王星峰

(遼東學(xué)院 信息工程學(xué)院，遼寧 丹東 118003)

?

【信息科學(xué)與工程】

使用基于加速度傳感器的智能手機(jī)進(jìn)行活動(dòng)識(shí)別

王星峰

(遼東學(xué)院 信息工程學(xué)院，遼寧 丹東 118003)

文章描述和評(píng)估了一個(gè)基于智能手機(jī)的加速度傳感器進(jìn)行活動(dòng)識(shí)別的系統(tǒng)，它可以識(shí)別用戶(hù)的物理活動(dòng)。為了實(shí)施該系統(tǒng)，從10個(gè)用戶(hù)的日?；顒?dòng)中采集加速度數(shù)據(jù)，像手機(jī)分離、空閑、步行、奔跑和跳躍，然后匯集這個(gè)時(shí)間序列數(shù)據(jù)匯總成5 min的時(shí)間間隔，最后使用這個(gè)訓(xùn)練結(jié)果數(shù)據(jù)去預(yù)測(cè)未知的活動(dòng)。測(cè)試實(shí)驗(yàn)表明，使用該模型可以精確的對(duì)上述5種活動(dòng)進(jìn)行分類(lèi)和預(yù)測(cè)。

加速度傳感器；活動(dòng)分類(lèi)；數(shù)據(jù)挖掘；智能手機(jī)

安卓手機(jī)，實(shí)際上和所有新的智能手機(jī)和智能音樂(lè)播放器一樣，使用三軸加速度傳感器來(lái)測(cè)量所有三個(gè)空間的加速度。這些加速度傳感器也有能力偵測(cè)這個(gè)設(shè)備的方向(同時(shí)也能偵測(cè)地球重力的方向)，能為活動(dòng)識(shí)別提供有用的信息。加速度傳感器最初被使用在這些設(shè)備中去支持高級(jí)游戲和自動(dòng)屏幕旋轉(zhuǎn)，但是顯然它們還應(yīng)用于其他場(chǎng)合。實(shí)際上，如果使用加速度傳感器去識(shí)別用戶(hù)的活動(dòng)，可以建立許多有用的應(yīng)用。

為了完成這個(gè)活動(dòng)識(shí)別任務(wù)，使用了監(jiān)督學(xué)習(xí)。首先從10個(gè)用戶(hù)采集加速度數(shù)據(jù)，當(dāng)他們進(jìn)行不同的活動(dòng)，像“手機(jī)分離”“空閑”“步行”“奔跑”和“跳躍”。這里“手機(jī)分離”指的是手機(jī)離開(kāi)身體， “靜止”指的是“坐著”或者“站著”，意思是沒(méi)有活動(dòng)。首先采集這個(gè)源時(shí)間序列加速度數(shù)據(jù)，然后建立預(yù)測(cè)模型為活動(dòng)識(shí)別使用分類(lèi)算法。這個(gè)基于加速度傳感器的活動(dòng)識(shí)別主題不是新的。Bao 和 Intille[5]開(kāi)發(fā)了一個(gè)活動(dòng)識(shí)別系統(tǒng)去鑒別20種活動(dòng)，他們使用2軸加速度傳感器放置在用戶(hù)身體的5個(gè)部位。相關(guān)的研究已經(jīng)相類(lèi)似的聚焦于如何使用一個(gè)基于各種加速度傳感器設(shè)備去識(shí)別用戶(hù)活動(dòng)的一個(gè)范圍。

文章的工作不同于大多數(shù)之前的工作，這里使用一個(gè)商業(yè)的通用設(shè)備而不是一個(gè)研究設(shè)備，這里使用一個(gè)單一設(shè)備方便地放置在用戶(hù)的口袋里，而不是多種設(shè)備分布在身體上，并且不需要用戶(hù)執(zhí)行附加的行動(dòng)。這里做的一個(gè)貢獻(xiàn)是，已經(jīng)采集和正在采集的數(shù)據(jù)，計(jì)劃在將來(lái)公開(kāi)。對(duì)其他的研究者來(lái)說(shuō)，這個(gè)數(shù)據(jù)能充當(dāng)一個(gè)資源。文章也證明了源時(shí)間序列加速度數(shù)據(jù)如何能被采集，能被使用傳統(tǒng)的分類(lèi)算法。文章證明了使用普通可獲得的設(shè)備去執(zhí)行活動(dòng)識(shí)別，仍然可以達(dá)到高精確結(jié)果。最后，文章的工作將幫助關(guān)注挖掘無(wú)線傳感器數(shù)據(jù)和將刺激這個(gè)領(lǐng)域的附加工作。

