英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于加速度传感器和GPS传感器组合的人类活动识别系统
摘要：手机技术不断发展和整合了越来越多的传感器以实现先进的应用。在复杂繁多的各类通信设备中，这些可用的传感器为数据挖掘应用提供了机会。特别是使用内置传感器的医疗应用是非常有前景的。这些传感器设备大大地扩展了在不同领域中挖掘他们潜能的机会，例如医疗、金融等等。当前的论文介绍了一种识别人类活动的方法，这种方法使用智能手机加速度和位置定位传感器。我们介绍了一种检索信号数据并将其存储在 SQLite 便携式移动数据库的方法。这种方法使用信号检索和存储程序的异步模式。当收集信号后，我们为了存储信息和获取高维特征模式而进行降噪处理，时域和频域特征提取。这些模式而不是未处理的信号随后传送到远端服务器上。分类阶段基于“老师带教”的思路。收到的信号序列由移动设备的传感器进行收集，并使用支持向量机（SVM）学习思路进行分析。
关键词：活动分类，移动设备，加速度器，GPS传感器，信号处理，特征提取，SNM
引言
如今互联网和个人电脑是联系人们最常见的方式，让人们能够相互之间交换消息。另一方面，没有人能够像手机一样随时随地地联系任何人。此外，移动科技大体上关注的是它们在全世界变得无处不在、变我们交流的方式、引导商业和提供关系和服务。移动科技最诱人的好处就是疾病防控领域，慢性疾病的管控和提高医疗服务。对于发生在移动健康（mHealth）领域中所有的进展，它对于一个庞大受益人群体——老龄人和支持他们的人的潜力开始显现出来。监视一个人的物理状态的能力让我们认识个人化医疗系统这个概念。（图1）
图1 使用移动设备监视老年病人健康
所以，显而易见的是来自硬件传感器（加速度计、罗盘传感器和GPS的组合）用于识别人类活动的数据在当今时代被使用的非常多。并且我们的方法使用加速度计和GPS传感器用于检索和以后的处理。
加速度计和GPS设备、陀螺仪传感器一样，正在成为新智能设备中的标准组件。现在最常用的几种类型的加速度计都基于电机设备（微电子器械系统或者称 MEMS）,包含一系列像针一样的结构用于探测运动、产生读数然后传给主要芯片。加速度计的应用有非常广的应用，而它小的尺寸和低的功耗使它有了更大的影响。这类传感器能够被用作行为探测和运动速率的检测。它能根据你手持手机的位置自动定位手机。加速度计是一个非常小的芯片，它有一个极其小的部分用硅组成（大约50微米厚）。显而易见，此结构的共振频率能够通过提高弹簧系数和减少质量来提高，同时设备的品质因数能够通过减小衰减和提高质量和弹簧系数来提高。
全球定位系统是一个基于卫星导航的系统，该系统由24个被美国国防部发射进入轨道的卫星组成的网络构成。在 GPS 的精准定位和轨道确定中，测量的概念（卫星信号的相位），包括从卫星到地球观测点的距离信息，电磁信号穿越电离层和对流层的时间延迟，信号多径效应的影响等等。如果这些因素能够确定，将会提高定位和轨道确定的精确度，同时将会为其他学科的学习提供学习材料，例如地球动力学、地球物理学。相似的问题在现代测量数据处理中非常常见，而传统的参数模型在处理这些问题的时候显得力不从心。所以这个传感器对于现代移动设备也非常常见。
二、相关工作
在这个领域中很多不同的工作在近些年开始发展。很多行为识别系统使用一个或多个依附在人体不同部分的可穿戴的传感器收集并发送数据到相近的服务器站点。有很多关于可穿戴传感器的著作，其中大部分是加速度计。大量传感器部署和相关研究收到数量的限制。很多行为识别的思想都采用嵌入在移动设备的传感器，这将可能因为广泛的便利性而打破部署的限制。就广泛的可用性而言，装配有各种各样传感器（音频、视频或者动作检测）的智能手机被看作是短期内物理行为识别的完美的工具。更多有用的移动设备传感器包括成像照相机、麦克风、加速度传感器、陀螺仪传感器、罗盘传感器、环境光探测器、距离传感器、位置传感器（GPS 、WLAN、网络）、WLAN和其他无线网络信号读数
Oner et al [3]展示了早期在计步器移动应用的早起工作，配套有通知医护助理或家人的电子邮箱。他们的目的是能够忽略手机的位置与方位使用智能手机检测摔倒事件。在论文中介绍的算法基于加速度峰值检测并在经历了不同的条件下的测试。
