论文部分内容阅读
人的行为包含着丰富的信息,对行为的准确识别可以广泛应用在智慧医疗、运动保健和人机交互等领域。随着微电子和传感器技术的不断发展,基于传感器的人体行为识别(Human Activity Recognition,HAR)技术因为出色的便利性和隐私性,得到越来越多的关注。同时,随着递归神经网络(Recurrent NeuralNetwork,RNN)和卷积神经网络(Convolutional Neural Network,CNN)等深度学习技术的发展,大量的研究将这些方法应用到HAR任务中,设计的端到端(End-to-End)识别系统,避免了传统的人工设计特征(Hand-crafted Features)过程,并进一步提高了行为识别的准确率。虽然近年来基于传感器的HAR技术取得了较大发展,但是仍面临着不少问题和挑战。例如,如何进一步提高深度学习模型的训练速度,使得在可穿戴设备上的实时学习成为可能;如何在控制模型参数的情况下进一步提高深度模型的特征提取能力;如何在即将到来的万物互联时代更好地利用多源传感器的数据等。针对上述问题,本论文主要进行了以下几个方面的研究:(1)在基于传感器的HAR任务中引入格拉姆角域算法,将传感器采集的一维时间序列通过尺度缩放、坐标轴变换和三角函数计算等步骤转换为二维图像的格式,使其适宜于基于CNN的深度学习算法,避免了 RNN训练速度慢、时间复杂度高的问题。(2)结合残差学习和空洞卷积等CNN网络的结构和优点,提出一种新的多空洞卷积核残差模块,能够有效提高模型的多尺度特征提取能力,从而提升行为识别的准确率。在该模块的基础上提出一种基于单个传感器的HAR算法,并在仅含有加速度传感器的公开数据集上对所提算法进行了实验分析。(3)在所提基于单个传感器的HAR算法基础上,对多源传感器的融合处理进行研究,设计了一种多源传感器自动融合网络,可以对不同传感器的数据自动进行特征层融合,并在2个含有多传感器的公开数据集上进行了对比性实验,用以评估所提方法的性能。本论文在WISDM、UCI HAR和OPPORTUNITY等3个公开数据集上进行了仿真实验,结果表明所提的多空洞卷积核残差模块和多源传感器自动融合网络是有效的,能够提取传感器数据的多尺度特征并进行自动融合,同时进一步提高了行为识别的准确率。本论文所提的方法可以推广到日常行为检测、智慧医疗和智慧家居等众多领域,具有较为广阔的应用前景。