba 在哪里gydF4y2Ba 表示的向量gydF4y2Ba样品的gydF4y2Bath特性。gydF4y2Ba是一个拉普拉斯算子矩阵定义为gydF4y2Ba (gydF4y2Ba39gydF4y2Ba),gydF4y2Ba是一个对角矩阵定义为gydF4y2Ba 。gydF4y2Ba

第三个特征选择技术中使用的纸是顺序向前漂浮的选择(gydF4y2Ba40gydF4y2Ba]。这种技术的扩展顺序向前选择(SFS)方法。让我们假定我们有一组gydF4y2Ba维特性gydF4y2Ba 。SFS将输出的一个子集gydF4y2Ba维特性gydF4y2Ba 与gydF4y2Ba 和评估准则函数gydF4y2Ba与gydF4y2Ba 。首先,SFS需要gydF4y2Ba维特征从原始特性集作为输入,并将开始添加第一个特性gydF4y2Ba具有最高的意义主题gydF4y2Ba

从最初的子集gydF4y2Ba ,gydF4y2Ba根据SFS扩展更多的功能gydF4y2Ba

然后,新的特征子集gydF4y2Ba

SFS的缺点是一旦选择一个特性,它不能被移除的子集。设定触发器可以解决这个问题通过检查和删除最显著的特征gydF4y2Ba在每个迭代的子集gydF4y2Ba

重复这个过程,直到选中的数量等于所需数量的功能或特性gydF4y2Ba 。gydF4y2Ba

排名为每个传感器位置的特性后,我们使用gydF4y2Ba神经网络需要考虑各种特性从高到低排名基于每个特征选择技术的模型精度。算法gydF4y2Ba1gydF4y2Ba介绍了模型精度过程用于选择的重要特性。分析交叉验证和gydF4y2Ba利用神经网络分类器的算法。gydF4y2Ba

3.5。特性集优化gydF4y2Ba

Relief-F和拉普拉斯算分数选择特性通过评估的功能特性保留样品相似。因此,他们无法处理功能冗余,这可能彼此高度相关(gydF4y2Ba41gydF4y2Ba]。此外,设定触发器不能消除冗余特征生成的搜索过程中,没有考虑特征相关性(gydF4y2Ba42gydF4y2Ba]。解决高度的相关性造成的冗余特性,我们使用皮尔逊相关系数(gydF4y2Ba4gydF4y2Ba,gydF4y2Ba43gydF4y2Ba与阈值等于1)在我们的研究中。让我们假设我们有两个数据段gydF4y2Ba 和gydF4y2Ba 。然后,皮尔逊相关性的定义是gydF4y2Ba

3.6。分类器gydF4y2Ba

最近的邻居(gydF4y2Ba神经网络)和支持向量机(SVM)是受欢迎的监督分类算法在机器学习问题。支持向量机是健壮和提供了一个独特的解决方案,因为凸优化。然而,这种技术是处理高维数据时更需要大量的计算gydF4y2Ba44gydF4y2Ba,gydF4y2Ba45gydF4y2Ba]。相比之下,gydF4y2Ba神经网络,这是一个简单而强大的算法,不需要一个学习的过程gydF4y2Ba15gydF4y2Ba,gydF4y2Ba46gydF4y2Ba]。它使用相似的原则(欧氏距离)之间的训练集和新的观察被分类。因此,它很容易实现和更少的计算密集型相比,支持向量机。的问题gydF4y2Ba神经网络是非常敏感的冗余特性(gydF4y2Ba45gydF4y2Ba]。在这项研究中,我们使用gydF4y2Ba神经网络分类器选择的特点和分类。gydF4y2Ba

3.7。评估标准gydF4y2Ba

我们的性能评估方法,利用四个指标,即准确性、精度、召回和F1-score。精度可以表示为二进制分类如下:gydF4y2Ba 真阳性(TP)意味着一个实例贴上正面和积极的预测。真阴性(TN)定义当一个标签的算法预测一个消极的结果,的确是负面的。当标签是负的,但作为积极的预测,预测被定义为假阳性(FP)。假阳性的反向情况被称为假阴性(FN)。gydF4y2Ba

F1-score两个指标的结合,也就是说,精度和召回,定义如下:gydF4y2Ba

4所示。实验结果gydF4y2Ba

在本节中,简要描述使用的数据集。然后,我们现在的结果特征选择和特征优化过程。我们建议的方法的性能比较,参考论文也提出了。此外,三个指标,即精度,召回,F1-score用来评估该方法的性能。比较突出的性能不同的方法F1-score而言。gydF4y2Ba

4.1。DaLiAc数据集gydF4y2Ba

在这项研究中,我们使用DaLiAc(日常生活活动)的数据集,这是一个基准数据集的分类基于惯性数据中描述日常生活活动(gydF4y2Ba33gydF4y2Ba]。19个健康受试者(8妇女和11人,年龄26±8年,身高177±11厘米,体重75.2±14.2公斤)13活动执行,也就是说,坐在(贴上SI),躺下(LY)、站(ST),洗碗(WD)、吸尘(VC),全面(SW),步行(工作),上行楼梯(),下行楼梯(DS),跑步机跑步(俄文),骑自行车在一个测力计(50 W) (BC50),骑自行车在一个测力计(100 W) (BC100),和跳绳(RJ)。惯性数据收集从四个微光传感器节点(gydF4y2Ba26gydF4y2Ba]放在正确的臀部、胸部、右手腕,左脚踝。图gydF4y2Ba3gydF4y2Ba说明了每个传感器的位置和坐标。gydF4y2Ba

