【例会】A comparative study on human activity recognition using inertial sensors in a smartphone 论文学习报告

主持人:李雨龙

参会老师:安宁

参会学生:明鉷,肖勇博,刘硕,李雨龙,赵春阳,程坤,贵芳

请假学生:唐晨,段优,滕越,景波,江思源,刘杰,韩朋

时间:2018年9月20日

本次例会学习讨论了以下文章:Wang A, Chen G, Yang J, et al. A Comparative Study on Human Activity Recognition Using Inertial Sensors in a Smartphone[J]. IEEE Sensors Journal, 2016, 16(11):4566-4578.

  • 背景(background)

基于人工智能的人体活动感知识别可以应用到环境辅助生活系统和医疗健康照护等领域中,实现例如活动提醒、跌倒检测、康复指导和健康评估等诸多智能化的应用。人体活动识别建立了从低级传感器数据与高级智能应用之间的联系,是一个非常有意义和挑战性的研究课题。但是由于人体活动具有多样性和复杂性等特点,使得人体活动识别方法往往不能获得较好的性能。

使用智能手机作为可穿戴的传感设备进行人体活动识别有很多优点:包括免于佩戴额外的设备,用户接受度高,计算能力强,通信能力强等。

一般市场上的智能手机都包含加速度计,陀螺仪两种内置的惯性传感器

  • 问题和假设(problem & hypothesis)

问题:1、何种惯性传感器(加速度计,陀螺仪)能够在人体活动识别中取得更好的效果

2、如何对从传感器中提取到的特征进行特征选择

 

假设:1、结合使用三轴加速度计和三轴陀螺仪数据比使用单一的数据有更好的识别率

2、本文中所设计的新的特征选择方法会比现有的特征选择方法起到更好的效果

  • 方法(method)

1、设计了一种适用于在线预测的活动识别框架

2、设计了一种结合了过滤(Filter)和封装(Wrapper)的特征选择方法——FW算法,

  • 实验(experiment)

实验使用的是公开的人体活动数据集,该数据集由30个年龄介于19和48周岁之间的志愿者在腰部佩戴智能手机收集的。 里面包括六种人体活动:走,上楼,下楼,坐,站和躺

文中将数据集分为三类:

1、只使用三轴加速度计 2、只使用三轴陀螺仪 3、同时使用加速度计和陀螺仪

特征选择方法分为四类:

1、不使用特征选择方法 2、使用PCA(Principal Component Analysis) 3、使用FCBF(Fast Correlation-Basd Filter Solution) 4、使用Wrapper 5、使用FW

评价度量分为五类:

1、准确率(accuracy) 2、精确度(precision) 3、召回率(recall) 4、F1 5、时间(time):

做了一系列的对比实验

  • 结果分析(Analysis)

通过实验最后得出以下三个结论

1、三轴加速度计比三轴陀螺仪在识别人类活动方面有更好的表现; 2、结合使用三轴加速度计和三轴陀螺仪数据比使用单一的数据有更好的识别率; 3、本文所提出的特征选择器FW在准确率,精确度,召回率方面均优于其他方法,证明了FW的有效性。

  • 展望(Future work)

1由于特征选择具有在泛化能力和时间复杂性方面改进活动识别器的能力,因此探索其他有效特征选择器并将其与本研究中提出的特征选择器进行比较仍然是未来研究的主题。虽然作者测试了所提出的方法在识别六种身体活动方面的有效性,但它实际上是一种可应用于其他情况的一般框架,例如通过与其他传感器的组合以实现其他分类和回归问题。下一步打算开发辅助生命系统,以便了解用户行为模式并促进在家庭环境中的健康生活。

anyShare分享到:
This entry was posted in 例会. Bookmark the permalink.

发表评论