張耀威，李瑞祥，戴健威，施偉斌

（上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093）

0 引言

近年來(lái)，基于可穿戴傳感器的人體活動(dòng)識(shí)別（Human Activity Recognition，HAR）成為模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，可用于對(duì)用戶執(zhí)行的日常活動(dòng)進(jìn)行連續(xù)分析，在醫(yī)療健康［1-2］、智能家居［3］和安全檢測(cè)［4-5］等領(lǐng)域均發(fā)揮著重要作用。例如，HAR 技術(shù)可以用于監(jiān)測(cè)獨(dú)居老人的日?；顒?dòng)，當(dāng)老人處于跌倒、心臟病突發(fā)等危險(xiǎn)狀態(tài)時(shí)，其可及時(shí)向監(jiān)護(hù)人發(fā)出報(bào)警信息；可以為運(yùn)動(dòng)員提供技術(shù)支持，使其動(dòng)作更加標(biāo)準(zhǔn)規(guī)范；還可以根據(jù)人類(lèi)活動(dòng)類(lèi)型控制室內(nèi)溫度。此外，與基于視覺(jué)的活動(dòng)識(shí)別相比，可穿戴傳感器受到的限制因素非常少，完全不受光照強(qiáng)度和物體遮擋影響［6］，具有更大的檢測(cè)范圍，且經(jīng)濟(jì)成本非常低，不會(huì)侵犯用戶隱私信息。因此，采用可穿戴傳感器對(duì)人體活動(dòng)進(jìn)行識(shí)別具有非常重要的實(shí)用價(jià)值。

1 相關(guān)研究

基于可穿戴傳感器的活動(dòng)識(shí)別算法包括運(yùn)動(dòng)信號(hào)采集及預(yù)處理、特征提取、特征選擇和分類(lèi)器識(shí)別的過(guò)程，其中在人體活動(dòng)特征提取方面，已經(jīng)有很多學(xué)者進(jìn)行了深入研究。例如，Jain 等［7］從活動(dòng)信號(hào)中提取梯度直方圖（Histogram of Gradient，HG）和傅里葉描述子（Fourier Descriptor，F(xiàn)D）特征，使用支持向量機(jī)（Support Vector Machine，SVM）對(duì)UCI HAR 公共數(shù)據(jù)集進(jìn)行識(shí)別，取得了96%的準(zhǔn)確率，但由于未進(jìn)行特征選擇處理，算法的實(shí)時(shí)性和準(zhǔn)確性有待提高；和夢(mèng)琪等［8］通過(guò)對(duì)原始活動(dòng)數(shù)據(jù)進(jìn)行相空間重構(gòu)，提取了重構(gòu)空間的時(shí)域特征，降低了特征提取的維度和復(fù)雜度，然后基于XGBoost 分類(lèi)器對(duì)ADL 公共數(shù)據(jù)集進(jìn)行了識(shí)別，取得了93%的識(shí)別準(zhǔn)確率；Li 等［9］提出線性預(yù)測(cè)系數(shù)（Linear Prediction Coefficient，LPC）的活動(dòng)特征，基于隨機(jī)森林（Random Forest，RF）算法識(shí)別SCUT 公共數(shù)據(jù)集，活動(dòng)分類(lèi)準(zhǔn)確率為93%；Tian 等［10］搭建了一套活動(dòng)數(shù)據(jù)采集系統(tǒng)提取活動(dòng)信號(hào)的小波能量譜（Wavelet Energy Spectrum，WES）特征，然后采用SVM 和K 近鄰（K-nearest Neighbor，KNN）取得了85%和83%的識(shí)別精度；Wu 等［11］從活動(dòng)數(shù)據(jù)中提取了時(shí)頻域特征，如均值、方差和加速度矢量值等，基于KNN 算法的識(shí)別準(zhǔn)確率為90.2%，其中上下樓的識(shí)別準(zhǔn)確率最低，僅為70.4%和52.3%；Athanasios 等［12］采用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）提取活動(dòng)信號(hào)的時(shí)間和空間特征，然后對(duì)多傳感器數(shù)據(jù)進(jìn)行融合，實(shí)現(xiàn)了85.6%的識(shí)別準(zhǔn)確率；Stisen 等［13］提取活動(dòng)信號(hào)的譜系數(shù)、熵值和主頻率等特征，基于SVM 算法實(shí)現(xiàn)了89%的識(shí)別精度，該精度有待提高。

在日常生活中，人體活動(dòng)信號(hào)復(fù)雜多變，提取不同的特征會(huì)產(chǎn)生不同的識(shí)別效果，特征中包含的活動(dòng)信息越豐富，分類(lèi)器的識(shí)別精度會(huì)越高。基于上述研究與分析，本文提出了基于FDs、局部二值特征（Local Binary Pattern，LBP）和WES 多特征融合的活動(dòng)識(shí)別算法，并通過(guò)有效的特征選擇處理，顯著提高了活動(dòng)識(shí)別的準(zhǔn)確性和實(shí)時(shí)性。