1 相關(guān)工作

一些早期的基于加速度傳感器的活動(dòng)識(shí)別，聚焦于使用多個(gè)傳感器放置在用戶(hù)身體的多個(gè)部位。其中一個(gè)最早期的研究主題，Bao 和 Intille[5]使用了5個(gè)2軸加速度傳感器放置在用戶(hù)的右臀部、手腕、、上臂、腳踝和大腿，從20個(gè)用戶(hù)身上采集數(shù)據(jù)。使用決策表、基于實(shí)例的學(xué)習(xí)、樸素貝葉斯分類(lèi)，他們建立模型去識(shí)別20個(gè)日常活動(dòng)。他們的研究結(jié)果表明，加速度傳感器放置在大腿上是最有利于區(qū)分不同活動(dòng)的。這個(gè)發(fā)現(xiàn)讓我們決定，這個(gè)測(cè)試項(xiàng)目放置這個(gè)手機(jī)在最方便的位置上——他們的褲兜里。

一些研究已經(jīng)聚焦于聯(lián)合多種類(lèi)型的傳感器附加在加速度傳感器上進(jìn)行活動(dòng)識(shí)別。Maurer[18]使用 “eWatch”設(shè)備放置在腰帶、襯衣口袋、褲兜、背包和頸部去識(shí)別不同的6個(gè)活動(dòng)。每一個(gè)”eWatch”由一個(gè)2軸的加速度傳感器和一個(gè)光傳感器組成。決策樹(shù)、k最近鄰、樸素貝葉斯和貝葉斯網(wǎng)絡(luò)分類(lèi)與5倍交叉校驗(yàn)被使用。

少數(shù)的研究，像這篇文章的，使用一個(gè)實(shí)際的商業(yè)移動(dòng)設(shè)備去采集數(shù)據(jù)進(jìn)行活動(dòng)識(shí)別。這些系統(tǒng)提供了一個(gè)有別于其他的基于加速度傳感器系統(tǒng)的優(yōu)勢(shì)，因?yàn)樗麄兪遣灰俗⒛康暮筒恍枰魏胃郊拥脑O(shè)備進(jìn)行數(shù)據(jù)采集，以及能夠進(jìn)行精確地識(shí)別。Miluzzo[21]研究了多種類(lèi)型傳感器(像麥克風(fēng)、加速度傳感器、GPS和攝像頭)的使用，以及在智能手機(jī)上進(jìn)行活動(dòng)識(shí)別和移動(dòng)社交網(wǎng)絡(luò)應(yīng)用。為了實(shí)現(xiàn)這個(gè)活動(dòng)識(shí)別任務(wù)，他們從10個(gè)用戶(hù)去采集加速度數(shù)據(jù)，并為“步行”“跑步”“坐著”和“站立”創(chuàng)建一個(gè)活動(dòng)識(shí)別模型。這個(gè)模型區(qū)別坐著和站立狀態(tài)是非常困難的，但這個(gè)任務(wù)這里的模型很容易完成。

2 活動(dòng)識(shí)別任務(wù)

2.1 數(shù)據(jù)采集

為了采集數(shù)據(jù)，必須有一些用戶(hù)攜帶一個(gè)安卓智能手機(jī)。首先需要取得10個(gè)志愿者的幫助去攜帶一個(gè)智能手機(jī)。這些志愿者攜帶安卓手機(jī)在他們的前褲兜里，以及被請(qǐng)求在特定的時(shí)間段去做“手機(jī)分離”、“空閑”、“步行”、“奔跑”和“跳躍”5個(gè)活動(dòng)。

