基于可穿戴式傳感網絡的人體異常行為識別.pdf

1、作為普適計算一個重要的研究領域，人體行為識別可以了解人體的活動行為、運動強度和能量消耗等狀態(tài)信息。而隨著傳感技術和低功耗無線通信技術的發(fā)展，利用無線可穿戴技術進行人體行為識別，進一步推進了人體行為識別在智能家居、老人監(jiān)護、病人監(jiān)護和運動員康復訓練等領域的廣泛應用。
　　當前利用可穿戴技術識別人體行為，主要集中于計步、老年人跌倒等日常活動，而對于特殊人群的異?；顒?，如監(jiān)獄囚犯，特殊對象的打架斗毆等暴力行為的監(jiān)控研究較少。對于這類人群

2、的異常行為監(jiān)控，在異常行為發(fā)生時及時告警，可以在短時間內采取合適措施，阻止危險事故進一步發(fā)生。本論文基于無線可穿戴技術，利用三軸加速度傳感器，實時監(jiān)測人體行走、站立時的活動信息，采用時域的均值、方差、標準差作為各類行為的特征值，判斷人體異常行為。具體工作包括如下內容：
　?。?）分析比較離線狀態(tài)下支持向量機(Support Vector Machine, SVM)、K-近鄰算法(K-Nearest Neighbors, KNN)、

3、決策樹算法(Decision Tree, DT)和樸素貝葉斯(Na?ve Bayes, NB)等分類算法進行異常行為識別時的準確率和計算復雜度，結果表明 KNN算法的異常行為識別效果最好。重點分析了KNN算法中不同K值下的行為識別準確率，當K等于5、7、9、11時，其準確率達到95％以上。
　?。?）為適用于可穿戴設備，重點分析了KNN算法實現時，不同訓練樣本數對算法行為識別時的準確率和計算復雜度影響。發(fā)現在減少訓練樣本時，行為識

4、別準確率影響不是很大。如訓練樣本從479減少到128時，異常行為識別的準確率減少5%左右，而訓練樣本從128減少到64時，異常行為識別的準確率減少2%左右。并采用ReliefF算法計算各維特征的權重，對小樣本下的KNN算法進行改進。
　?。?）在可穿戴式傳感器平臺Shimmer上，驗證了KNN算法。發(fā)現在可穿戴平臺上，受限于節(jié)點處理能力和內存，需對算法進行優(yōu)化。將訓練樣本中均值、方差、標準差組成的9維特征矩陣，減少為只有均值的3維