结合手机传感器和卷积神经网络的人体行为识别.pdf

本文探讨的主题是利用智能手机传感器和卷积神经网络（CNN）进行人体行为识别。在现代生活中，随着健康问题和老龄化人口的增加，对人体行为的监测和识别变得至关重要，特别是在老年人的看护领域。传统的单个传感器在行为识别上的局限性催生了多传感器数据融合的研究。 在本文中，研究人员提出了一种结合智能手机中的惯性传感器（如加速度计和陀螺仪）和CNN的方法来提升行为识别的准确性。他们利用CNN的自动特征提取能力，从收集到的加速度和角速度数据中学习和提取特征。这种方法避免了手动特征工程的复杂性和可能的误差，从而提高了识别效率和准确率。 CNN的结构包含卷积层、池化层和全连接层。卷积层用于从输入数据中抽取特征，池化层则用于降低数据维度，减少计算复杂性，而全连接层则用于分类。在处理传感器数据时，首先进行了预处理，包括高通滤波以获取身体加速度信号，并对各信号进行对齐和组合，随后通过Softmax分类器实现行为识别。 实验结果显示，与现有的行为识别方法相比，该模型在识别六种不同行为时取得了较高的准确率，平均准确率达到了97.22%。这证明了CNN在特征提取上的优越性以及该模型的有效性。 论文还展示了CNN训练的误差和识别率曲线，进一步验证了模型的性能。在数据处理过程中，每2秒的时间窗口被划分为100个采样点，每次卷积和池化操作后，数据尺寸会逐渐减小，最后通过全连接层输出识别结果。 本文提出了一种结合手机传感器和深度学习（CNN）的人体行为识别技术，这种方法能够有效处理多源传感器数据，自动提取特征，并实现高精度的行为分类。这为移动设备在健康管理、老年人关怀等领域的应用提供了新的研究方向和技术支持。