手機(jī)分離：這個(gè)用戶(hù)當(dāng)前沒(méi)有持有手機(jī)。

空閑的：這個(gè)用戶(hù)在坐著或者站立的情況下持有手機(jī)。

步行的：這個(gè)用戶(hù)在走路。

奔跑的：這個(gè)用戶(hù)在跑步。

跳躍的：這個(gè)用戶(hù)在跳躍。

這個(gè)數(shù)據(jù)采集工作由一個(gè)應(yīng)用程序在手機(jī)上執(zhí)行。這個(gè)應(yīng)用程序通過(guò)一個(gè)簡(jiǎn)單的圖形用戶(hù)接口，允許我們?nèi)ビ涗涍@個(gè)用戶(hù)的姓名、數(shù)據(jù)采集和標(biāo)識(shí)這個(gè)活動(dòng)的執(zhí)行。這個(gè)應(yīng)用程序允許我們?nèi)タ刂剖裁礃拥膫鞲衅鲾?shù)據(jù)(例如，加速度傳感器、螺旋傳感器)被采集和以什么頻率被采集。這里每20 ms采集一個(gè)加速度數(shù)據(jù)，因此每秒鐘有50個(gè)樣品。

2.2 特征產(chǎn)生和數(shù)據(jù)轉(zhuǎn)換

標(biāo)準(zhǔn)分類(lèi)算法不能被直接的應(yīng)用到原始時(shí)間序列加速度數(shù)據(jù)。取而代之，首先必須轉(zhuǎn)換源時(shí)間序列數(shù)據(jù)為樣品。一個(gè)樣品窗口有512個(gè)樣品被使用。512個(gè)樣品被選擇基于之前論文的推薦，因?yàn)閷?duì)活動(dòng)識(shí)別來(lái)說(shuō)它是足夠的，還因?yàn)?12是2n的一個(gè)數(shù)字，適合于快速傅里葉變換算法?；瑒?dòng)窗口的大小設(shè)定為100個(gè)樣品。

下面的7個(gè)特征被選擇，是基于我們自己的討論和前人的推薦：

基礎(chǔ)頻率：觀察窗口里信號(hào)的基礎(chǔ)頻率。

最大振幅：觀察窗口里信號(hào)的最大值。

最小振幅：觀察窗口里信號(hào)的最小值。

烈度：觀察窗口里信號(hào)的烈度值。

基礎(chǔ)頻率強(qiáng)度：觀察窗口信號(hào)的基礎(chǔ)頻率強(qiáng)度。

步數(shù)：觀察窗口信號(hào)的步數(shù)值。

位置關(guān)系：智能手機(jī)的放置方向。

如何能得到這個(gè)信號(hào)的基礎(chǔ)頻率呢？基于這個(gè)樣品窗口，對(duì)信號(hào)進(jìn)行快速傅里葉變換，實(shí)現(xiàn)信號(hào)從時(shí)域到頻域的轉(zhuǎn)換[3]。這個(gè)最終值是這個(gè)信號(hào)3個(gè)最顯著頻率的平均值。圖1是獲得的頻譜。

這個(gè)“步數(shù)”特征需要做進(jìn)一步的解釋。不同的人有一個(gè)不同的走路(或跑步)速度。例如，一個(gè)婦女的跑步速度可能等于一個(gè)男人的快走的速度。但是如何能區(qū)分走路和跑步呢？統(tǒng)計(jì)步數(shù)是一個(gè)解決辦法。無(wú)論你的速度是快還是慢，在相同的時(shí)間內(nèi)，走路的步數(shù)總是遠(yuǎn)小于跑步的步數(shù)。因此，能使用步數(shù)去區(qū)別走路和跑步。圖2 是這個(gè)步數(shù)(一個(gè)峰值是一步)，圖例左邊的是走路的數(shù)據(jù)，右邊的是跑步的數(shù)據(jù)。你能看見(jiàn)走路的步數(shù)遠(yuǎn)小于跑步的步數(shù)。

