基于单个三轴加速度计的人体行为识别研究

1 本文仅通过佩戴在手腕的单个三轴加速度计进行人体行为识别研究，以最大程度减小对个体的干扰并降低传感器部署成本。（单个传感器降低部署成本）

2 通过数据预处理和特征提取，并利用一种改进的子窗口的集成学习算法，实现对人体行为的准确识别。实验结果表明，相较于传统算法，识别准确率得以显著提升，证实了研究成果的有效性。

3 数据处理：

a 由于原始时间序列往往包含噪声，实现一个三阶巴特沃斯低通滤波器，完成去噪工作

b 整个数据集包含样本 266 555 条，每条样本包含X、Y、Z 三轴加速度数值

c 采集的原始加速度时间序列往往包含一些环境噪声:

KAＲANTONIS D M 利用 n 阶滑动平均滤波器滤除了加速度信号中的随机噪声

采用卡尔曼滤波器对热机械噪声和电噪声进行了滤除

加速度时间序列是数字信号，且其主要噪声为高频噪声，可采用无线脉冲响应滤波器设计一个三阶巴特沃斯低通滤波器，完成去噪工作

e 另外鉴于人体行为的频率较低，则设定滤波器的截止频率为 15Hz。该三阶巴特沃斯低通滤波器能有效消除时间序列毛刺噪声，同时能保持处理后的时间序列趋势和原始时间序列高度吻合

4 特征提取

对 x y z 三个轴分别提取

本文只进行时域特征的提取。(其余频域特征和时频特征对最终的识别效果影响较小)

不同的特征想在一起用要进行标准化处理，处理后各个特征的特征向量之间的数量级保持在相同量级上

5 一种改进的子窗口集成学习算法：

若固定窗口尺寸，则算法的普适性将大大降低，因此文献［14］提出一种基于可变子窗口的集成学习算法以克服此问题。本文对该算法进行了改进，将训练基模型所用的算法从支持向量机( Support Vector Machine，SVM) 更改为性能更优越的 XGBoost 算法，称为改进的子窗口集成学习算法

算法分为训练和预测两部分

训练：

该算法的训练部分通过设定不同尺寸的子窗口，对带有标签以及三轴加速度分量的时间序列生成多个对应的特征集，再利用基算法对各个特征集进行训练得到多个对应子模型伪代码：

预测：

在对时间序列分段进行预测时，首先利用不同尺寸的子窗口对该分段进行特征提取，形成多个对应的特征集，再针对不同特征集利用对应子窗口尺寸下的子模型进行预测，得到预测集，最后对预测集通过某种方法( 如多数投票方法) 进行处理得到该时间序列分段的预测标签。伪代码：

实验

为了验证所提出的改进的子窗口集成学习算法的优越性，

将和未改进的原算法以及四个传统机器学习算法进行对比，

这四个传统机器学习算法分别是 KNN、决策树 ( Desicision Tree，DT ) 、朴素贝叶斯 ( NaiveBayes) 以及 SVM。

由于人体行为识别问题可以视作一种分类问题，因此采用在分类问题中常用的 F1-score作为评价指标。

实验结果

结论

不难发现，无论是对单个行为识别的 F1-score 还是对整体识别的平均 F1-score，本文所提出的 ISWEM算法均取得了优于作为对比的其他算法的表现。

针对利用单个三轴加速度计进行人体行为识别的场景，

提出了数据预处理及特征提取方法，

并进一步提出一种改进的基于子窗口集成学习算法，

该算法通过集成各个尺寸窗口下得到的各个基模型，

一方面克服了固定尺寸窗口带来的普适性低的问题，

另一方面，集成多个基模型使得识别指标 F1-score 得以有效提升。

通过和未改进的算法以及其他四种传统机器学习算法进行实验对比，

验证了所提出算法的优越性。

小波变换作用

滤波器各自的适用范围（数据预处理）

滑动窗口

不同的滑动窗口提取的得到的特征不同使用基算法 xGoobst 得到的模型不同，预测时不同的滑动窗口得到的特征集使用对应的子模型，得到预测百分比然后使用投票机制决定是哪一类。