[发明专利]一种人类活动识别的方法

权利要求书

1.一种人类活动识别的方法，其特征在于，包括如下步骤：

1)模型定义：活动识别系统预定义活动类别，机器学习模型定义如下：

假设活动类别定义为集合A＝{a₀,···，a_c-1}，m个活动采集的等长时间窗数据集合记为{W₀，W₁,···,W_m-1}，每个时间窗数据包括k个传感器的一段时间的测量值，m个活动对应的类别记为{y₀,y₁,···,y_m-1},y_i是A中的一个元素，找到数学模型f:W_i→A，使得f(W_i)和对应的活动类别y_i相同；

2)执行动作并记录数据：让佩戴传感器的人执行2组选定的站立、坐下、躺下、步行、上楼和下楼六个人类活动动作，每一个动作执行完成与开始执行下一个动作之间间隔5秒，6个动作执行完毕为一组，然后将传感器的数据记录下来；

3)整理数据并上标签：将步骤2)中记录的传感器的数据，按照每组数据的真实活动贴上标签，标签不做具体限定；

4)构造预测模型：采用AdaBoost算法和决策树构造预测模型，给定一个训练集样本T＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，其中x∈χ，空间y_i是标签集合{1,2,3,4,5,6}，N是训练样本的数量，初始化训练样本的权值分布，每一个样本都被赋予相同的权重1/N，即如公式(1)：

D1=(w11,w12...w1i...w1N)w1i=1N;i=1,2,...,N---(1)]]>

选用决策树作为弱分类器，对训练样本进行训练，得到一个弱分类器G_m(x)，对训练样本训练结束以后会得到一组预测值，也就是活动标签，将预测到的活动标签与给定的训练标签进行比对就可以计算G_m(x)在训练样本上的分类错误率e_m，如公式(2)：

em=P(Gm(xi)≠yi)=Σi=1NwmiI(Gm(xi)≠yi)---(2)]]>

由公式(2)可知，G_m(x)在训练样本中的错误率e_m就是被G_m(x)错误分类样本的权值之和。

计算G_m(x)的权重系数α_m，它表示G_m(x)在最终的分类器中的重要程度，权重系数α_m表示为公式(3)：

αm=12log1-emem---(3)]]>

当e_m≤1/2时，α_m≥0，并且α_m会随着e_m的减小而增大，给所有的训练样本做编号，并且记录了被错误分类样本的编号，每个样本都有一个权值与之一一对应，更新训练样本的权值分布如公式(4)：

Dm+1=(wm+1,1,wm+1,2...wm+1,i...wm+1,N)wm+1,i=wmiZmexp(-αmyiGm(xi)),i=1,2,...N---(4)]]>

其中Z_m是使得D_m+1成为一个概率分布的规范化因子，它可以如公式(5)表示：

Zm=Σi=1Nwmiexp(-αmyiGm(xi))---(5)]]>

为了使被弱分类器G_m(x)错误分类样本的权值增大，而被正确分类样本的权值减小，迭代过程中，训练样本永远是唯一的，始终是最初的那个训练样本，

根据弱分类器以及各自对应的权重因子，将它们一一对应得到公式(6)：

f(x)=Σm=1MαmGm(x)---(6)]]>

从而得到最终的模型G(x)，如公式(7)：

G(x)=sign(f(x))=sign(Σm=1MαmGm(x))---(7)]]>

5)识别：佩戴传感器的人再次执行步骤2)中的任意一种人类活动动作，将传感器中的数据输入到步骤4)构造好的模型中，该模型就会输出一个活动标签，活动标签所对应的人类活动即为我们的预测结果。

2.根据权利要求1所述的人类活动识别的方法，其特征在于，步骤1)中所述传感器为陀螺仪传感器。