這個(gè)“位置關(guān)系”特征也需要做進(jìn)一步的解釋。無(wú)論你的智能手機(jī)是分離還是空閑，這個(gè)加速度數(shù)據(jù)都有一點(diǎn)波動(dòng)。但是如何區(qū)別手機(jī)是分離還是空閑呢？統(tǒng)計(jì)位置關(guān)系是一個(gè)辦法。如果你的智能手機(jī)是手機(jī)分離狀態(tài)，它總是被平放在桌面上。但是如果你的手機(jī)是靜止?fàn)顟B(tài)，它總是垂直的或傾斜的靠近你的身體。因此，能使用這個(gè)智能手機(jī)的位置關(guān)系去區(qū)別手機(jī)分離和空閑。圖3是這個(gè)位置關(guān)系(藍(lán)色的曲線表示x軸，紅色的曲線表示y軸，黃色的曲線表示z軸)，左邊是手機(jī)分離數(shù)據(jù)，右邊是空閑數(shù)據(jù)。你能看到手機(jī)分離和空閑是明顯不同的。

2.3 關(guān)于活動(dòng)

在這個(gè)研究中，考慮了5個(gè)活動(dòng)：手機(jī)分離、空閑、步行、奔跑和跳躍。選擇這些活動(dòng)，是因?yàn)樵谌粘Ｉ钪兴鼈儽辉S多人有規(guī)律的執(zhí)行。這些活動(dòng)也包含在大量時(shí)間段經(jīng)常發(fā)生的運(yùn)動(dòng)，因此使它們?nèi)菀妆蛔R(shí)別。此外，這些活動(dòng)的大多數(shù)包含重復(fù)的運(yùn)動(dòng)，這也將使這個(gè)活動(dòng)容易被識(shí)別。這里記錄加速度數(shù)據(jù)在三個(gè)軸。

圖4繪制了一個(gè)典型的用戶(hù)的加速度數(shù)據(jù)。連續(xù)5個(gè)活動(dòng)的7個(gè)特征(每一個(gè)活動(dòng)持續(xù)30 s，整個(gè)5個(gè)活動(dòng)總共150 s)。這7個(gè)特征的具體內(nèi)容如2.2節(jié)所述，它能清楚的區(qū)分靜態(tài)活動(dòng)(手機(jī)分離、空閑)和動(dòng)態(tài)活動(dòng)(步行、奔跑、跳躍)，依據(jù)為加速度最大振幅和最小振幅、加速度烈度、加速度基礎(chǔ)頻率強(qiáng)度和步數(shù)。

關(guān)于區(qū)分不同的動(dòng)態(tài)活動(dòng)，可以根據(jù)加速度烈度和加速度基礎(chǔ)頻率強(qiáng)度[9]。它能清晰的區(qū)別走路、跑步和跳躍。

可以根據(jù)位置關(guān)系去區(qū)別不同的靜態(tài)活動(dòng)，它也能清晰的區(qū)別這個(gè)手機(jī)分離與否。

2.4 分類(lèi)算法

在數(shù)據(jù)分類(lèi)階段，這里需要從已知的數(shù)據(jù)模式歸類(lèi)未知的數(shù)據(jù)模式[10]。為了實(shí)施這個(gè)活動(dòng)識(shí)別，這里執(zhí)行了一個(gè)k最近鄰分類(lèi)算法在這個(gè)數(shù)據(jù)上。這個(gè)k最近鄰算法是一個(gè)簡(jiǎn)單的算法，它能在兩個(gè)特征向量之間基于歐幾里得距離去匹配未知的數(shù)據(jù)模式到一個(gè)已知的數(shù)據(jù)模式。由這個(gè)已知的數(shù)據(jù)模式到未知的數(shù)據(jù)模式的最小歐幾里得距離來(lái)決定最好的匹配。

當(dāng)給定一個(gè)未知的元組，一個(gè)k最近鄰分類(lèi)算法為這些k訓(xùn)練元組搜索模式空間，找到最靠近的未知元組[11]。這些k訓(xùn)練元組是這個(gè)未知元組的k最近鄰，這些k訓(xùn)練元組是這個(gè)k最近鄰的未知元組。2個(gè)點(diǎn)或元組的歐幾里得距離[12]，X1=(x11,x12,…,x1n)和X2=(x21,x22,…,x2n)，是

(1)

典型的，在使用公式(1)之前，標(biāo)準(zhǔn)化每一個(gè)屬性的值，這個(gè)幫助防止某些屬性(例如：烈度)在權(quán)重上超過(guò)某些屬性(例如：位置關(guān)系)。例如，我們能轉(zhuǎn)換一個(gè)值v的數(shù)值屬性A為v′在這個(gè)范圍[0,1]中，由公式

