基于智能手機(jī)的用戶(hù)行為識(shí)別技術(shù)研究與應(yīng)用.pdf

1、用戶(hù)行為識(shí)別技術(shù)已經(jīng)在身份鑒別、生產(chǎn)控制和人機(jī)交互等領(lǐng)域得到了廣泛應(yīng)用，傳統(tǒng)的行為識(shí)別研究大都采用專(zhuān)門(mén)定制的可穿戴式傳感器或者外接式傳感器，這類(lèi)設(shè)備往往造價(jià)太高，不利于市場(chǎng)推廣。而隨著智能手機(jī)的日益普及和智能手機(jī)傳感器技術(shù)的不斷發(fā)展，本文提出了基于智能手機(jī)的用戶(hù)行為識(shí)別技術(shù)的研究與應(yīng)用。
　　本文在比較中外文獻(xiàn)中所研究的用戶(hù)行為動(dòng)作后，選擇可以代表人類(lèi)基本運(yùn)動(dòng)行為的5種動(dòng)作作為本文將要識(shí)別的動(dòng)作，分別為站立、行走、跑步、上樓和下樓

2、。為了采集這5種動(dòng)作的加速度傳感器數(shù)據(jù)，本文專(zhuān)門(mén)開(kāi)發(fā)了基于A(yíng)ndroid的傳感器采集程序。通過(guò)傳感器采集程序采集到的原始數(shù)據(jù)中包含高頻噪聲，這些噪聲會(huì)影響最終分類(lèi)的準(zhǔn)確度，因此本文通過(guò)“加窗”的方法把原始信號(hào)分割為包含512個(gè)樣本點(diǎn)的待測(cè)樣本。在特征提取與特征選擇模塊中，本文結(jié)合加速度傳感器信號(hào)的特點(diǎn)，通過(guò)計(jì)算加速度信號(hào)在X軸、Y軸和Z軸的均值、標(biāo)準(zhǔn)差、相關(guān)系數(shù)和峰度，作為加速度信號(hào)的特征，組成一個(gè)12維的特征向量，用這個(gè)特征向量來(lái)表示

3、用戶(hù)的行為動(dòng)作。在用戶(hù)行為分類(lèi)識(shí)別模塊中，本文使用支持向量機(jī)作為用戶(hù)行為識(shí)別的分類(lèi)算法，從每種動(dòng)作100個(gè)特征向量中選取80個(gè)，組成一個(gè)12×400的特征矩陣用來(lái)訓(xùn)練SVM分類(lèi)器,剩余的12×100的特征矩陣作為待測(cè)樣本，用來(lái)測(cè)試訓(xùn)練好的SVM分類(lèi)器。
　　實(shí)驗(yàn)結(jié)果表明，本文基于智能手機(jī)的用戶(hù)行為識(shí)別技術(shù)的整體識(shí)別率達(dá)到90.4％，其中對(duì)用戶(hù)站立的識(shí)別率達(dá)到100%，行走和跑步的識(shí)別率也都達(dá)到或者超過(guò)了90%，而上樓和下樓的識(shí)別率

4、則相對(duì)較低，分別為85%和84%。本文在僅僅采用單個(gè)加速度傳感器的情況下，5種行為的平均識(shí)別率達(dá)到了90.4%，證明了本文基于智能手機(jī)加速度傳感器的用戶(hù)行為識(shí)別方案的可行性。本文的主要研究成果如下：
　　1、提出了針對(duì)加速度信號(hào)特點(diǎn)的原始信號(hào)預(yù)處理方法，通過(guò)“加窗”的方法，把加速度信號(hào)分割成固定長(zhǎng)度的待測(cè)樣本。
　　2、研究用戶(hù)行為識(shí)別的歷史和現(xiàn)狀，分析現(xiàn)有用戶(hù)行為識(shí)別技術(shù)并指出存在的不足，提出了一套基于智能手機(jī)加速度傳感器