2 HAR 算法

基于可穿戴傳感器的HAR 目標(biāo)為根據(jù)傳感器所測(cè)得的活動(dòng)數(shù)據(jù)實(shí)時(shí)準(zhǔn)確地確定用戶所執(zhí)行的各種活動(dòng)類(lèi)型。圖1 為本文算法的流程框圖。

利用加速度計(jì)采集活動(dòng)的加速度信息，使用FDs、LBP和WES 進(jìn)行特征提取，并在特征層次上合并生成特征集，隨后將組合的特征向量提供給分類(lèi)器，以確定用戶執(zhí)行的活動(dòng)。

Fig.1 Human activity recognition algorithm flow圖1 HAR 算法流程

在人們進(jìn)行日?；顒?dòng)時(shí)，采用加速度計(jì)可以采集不同活動(dòng)的線性加速度，其中三軸線性加速度信號(hào)可以表示為ax、ay和az。圖2（彩圖掃OSID 碼可見(jiàn)，下同）展示了6 種不同活動(dòng)的加速度信號(hào)在x、y和z方向上的變化曲線，可以看出每種運(yùn)動(dòng)均呈現(xiàn)出一定的周期性，因此本文采用重疊率為50%的滑動(dòng)窗口對(duì)數(shù)據(jù)進(jìn)行分割，將分割后得到的數(shù)據(jù)當(dāng)作活動(dòng)識(shí)別的樣本。特征信號(hào)在活動(dòng)分類(lèi)中具有極其重要的作用，因此需要設(shè)計(jì)高效的特征描述這些信號(hào)的演變模式。

Fig.2 Acceleration information of human activity圖2 人體活動(dòng)的加速度信息

3 特征提取

3.1 FD

各種人體活動(dòng)信號(hào)均有x、y和z3 個(gè)方向，任取兩個(gè)方向上的信號(hào)進(jìn)行組合可以生成相應(yīng)的活動(dòng)曲線。例如，將走路動(dòng)作的x、y方向進(jìn)行結(jié)合，會(huì)生成一組二維的數(shù)據(jù)點(diǎn)(x(t),y(t))，對(duì)應(yīng)空間中的一條曲線。FD 可以從活動(dòng)曲線中提取形狀特征，該特征具有平移、旋轉(zhuǎn)和尺度不變性，有助于提升分類(lèi)算法的性能。

基于FD 提取活動(dòng)曲線的特征包括復(fù)坐標(biāo)、質(zhì)心距離、曲率和累積角函數(shù)［14］。本文提取了基于FD的質(zhì)心距離特征，含有坐標(biāo)(x(t),y(t))的活動(dòng)曲線的質(zhì)心距離表示為：

式中，d(t)為t時(shí)刻的質(zhì)心距離，數(shù)值范圍為1～n；n為曲線上的坐標(biāo)數(shù)。

曲線的質(zhì)心(xc,yc)計(jì)算公式為：

基于質(zhì)心距離表示的離散傅里葉變換（Discrete Fourier Transform，DFT）計(jì)算公式為：

式中，F(xiàn)Dn為傅里葉描述子。式（1）中，從曲線坐標(biāo)中減去質(zhì)心(xc,yc)的目的是使特征結(jié)果具有平移不變性，而旋轉(zhuǎn)不變性是僅通過(guò)考慮FDs的大小實(shí)現(xiàn)的。DFT 中的低頻系數(shù)相較于高頻系數(shù)包含更多與形狀相關(guān)的信息，因此僅使用前N/2 個(gè)FDs 構(gòu)建特征向量。為了達(dá)到尺度不變性，每個(gè)保留系數(shù)的幅值需要除以直通分量|FD0|，并最終基于FD的形狀表示按以下公式生成：

針對(duì)上下樓、走路、倒走和快走活動(dòng)提取FDs，其變化曲線如圖3 所示。可以看出，每種活動(dòng)的FDs 特征曲線均呈現(xiàn)出不同走勢(shì)，可見(jiàn)FDs 對(duì)不同活動(dòng)具有足夠強(qiáng)的判別能力，有助于提升分類(lèi)算法的識(shí)別性能。

Fig.3 Comparison of FDs of different activities圖3 不同活動(dòng)的傅里葉描述子比較

3.2 LBP

基于三軸加速度計(jì)采集的人體活動(dòng)信號(hào)分為x、y和z3個(gè)方向，可以將3 個(gè)方向上的信號(hào)合并為二維圖像，進(jìn)一步從圖像中提取特征，這種特征提取方法的優(yōu)點(diǎn)是同時(shí)考慮了傳感器數(shù)據(jù)的時(shí)間和空間信息，可以提取到更加魯棒的活動(dòng)特征，有助于提高活動(dòng)識(shí)別準(zhǔn)確率。

LBP 可以提取圖像的紋理特征，屬于非參數(shù)的特征描述符，其能有效抵抗圖像形狀變化帶來(lái)的干擾［15］。LBP 算子可以將圖像的像素標(biāo)記為十進(jìn)制數(shù)，即LBP 編碼。如圖4 所示，每個(gè)像素與其周?chē)?×3 鄰域中的8 個(gè)像素進(jìn)行比較，如果值為復(fù)數(shù)，則以0 進(jìn)行編碼，反之編碼為1。