(2)

minA和maxA是屬性A的最小和最大值。

“如何決定一個(gè)合適的k值？”這個(gè)能由實(shí)驗(yàn)來(lái)確定。開(kāi)始讓k=1，使用一個(gè)測(cè)試集去估計(jì)這個(gè)分類(lèi)器的錯(cuò)誤率。這個(gè)過(guò)程不斷重復(fù)，每一次都增加k的值，最終最小的錯(cuò)誤率的k值被選擇。根據(jù)這個(gè)實(shí)驗(yàn)，這個(gè)最合適的k值等于2。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)的描述

這個(gè)實(shí)驗(yàn)首先需要去采集這個(gè)原始的加速度數(shù)據(jù)，然后轉(zhuǎn)換這個(gè)數(shù)據(jù)成為實(shí)例數(shù)據(jù)，這個(gè)過(guò)程被表述在第3章。這個(gè)結(jié)果實(shí)例包含7個(gè)特征和覆蓋10個(gè)用戶(hù)，產(chǎn)生相應(yīng)的數(shù)據(jù)集，然后進(jìn)行訓(xùn)練和測(cè)試。

整個(gè)測(cè)試過(guò)程是在操場(chǎng)上完成的。首先，某一個(gè)人連續(xù)采集標(biāo)準(zhǔn)數(shù)據(jù)，每一個(gè)活動(dòng)執(zhí)行30 s，整個(gè)5個(gè)活動(dòng)總共持續(xù)150 s，它被使用作為訓(xùn)練數(shù)據(jù)。另外10個(gè)人，他們持續(xù)采集測(cè)試數(shù)據(jù)，要求每一個(gè)活動(dòng)持續(xù)1 min，整個(gè)5個(gè)活動(dòng)一共需要5 min，它們被使用作為測(cè)試數(shù)據(jù)。

一旦源數(shù)據(jù)被采集，預(yù)處理這個(gè)數(shù)據(jù)，包括刪除重復(fù)的數(shù)據(jù)、線性化和平滑這個(gè)數(shù)據(jù)。在這個(gè)數(shù)據(jù)集被預(yù)處理之后，可以使用k最近鄰分類(lèi)算法[13]去分類(lèi)數(shù)據(jù)。這個(gè)實(shí)驗(yàn)顯示這個(gè)k值設(shè)定為2是最合適的。

3.2 結(jié)果

圖5顯示這個(gè)訓(xùn)練源數(shù)據(jù)和已知的活動(dòng)分類(lèi)。這些數(shù)據(jù)被分類(lèi)為5個(gè)標(biāo)準(zhǔn)狀態(tài)中的一個(gè)，從“手機(jī)分離”到“跳躍”。這里設(shè)定他們的值從1到5，代表這個(gè)5個(gè)活動(dòng)類(lèi)型。讓這些訓(xùn)練數(shù)據(jù)充當(dāng)基礎(chǔ)數(shù)據(jù)，稍后被使用與測(cè)試數(shù)據(jù)進(jìn)行比較。

這個(gè)活動(dòng)識(shí)別實(shí)驗(yàn)被表述為表1。根據(jù)訓(xùn)練數(shù)據(jù)和k最近鄰分類(lèi)算法，預(yù)測(cè)這個(gè)測(cè)試數(shù)據(jù)的分類(lèi)結(jié)果。然后，比較預(yù)測(cè)的結(jié)果和現(xiàn)實(shí)的結(jié)果，因此獲得這個(gè)分類(lèi)方法的精確性。

表1 活動(dòng)識(shí)別的精確度

這里描述這個(gè)活動(dòng)識(shí)別表格的詳細(xì)內(nèi)容如下：

“√”意思是這個(gè)活動(dòng)能被精確地識(shí)別，“×”的意思是這個(gè)活動(dòng)不能被精確地識(shí)別。例如，“S1”能被精確地識(shí)別4個(gè)活動(dòng)，“手機(jī)分離”“空閑”“步行”和“跳躍”，但是它不能精確地識(shí)別“奔跑”。當(dāng)他在奔跑時(shí)，這個(gè)實(shí)驗(yàn)結(jié)果表明他在跳躍。