Das et al [5] 介绍了一种试图使用摩托罗拉 Droid 智能手机进行行为识别的尝试。行为分类的完成经历了几个阶段：数据获取、信号处理、特征提取和分类。使用最近邻算法的分类器，在被特定的使用者校准之后程序能够以93%的准确率预测模式或者行为。
论文 [7] 描述了几种算法，当数据被传送到服务器后，算法进行行为分类。分析了三个分类器：自定义决策树、自动生成决策树和人工神经网络。自定义决策树的分类器的准确率从58% 到97%不等，自动生成决策树分类器的准确率从56%到97%不等，而人工神经网络的思路的准确率从 22% 到 96% 不等。整个自定义决策树分类器的准确率为 82%，整个自动生成决策树的准确率为 86%，而人工神经网络的准确率为 82%。
另一个思路 [8] 探索了五种放置在不同身体部分的双轴加速度传感器。作者定义了最好的分类方法，基于小波特征和阈值分类器。七种基本的行为和行为中的转变根据从实验室中的数据而分类，这些数据来自使用十七维特征向量和一个基于 HMM 的序列分类器而获取，准确率达到了 98.4% 。尽管在可穿戴设备计算领域中已经取得了长足的进步，但是当前大部分可穿戴系统的用户穿戴传感器时经常感到不太舒服。
所以，为了使行为识别的过程更加舒适，He et al [9] 研究了把传感器放在用于口袋的方案，一个三轴的加速度计在自然环境中使用。离散余弦变换（DCT）、主元件分析（PCA）和支持向量机（SVM）都被用来分类。实验结果显示提出的系统最好的准确率达到了 97,51%。报告的系统的覆盖范围被蓝牙发射机的范围所限制。遵循会议论文格式要求的一种简单方法是使用这份文档作为模板和你键入的简单类型。
我们早期工作之一的工作同样是使用一种三轴加速度计和最近邻算法处理信号序列 [6] 进行行为分类。没有个人的校准工作，当使用者把移动设备装在口袋里时，这种方法能达到 80% 的准确率。
表1 对行为分类的不同研究结果的总结
|
具有代表性的报告结果 |
|
|
论文 |
描述和实验结果 |
|
Ravi et al.[2] |
使用算法：决定表，决策树，SVM，简单多数票法，k-NN 准确率：99.82% |
|
Bao et al.[23] |
使用算法：决策树， 传感器数量：5个双轴加速度传感器 准确率：84% |
|
Kaghyan et al.[6] |
使用算法：k-NN 传感器数量：一个三轴加速度传感器 准确率：80.6% |
|
Das et al.[5] |
使用算法：最近邻算法 传感器数量：一个三轴加速度传感器 准确率：93%（测试使用者校准后） |
|
Mannini et al.[8] |
使用算法：HMM 准确率：98.4% |
|
He et al.[20] |
使用算法：PCA，SVM。 准确率：97.51% |
|
Chernbumroong et al.[10] |
使用算法：决策树C4.5，神经网络 传感器数量：一个三轴加速度传感器 准确率：94.13% |
|
Kwapitz et al.[24] |
使用算法：J48，逻辑回归，多层感知器，稻草人 准确率：98.3% |
以上的表格说明了近些年来自不同研究在这个领域内信号处理不同思想和算法研究结果的概述。更多分析人类活动的分类的方法，包括可穿戴式、视频和环境的传感器及他们的优点与缺点在外面最近研究结果之一 [19] 中完成。
智能手机上的信号预处理
3.1 信号检索
一般来说，当我们在移动设备上进行行为分类操作时，信号预处理一定会有下面的步骤：数据检索、降噪和特征提取。如果行为分类的操作在移动设备上进行将会非常好的，因为使用分过类的数据将会使应用能够判断是否需要给服务器发送任何的信息。为了减少传送给服务器的数据量，我们必须在智能手机上执行这些操作。在移动应用的帮助下获取给定用户的行为集模板，使该用户能够在行为集中标记他将会做的动作（行走、战力、跑步等等），就像图二所展示的。
图二 基于Android的移动应用。左边为加速度传感器配置设置窗口，右边为信号检索窗口
