《基於多維度集成學習的日常人體活動類型識別研究》是依託東南大學，由莫凌飛擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於多維度集成學習的日常人體活動類型識別研究
- 項目類別：青年科學基金項目
- 項目負責人：莫凌飛
- 依託單位：東南大學
中文摘要,結題摘要,
中文摘要
生命在於運動，精準的人體活動記錄與分析對人體健康的改善非常重要。人體活動分析的主要目標是識別每日不同時間段的活動類型與活動強度，以及計算在每日的活動中消耗的能量。其中，人體活動類型的識別最為關鍵。隨著可穿戴技術的快速發展，通過各種可穿戴設備及感測器進行人體活動記錄與分析具有很大的潛力。但是，由於不同人體具有不同的身體特徵與運動習慣，在日常生活中對人體活動類型進行準確識別非常困難。本項目擬通過多維度集成學習的方法實現日常人體活動的準確識別。通過不同感測器、不同人體、不同時間等不同維度的數據，構建具有不同統計特徵的分類器。再將這些基於不同維度數據的分類器通過有效的集成方法進行集成，從而提高日常人體活動類型識別的精度與泛化能力。這將為實現日常人體活動類型的準確識別與科學的活動指導提供可能。項目中所提的多維度集成學習方法也能用於其它多感測器、多對象、非穩態測量系統。
結題摘要
人體活動或行為識別對於人體健康分析、公共安全、人機互動都非常重要。其中，通過穿戴設備或感測器進行人體活動記錄與分析可以實現人體日常活動的記錄，對人體活動量化與健康分析具有很大的潛力。但是，由於不同人體具有不同的身體特徵與運動習慣，在日常生活中對人體活動類型進行準確識別非常困難。要理解人的行為則比較困難，需要結合感測器、場景、時間、地點等不同維度的數據。本項目針對基於穿戴式多感測器的日常人體活動類型識別，研究通過基於不同維度的多分類器集成學習方法來實現日常人體活動類型的準確測量。具體包括：1、針對日常人體活動類型識別，研究基於不同維度的差異化分類器的構建；2、針對日常人體活動類型識別，研究基於不同維度數據所構建的不同分類器的集成方法。在多維度感測器數據與特徵提取的基礎上，構建了 “Class-specific”的加權多數投票多分類器融合算法，解決了融合的感測器具有不同統計分布的問題，識別精度有明顯的改進。針對含有110名受試者的日常活動數據集，分別對包括K最近鄰算法、樸素貝葉斯算法、隨機森林以及支持向量機四種典型的機器學習分類算法進行“Class-specific”集成模型的構建。較之常規集成的方法，所有的四種分類算法經過集成之後的模型對十類日常人體活動的識別均體現出更好的分類性能，表現為實現了更高的總體分類準確率和更低的標準差。具體而言，基於支持向量機的差異化集成模型的總體識別準確率從86.68%提高到92.1%，標準差從9.26%降低到7.43%。該模型與方法將為實現日常人體活動類型的準確識別與科學的活動指導提供可能，該方法也能用於其它多感測器、多信息源測量系統。