基于這個(gè)結(jié)果，能精確地區(qū)分“手機(jī)分離”、“空閑”、“步行”和“奔跑”。然而，這個(gè)算法不能總是區(qū)分“奔跑”和“跳躍”。這里描述這個(gè)詳細(xì)結(jié)果如下：(如圖6和7所示)

從圖6和圖7可以看出S6可以區(qū)分“奔跑”和“跳躍”，而S10不能。

這個(gè)問(wèn)題產(chǎn)生的原因是通過(guò)現(xiàn)有算法，很難精確的區(qū)分出這兩種活動(dòng)的不同，所以在數(shù)據(jù)不是很典型時(shí)，會(huì)出現(xiàn)誤判。

關(guān)于如何區(qū)別奔跑和跳躍，計(jì)劃在將來(lái)的工作實(shí)現(xiàn)這個(gè)任務(wù)。

4 結(jié)論和未來(lái)的工作

文章描述了如何使用一個(gè)智能手機(jī)，在簡(jiǎn)單的保持它在用戶(hù)的口袋里的情況下去進(jìn)行活動(dòng)識(shí)別。除了區(qū)別奔跑和跳躍，使用這個(gè)方法能成功的得到精確地分類(lèi)結(jié)果。

作者計(jì)劃改善這個(gè)活動(dòng)識(shí)別任務(wù)在以下幾個(gè)方面。這些改善包括：(1)學(xué)習(xí)識(shí)別附加的活動(dòng)，像上樓梯和下樓梯。(2)從更多的用戶(hù)獲得訓(xùn)練數(shù)據(jù)，從而改善我們的結(jié)果。(3)基于源時(shí)間序列數(shù)據(jù)[14]，抽取更多的復(fù)雜的特征。(4)評(píng)估攜帶手機(jī)在用戶(hù)身體不同的位置上的影響，像放置在腰帶上。

在這篇文章中描述的工作，是“挖掘無(wú)線設(shè)備傳感器數(shù)據(jù)”項(xiàng)目的一部分，計(jì)劃繼續(xù)該項(xiàng)目。首先，將采集和挖掘其他類(lèi)型的的傳感器數(shù)據(jù)，例如GPS數(shù)據(jù)。此外，還會(huì)把采集到的數(shù)據(jù)應(yīng)用到除了活動(dòng)識(shí)別以外的其他任務(wù)上。作者相信移動(dòng)傳感器數(shù)據(jù)為數(shù)據(jù)挖掘提供了極好的機(jī)會(huì)，打算使這個(gè)基于安卓的數(shù)據(jù)采集和挖掘平臺(tái)發(fā)揮到最大的程度。

[1]卜紅彧. 年齡相關(guān)的種群系統(tǒng)的最優(yōu)邊界控制[J]. 遼東學(xué)院學(xué)報(bào)(自然科學(xué)版)，2015，22(3)：225-227.

[2]李長(zhǎng)輝. 判定函數(shù)極值存在性的新方法[J]. 遼東學(xué)院學(xué)報(bào)(自然科學(xué)版)，2015，22(3)：228.

[3]劉斌，劉宏建，金笑天，等. 基于智能手機(jī)傳感器的人體活動(dòng)識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用，2016(4)：188-193.

[4]陳雷，楊杰，沈紅斌，等. 基于加速度信號(hào)幾何特征的動(dòng)作識(shí)別[J]. 上海交通大學(xué)學(xué)報(bào)，2008(42)：219-222.

[5]BAO L，INTILLE S. Activity recognition from user-annotated acceleration data[J]. Lecture Notes Computer Science,2004,3001:1-17.

[6]姜濤. 插值細(xì)分法與割角細(xì)分法在幾何構(gòu)圖中的比較[J]. 遼東學(xué)院學(xué)報(bào)(自然科學(xué)版)，2016，23(1)：72.

[7]王昌喜，楊先軍，徐強(qiáng)，等. 基于三維加速度傳感器的上肢動(dòng)作識(shí)別系統(tǒng)[J]. 傳感技術(shù)學(xué)報(bào)，2010(23)：816-819.