这个特点通过构建适用于特定使用者的个人行为分类数据来提高行为分类的准确率。接下来我们讲述当加速度传感器工作时的移动应用的工作逻辑，类似的方案同样适用于GPS传感器。
图3 用户能看到的主线程的逻辑方案
图4 传感器信号检索异步流程图
基于Android的手机应用会执行异步信号检索和预处理（包括降噪和特征提取阶段）。图3说明了用户交互的逻辑图。SQLite数据库被用作是数据的存储“仓库”。这个步骤的逻辑图在图4中说明。SQLite数据库支持多连接，用于并行数据写入和读取线程，从而实现更优化的高级算法的计算。
研究这个分支的相似过程中，我们发觉这些相似的研究（[6]-[13],[15],[17]）进行信号处理都采用下面的方案：
- 从传感器中采集未处理的信号；
- 使用无线网络将未处理的信号值发送给靠近的服务器；
- 在服务器上对传来的信号值进行进一步处理
这意味着，如果存在稳定的网络连接，那么在指定的时间段内信号序列将会周期性的发送给服务器。为了减少数据传送的拥塞，我们进行下面的操作：
- 收集来自传感器的未处理信号；
- 在手机数据库中异步地存储它们；
- 当收集完成后进行信号序列的检索；
- 对信号序列进行降噪；
- 对信号序列进行特征提取；
- 将特征程式发送给服务器进行进一步的操作。
这种方法对我们来说有两种好处：
- 我们不给服务器传送非常大的未处理信号值序列；
- 我们直接在移动设备上进行降噪和特征提取步骤，所以我们只给服务器传送能够与定义行为的特征向量。所以我们把一部分的计算从服务器转移到了手机上。
在数据的收集过程开始前，应用让用户依靠传感器进行预配置。在实际的加速度传感器信号检索过程开始前，用户能够确定信号的读取速率，移动设备将会放在身体的哪个部位和信号检索的持续时间（图4、5）。Android 支持四种预定义的加速度读取速率（从最慢到最快分别为：UI速率、正常速率、游戏速率和最快速率），而且在我们的应用中，用户可以手动设置自己喜欢的速率，速率能够精确到毫秒级别（1秒为106毫秒）
降噪和特征提取的概念
噪声是传感器数据收集过程中一种常有的现象。通过点序列，我们可以计算出沿着加速度传感器的每个轴上顺序对的平均距离和两个GPS后继地理点的平均距离。所以，在现在的方法中我们应用了10倍交叉验证算法，这是在数据挖掘，图像和信号处理系统中使用的最先进的示例。所以，剩下来的计算步骤就是在智能手机上进行特征提取。特征提取的过程定义为“识别有效、有用和可理解的数据模式的过程”。在步态分析研究中产生的大量时间连续数据被称为“高维”数据。高维数据可以简单地考虑为许多的数据（数据有很多的维度）。特征提取的目的是更新数据中所有有效的特征，同时去除掉数据的冗余部分。这个过程有两种结果：（1）减少数据的量到一个可以管理的水平（减低维数），（2）更新数据中最重要的特征，并消除数据的所有冗余的特征（特征选择）。提供一个“概要”的观点可以被用作对数据进行有意义的解释。特征选择的第一步目的为减低维数，减少搜寻范围到一个更低更好管理的维数，要实现这一步必须要保持数据的相关特征并去除掉不相关的特征。也就是说，特征选择从整个“n”维特征集合中选择出“m”维相关特征，使得mlt;n。注意到数据中的固有冗余，理想情况中mlt;lt;n,且m包含数据所有的相关特征、不包含数据所有的非相关特征。减少数据的量并提取出关键特征在步态分析中通常用两种方法之一来进行，也就是时间连续参数化（从时间连续的数据或图标中选择出关键信息）或者数据转换（把原始数据转换成更小的数据集，该数据集尽可能多地保存原始数据的信息，例如通过傅里叶变换或者小波变换）。
当我们处理加速度信号时，每一个时刻我们都获取（x，y，z）——实值的三维矢量，我们的所有信号序列通过三个长度为L的数组或者一个3times;L维的矩阵。从这个序列中我们提取出了一下的特征：
- Min — 所选数组的最小值
- Max — 所选数组的最大值
-
Mean — 所选数组的平均值（
全文共12392字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[13490]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
