[发明专利]一种基于机器学习的人类活动分类识别方法及系统

说明书

本发明公开一种基于机器学习的人类活动分类识别方法及系统，包括步骤一、建立数据集，步骤二、对数据集中的惯导数据进行预处理并完成数据集标注，步骤三、建立基于机器学习的人类运动多分类模型，步骤四、使用标注完成的数据集训练人类运动多分类模型，步骤五、通过训练好的人类运动分类模型对进行识别并获得识别结果；本发明使用智能手机作为人类运动信息采集的传感器，使用极为方便，并且能为活动监测提供长期解决方案，且基于lightGBM的人类运动多分类模型具有训练效果好、不易过拟合还可以处理海量数据的优点，同时本发明构建了一个完成的基于机器学习的人类活动分类识别方法及系统，模型部署快，应用前景良好。

技术领域

本发明涉及人类运动分类技术领域，尤其涉及一种基于机器学习的人类活动分类识别方法及系统。

背景技术

人类活动识别是一个活跃的研究领域，它通过解释来自运动、位置、生理信号和环境信息的属性来开发理解人类行为的方法，人类活动识别的目的是通过对一个人及其周围环境的一系列观察来识别他/她所执行的行为，识别可以通过利用从各种来源检索到的信息来完成，如环境传感器或穿戴式传感器，一些方法在不同的身体部位(如腰部、手腕、胸部和大腿)采用了专用的运动传感器，实现了良好的分类性能；

目前普遍存在的问题，有这些传感器通常会让普通用户感到不舒服，不能为活动监测提供长期解决方案，智能手机设备普及率极高并且智能手机配有大量的内置传感器，如麦克风、双摄像头、加速计、陀螺仪等，使用带有惯性传感器的智能手机是人类活动识别的替代解决方案，传统的人类活动分类识别方法单一，识别速度慢，识别精度不高，因此，本发明提出一种基于机器学习的人类活动分类识别方法及系统以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于机器学习的人类活动分类识别方法及系统，该基于机器学习的人类活动分类识别方法及系统使用智能手机作为人类运动信息采集的传感器，使用极为方便并且能为活动监测提供长期解决方案，且基于lightGBM的人类运动多分类模型具有训练效果好、不易过拟合还可以处理海量数据的优点，同时本发明构建了一个完成的基于机器学习的人类活动分类识别方法及系统，模型部署快，应用前景良好。

为实现本发明的目的，本发明通过以下技术方案实现：一种基于机器学习的人类活动分类识别方法，过程包括以下步骤：

步骤一、建立数据集，通过智能手机采集多组人员不同运动的惯导数据；

步骤二、对数据集中的惯导数据进行预处理，完成数据集标注；

步骤三、建立基于机器学习的人类运动多分类模型；

步骤四、使用步骤二中标注完成的数据集训练步骤三中的基于机器学习的人类运动多分类模型；

步骤五、通过训练好的人类运动分类模型对人类运动进行识别，获得人类运动识别结果。

进一步改进在于，所述步骤一中对惯导数据采集的具体操作为：先将智能手机佩戴在数据采集的人员口袋或者手中，然后实验人员做各种人类正常活动，采集实验人员运动时产生的惯导数据，日常活动包括站立、行走、躺、跑和跳的动作，其中惯导数据包括加速度数据、陀螺仪数据和磁力计数据。

进一步改进在于，所述步骤二的具体操作如下：

第一步、对数据中的惯导数据的预处是进行特征值提取，所述的特征提取方法包括平均值、标准偏差、中值、绝对值、最大值、最小值、信号熵、自回归系数、频率间隔的能量和频率信号峰度；

第二步、进行数据集标注工作，将每种运动的特征提取后的数据标注上对应的运动编号，构建完整的数据集。

进一步改进在于，所述步骤三的具体操作如下：

第一步、建立基于lightGBM的人类运动多分类模型的机器学习的人类运动多分类模型；