[发明专利]一种跨手机平台的用户行为识别方法

说明书

本发明提供一种跨手机平台的用户行为识别方法，包括以下步骤：S1：在数据采集平台A上采集数据并对采集到的数据集DataA进行标注；S2：采用基于时频域变换的加速度传感器数据处理方法对标注后的数据集DataA进行处理，然后建立行为识别模型ModelA，S3：在数据采集平台B上采集数据以得到数据集DataB，采用基于时频域变换的加速度传感器数据处理方法对数据集DataB进行处理；S4：将行为识别模型ModelA直接在数据采集平台B上实现，然后采用行为识别模型ModelA对处理后的数据集DataB进行识别，以预测用户的实时行为，本发明对不同数据平台所采集的加速度数据在时域上进行归一化，在频域上进行重采样，能够有效提高模型的设备普适性。

技术领域

本发明涉及模式识别与传感器技术领域，具体涉及一种跨手机平台的用户行为识别方法。

背景技术

在“智能养老”研究领域，监控老人的动作行为，如静止、散步、慢跑、上楼梯、下楼梯等行为，具有重要的意义。利用传统的机器学习方法构建基于加速度传感器的行为识别模型的过程如图1所示，部署训练好的模型去在线识别用户行为的过程如图2所示。若要该行为识别模型能成功预测用户的行为，使得DataA和DataB具有一致的分布性是最基本的要求；在现实中，我们在研究行为识别模型和部署系统时，发现苹果iphone7(iOS平台)和华为Mate8(Android平台)的数据不满足一致性的要求，如图3和图4所示，从图3可以看出，静止时iphone7手机的合成加速度大约为为1左右，由静止时重力加速度的大小为1g可知iphone7手机读取到加速度的单位是g；Mate8手机的合成加速度为10左右，由静止时重力加速度的大小为9.8米/秒2可知Mate8手机读取到的加速度的单位是米/秒2。这些读数的不同可以理解为不同手机平台下的API接口度量加速度的量纲不同。两种平台的手机通过各自的加速度数据采集程序读取到的静止时数据为什么存在这么明显的差距，我们想探究其原因，然而通过查阅相关的资料，并没有官方明确的声明。虽然如此，两种不同手机平台下采集的加速度传感器数据的量纲不同，是一个客观存在的现实，图4中所描绘的曲线表现的是Mate8、iphone7平台手机在随用户慢跑时分别采集到的200个数据的合成加速度值。慢跑是周期性的运动，表现在加速度数据的波形图上，呈现出波峰波谷交替的形态。从图4可以清楚地看出，两手机在200个数据内感知到的波峰波谷数目是不同的，也就是所包含的用户慢跑经过的步数是不同的。由于两手机是绑定在一起的，因此无论是哪个手机，每两个波峰之间的时间差是相同的，于是可推算出两个手机采集200个数据所耗费的时间是不同的，从而可进一步推知两个手机的加速度采样频率是不同的；训练数据和预测数据分布的不同，导致基于其中一个平台上采集的数据训练的行为识别模型不能有效的区分另一个平台上采集到的数据。

发明内容

本发明的目的是提供一种跨手机平台的用户行为识别方法，本发明对不同数据平台所采集的加速度数据在时域上进行归一化，在频域上进行重采样，能够有效提高模型的设备普适性，以解决上述技术问题。

为了达到上述目的，本发明所采用的技术方案是：一种跨手机平台的用户行为识别方法，包括以下步骤：

S1：在数据采集平台A上采集数据并对采集到的数据集DataA进行标注；

S2：采用基于时频域变换的加速度传感器数据处理方法对标注后的数据集DataA进行处理，然后建立行为识别模型ModelA，并将建立的行为识别模型ModelA的参数β记录下来；

S3：在数据采集平台B上采集数据以得到数据集DataB，采用基于时频域变换的加速度传感器数据处理方法对数据集DataB进行处理；

S4：将具有参数β的行为识别模型ModelA直接在数据采集平台B上实现，然后采用行为识别模型ModelA对处理后的数据集DataB进行识别，以预测用户的实时行为。

进一步的，所述的步骤S2中在建立行为识别模型ModelA时采用决策树分类方法或神经网络分类方法。