[8]趙慶平，李崢. 直接序列擴(kuò)頻通信系統(tǒng)的MATLAB仿真[J]. 遼東學(xué)院學(xué)報(bào)(自然科學(xué)版)，2016，23(1)：62.

[9]盧先領(lǐng)，王洪斌，王瑩瑩，等. 一種基于加速度傳感器的人體跌倒識(shí)別方法[J]. 計(jì)算機(jī)應(yīng)用研究，2013(30)：1109-1111.

[10]史殿習(xí)，李勇謀，丁博. 無(wú)監(jiān)督特征學(xué)習(xí)的人體活動(dòng)識(shí)別[J]. 國(guó)防科技大學(xué)學(xué)報(bào)，2015(10)：128-134.

[11]汪文彬. 智能手機(jī)動(dòng)作識(shí)別系統(tǒng)線性反饋控制算法[J]. 科技通報(bào)，2015，6：151-153.

[12]吳淵，史殿習(xí)，楊若松，等. 手機(jī)位置和朝向無(wú)關(guān)的活動(dòng)識(shí)別技術(shù)研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2016(4): 134-141.

[13]秦昉，孫子文，白勇. 基于智能手機(jī)的實(shí)時(shí)跌倒檢測(cè)系統(tǒng)研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2015(4)：81-85.

[14]歐志球，戴堅(jiān)峰，王錚. 基于高斯模糊的摔倒自檢測(cè)算法設(shè)計(jì)與應(yīng)用[J]. 計(jì)算機(jī)測(cè)量與控制，2015(11)：95-101.

[15]MATHIE M, CELLER B, LOVELL N, et al. Classification of basic daily movements using a triaxial accelerometer[J]. Medical & Biological Engineering and Computing, 2004. 42.

[16]ANDERSON I, MAITLAND J, SHERWOOD S, et al. Shakra: tracking and sharing daily activity levels with unaugmented mobile phones. In Mobile Networks and Applications. 2007. 12(2-3).

[17]WEISS G M, HIRSH H. Learning to predict rare events in event sequences[C]. Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining, Menlo Park: AAAI Press, 1998:359-363.

[18]MAURER U, SMAILAGIC A, SIEWIOREK D, et al. Activity recognition and monitoring using multiple sensors on different body positions[C]. IEEE Proceedings on the International Workshop on Wearable and Implantable Sensor Networks, 2006, 3(5).

[19]CHOUDHURY T, CONSOLVO S, HARRISON B, et al. The mobile sensing platform: An embedded activity recognition system[J]. IEEE Pervasive Computing, 2008, 7(2): 32-41.

[20]CHO Y, NAM Y, CHOI Y-J, et al. Smart Buckle: human activity recognition using a 3-axis accelerometer and a wearable camera[EB/OL]. https://www.reseachgate.net/publication/234784440.

[21]MILUZZO E, LANE N, FODOR K,et al. Sensing meets mobile social networks: the design, implementation and evaluation of the CenceMe application[C]. The 6th ACM Conference on Embedded Networked Sensor Systems, 2008:337-350.

[22]YANG J. Toward physical activity diary: motion recognition using simple acceleration features with mobile phones[C]. First International Workshop on Interactive Multimedia for Consumer Electronics at ACM Multimedia. 2009.

(責(zé)任編輯：龍海波)

A Behavior identity system with acceleration sensor of a smart phone

WANG Xing-feng

(SchoolofInformationEngineering,EasternLiaoningUniversity,Dandong118003,China)

A behavior identity system developed with the acceleration sensor of a smart phone was designed. It can identify the physical activities users. To design the system, daily behaviors of ten users were tested when they were separated from the phone, idle, walk, run and jump. The obtained time series data were collected into 5-minute intervals. Finally, unknown behaviors could be forecast with this training data. The test results indicate that using this model can accurately predict and classify the five kinds of behaviors above.

acceleration sensor; activity classification; data mining; smart phone

10.14168/j.issn.1673-4939.2017.01.13

2016-05-23

王星峰(1975—)，男，碩士，講師，研究方向:數(shù)據(jù)挖掘。

TP311.5

A

1673-4939(2017)01-0064-08