[发明专利]基于FSA-Choquet模糊积分的特征选择方法

说明书

本发明公开的基于FSA‑Choquet模糊积分的特征选择方法，包括以下步骤：步骤1，初始化带有特征的原始数据集X，使用Choquet模糊积分优选出最优特征子集；步骤2，然后通过最大冗余计算，结合后向浮动搜索策略及分类器进行特征优选。本发明基于FSA‑Choquet模糊积分的特征选择方法，通过两次特征优选实现最优特征子集的选择，首先使用Choquet模糊积分优选出当前最优特征子集，然后通过最大冗余计算，结合后向浮动搜索策略及分类器进行特征优选；实验证明，基于FSA‑Choquet选择的特征在行为识别中具有较高的分类识别率。

技术领域

本发明属于特征选择方法技术领域，具体涉及一种基于FSA-Choquet模糊积分的特征选择方法。

背景技术

在人体运动中，加速度现象普遍存在，可以直接反映人体运动状态，例如人体的日常行为动作：步行、上楼梯、下楼梯以及跑步等；这些日常动作都会产生相应的加速度，通过这些信息反映人体的行为动作和精神状态。随着传感器技术的快速发展和广泛应用，利用传感器进行人体行为识别的研究已应用于多个领域。在体育运动领域，研究运动员体育竞技的运动动作；在游戏娱乐领域，提升游戏娱乐的质量以及人机的互动性；在医疗健康领域，监测人的身心健康，例如跌到检测和血压监测等；在安防监控领域，降低人工监控成本等。

从研究方法上来说，人体行为识别属于模式识别领域，关于模式识别的方法大多数都可以应用在人体行为识别中。Mannini等人通过分割低频部分加速度信号的数据，提取17种特征，然后使用HMM分类器进行行为识别，识别率为98.4％。Casale P利用随机森林分类器，有效识别上楼梯、下楼梯以及电脑办公等人体基本行为动作，识别率达到94％以上。MANNINI A通过在受试者脚踝和手腕上佩戴多个加速度计进行人体日常行为的识别。PinkyPaul通过改进k-近邻算法实时识别分析人体跑步、走路、站立的基本动作。Bruno Aguiar等人使用智能手机加速度传感器，研究人体的跌倒检测，并通过实验验证了他们提出的跌倒检测算法的可行性，识别准确率达到97.5％。

综上所述，国内外已有很多基于加速度传感器的人体行为动作的识别研究，由于人体动作的复杂性和现实环境中许多潜在影响人体行为动作的因素，为了提高分类识别率，通常会提取大量时域特征和频域特征，随着特征维数的增加会导致存在一些冗余特征，增加计算复杂度和降低分类识别率。

对人体加速度数据来说，提取的特征向量通常需包含能够识别各类人体行为的重要信息，同时这些特征向量又作为行为识别分类算法的输入。人体行为识别用到的特征主要有加速度信号的时域特征和频域特征等；时域特征主要有均值、方差、标准差、能量及相关系数等；频域特征主要包含频域熵和傅里叶系数等。

在人体行为识别系统中，由于采集到的原始数据来源于多个传感器，即使用同一个传感器采集数据，由于每种特征的运算过程不同，不同种特征的取值范围存在差异。因此，对原始特征空间数据集进行标准化处理是人体行为识别系统处理中不可或缺的一步。常用两种标准化方法：“min-max”标准化处理方法和“z-score”标准化处理方法。特征选择的目标一是对原始特征空间进行降维，减少运算的复杂度；二是针对特征本身，通过评价、筛选特征集合中的每个特征，得到能使分类模型具有更好识别效果的特征子集。

典型的特征选择过程包含四个基本模块：特征子集生成、特征子集评价、评价终止条件和结果验证。

特征子集的生成和特征子集评价准则是研究特征选择的核心问题。在指定子集评价标准和评价终止条件后，首先在原始特征空间中生成特征子集作为候选特征子集，然后使用子集评价准则来衡量候选特征子集生成的局部最优特征子集，判断是否满足终止条件，如果不满足，则继续搜索当前最优特征子集，直到满足为止，最终产生最优特征子集，结束特征选择。