每个传感器节点由一个三维加速度计和三维陀螺仪。加速度计是±6的范围gydF4y2BaggydF4y2Ba。陀螺仪的范围是±500度/秒的传感器节点在手腕,胸部,臀部和±2000度/ s为传感器节点在脚踝上。采样率是204.8赫兹。gydF4y2Ba

4.2。特征选择和特征优化的结果gydF4y2Ba

特征选择的实验结果图gydF4y2Ba4gydF4y2Ba和表gydF4y2Ba3gydF4y2Ba。图gydF4y2Ba4gydF4y2Ba说明了分类精度根据排名选择特性的四个传感器的位置。详细总结了结果表gydF4y2Ba3gydF4y2Ba。gydF4y2Ba

在表gydF4y2Ba4gydF4y2Ba,很明显,拉普拉斯算子的得分优于设定触发器和Relief-F号码的选择特性和精度。在传感器位置,踝关节和髋关节,具有相同数量的选择功能(功能)29日,总体精度高,分别为96.85%和96.91%。三种特征选择方法的准确率都非常接近,但是功能的数量由拉普拉斯算子的得分是最低的数量,也就是说,36特性(设定触发器)和77年与87年相比功能特性(Relief-F)。考虑到手腕传感器,拉普拉斯算子的分数达到95.24%的准确率与44特性,而设定触发器和Relief-F达到分类率高达91.60%(124特性)和92.75%(73特性),分别。gydF4y2Ba

图gydF4y2Ba5gydF4y2Ba提出了详细的分布为每个传感器位置优化后选择特性。手腕位置造成的大部分功能(32%)活动分类如图所示gydF4y2Ba5(一个)gydF4y2Ba。根据图gydF4y2Ba5 (b)gydF4y2Ba,平均绝对偏差(疯狂),范围(gydF4y2Ba)、相关(gydF4y2Ba)和标准差(gydF4y2Ba)特性为一个或多个轴压倒四个传感器的位置,也就是说,臀部(总额的71.43%),脚踝(66.66%),胸部(58.82%),和手腕(52.38%)。gydF4y2Ba

4.3。该方法的性能比较和参考方法gydF4y2Ba

表gydF4y2Ba5gydF4y2Ba介绍了识别的混淆矩阵十三日常生活活动。gydF4y2Ba

表gydF4y2Ba3gydF4y2Ba显示详细的绩效评估方法。该方法识别洗盘子,下行楼梯,跑步机跑步,和绳子准确率最高的100%。走路的方法也达到精度高(99.62%),说谎(99.47%)、楼梯和提升(99.47%)。强度的差异导致混乱的算法在区分骑自行车一个测力计(100 W)(98.93%)和骑自行车在一个测力计(50 W) (98.72%)。混淆矩阵表gydF4y2Ba5gydF4y2Ba清楚地表明,这些活动并被错误地归类为彼此。全面的准确性(98.27%)和吸尘(98.06%)非常相似。坐着,站着,在重力方向有相同的角度,分别被误诊了2.97%和3.16%。gydF4y2Ba

表gydF4y2Ba6gydF4y2Ba给出了该方法的比较和两个参考论文,也就是说,Leutheuser et al。gydF4y2Ba33gydF4y2Ba)和Zdravevski et al。gydF4y2Ba34gydF4y2Ba]。如表所示gydF4y2Ba6gydF4y2Ba,我们建议的方法比较与参考论文的认可的坐着,站着,洗盘子,走路,上行楼梯,下楼梯,跑步机跑步,跳绳。总的来说,我们提出的方法实现了分类准确率99.13% 13日常生活活动,而Leutheuser等人的两种参考方法和Zdravevski等人准确率达到89.00%和93.00%,分别。gydF4y2Ba

5。结论gydF4y2Ba

我们提出了一个新颖的方法,适用于一种特征选择算法在不同的传感器位置识别使用DaLiAc基准数据集13日常生活活动。我们提取的特征进行识别,数据集预处理。然后,排名是根据功能重要性的特性使用特征选择技术。此外,我们为每个sensor-location数据集分别执行这个过程。喂养一个分类器的特性之前,我们优化选择的功能通过使用皮尔逊相关系数阈值等于1。我们的性能评估方法有三个指标,即精度、召回和F1-score。结果表明,该方法实现了高精度五活动率100%,也就是说,撒谎,走路,提升楼梯,跑步机跑步,跳绳。最低的精度识别吸尘活动率为95.73%。此外,我们比较了F1-score指标与两个引用论文。总的来说,我们提出的方法优于两种参考方法在分类的准确率99.13% 13活动。 In contrast, Leutheuser et al. and Zdravevski et al. only achieved accuracy rates of 89.00% and 93.00%, respectively. The results are promising and show that the proposed method can be useful for a multiple-sensor configuration in human activity recognition.

在未来,我们打算提高分类的准确率,降低特征维度日常生活活动。此外,我们将扩大我们的工作,考虑功能相关性和功能排在传感器位置。gydF4y2Ba

数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

这项研究受到了基础科学研究项目通过韩国国家研究基金会(NRF)由教育部(NRF - 2015 r1d1a1a01060917)。这研究也支持了韩国国家研究基金会(NRF)由韩国政府(MSIP) (NRF - 2016 r1a5a1012966)。gydF4y2Ba