對(duì)于每個(gè)給定的像素，所有的0 和1 編碼從該像素左上方的鄰居開(kāi)始，以順時(shí)針?lè)较虼?lián)起來(lái)得到一個(gè)二進(jìn)制數(shù)，然后將其轉(zhuǎn)換為對(duì)應(yīng)的十進(jìn)制數(shù)用于標(biāo)記給定的像素。

Fig.4 Diagram of LBP algorithm圖4 LBP 算法示意圖

3×3的LBP 算子無(wú)法從大尺度的結(jié)構(gòu)中提取主要特征，因此本文選擇將方形的滑動(dòng)窗口替換為圓形并加入半徑和采樣點(diǎn)的概念。該方法可以動(dòng)態(tài)采集像素點(diǎn)，增強(qiáng)了LBP 特征的判別能力，如圖5 所示。

Fig.5 Schematic diagram of circular LBP algorithm at different sampling points圖5 不同采樣點(diǎn)的圓形LBP 算法示意圖

給定一個(gè)（xc，yc）的像素點(diǎn)，十進(jìn)制形式的LBP 計(jì)算公式為：

式中，P,R表示在半徑為R的圓上采樣點(diǎn)P的鄰域；ic和ip分別為中心像素和采樣點(diǎn)P周?chē)袼氐幕叶戎?；函?shù)s(x)的計(jì)算公式為：

改進(jìn)的LBP 算子對(duì)單調(diào)灰度變換具有不變性，保持了局部鄰域中像素強(qiáng)度的有序性。LBP（P，R）算子可以產(chǎn)生2p個(gè)不同的輸出值，對(duì)應(yīng)鄰近區(qū)域2p個(gè)不同的二進(jìn)制模式值。

3.3 WES

基于小波包分解算法，可以將加速度信號(hào)分解為高頻成分和低頻成分，然后進(jìn)一步計(jì)算得到非常細(xì)微的高頻信號(hào)成分［16］。不同活動(dòng)的加速度信號(hào)有不同的頻率分布，如走路動(dòng)作的頻率處于1～6Hz 之間，而跑步動(dòng)作的頻率處于1.7～16Hz 內(nèi)。小波包分解算法可以很好地反映不同活動(dòng)加速度信號(hào)高頻和低頻部分的不同特征，三層小波包分解的處理過(guò)程如圖6 所示。

Fig.6 Sketch map of three-layer wavelet packet decomposition圖6 三層小波包分解示意圖

對(duì)于小波包分解算法，給定正交尺度函數(shù)φ(t)和φ(t)分別表示為：

式中，h0k和h1k為多層分解中的濾波系數(shù)。

正交尺度函數(shù)進(jìn)一步推廣，可以得到：

{wn(t)}n∈Z的小波包可以由w0(t)=φ(t)確定，其是尺度函數(shù)w0(t)和小波函數(shù)w1(t)的集合，因此小波包系數(shù)的遞推公式表示為：

小波包的重建方法表示為：

從能量角度來(lái)看，WES 是小波包分解的結(jié)果。不同類(lèi)型活動(dòng)的加速度信號(hào)在每個(gè)頻帶的能量分布有很大差異，因此WES 可以作為活動(dòng)信號(hào)的特征信息。小波包變換的能量與原始信號(hào)能量之間的關(guān)系表示為：

經(jīng)過(guò)小波包分解后，每個(gè)頻帶內(nèi)平方信號(hào)之和可以作為WES。小波包分解的結(jié)果可以表示為di,j(k)，每個(gè)頻帶內(nèi)信號(hào)的能量表示為：

式中，N為原始信號(hào)長(zhǎng)度。

所有的Ei,j構(gòu)成WES，表示為：

小波包分解的層數(shù)與所獲得的頻帶數(shù)目和特征向量維數(shù)直接相關(guān)。通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)，采用4 層小波包對(duì)加速度信號(hào)進(jìn)行分解時(shí)，各子帶的能量分布可以有效區(qū)分不同類(lèi)型的活動(dòng)。

4 特征融合與選擇

4.1 特征融合

從人體活動(dòng)信號(hào)中提取FDs、LBP 和WES 特征，其中FDs 因其平移、旋轉(zhuǎn)和尺度不變性，會(huì)使得類(lèi)內(nèi)相似度增強(qiáng)，類(lèi)間相似度降低，但其僅提取了活動(dòng)信號(hào)的全局特征，未考慮到局部信息。將一維活動(dòng)信號(hào)轉(zhuǎn)換為二維圖像信息后，LBP 可以提取到活動(dòng)的時(shí)間和空間特征，抗噪聲干擾能力強(qiáng)，同時(shí)還考慮到了信號(hào)的局部信息。與FDs 和LBP相比，WES 考慮到了活動(dòng)信號(hào)的頻域信息，可以提取到反映活動(dòng)強(qiáng)度的信號(hào)能量等特征。

為了充分利用不同特征所具有的優(yōu)勢(shì)，在特征提取后采用特征融合的思想，融合特征依次由FDs、LBP 和WES 組成，融合方法表示為：

式中，F(xiàn)f表示經(jīng)過(guò)融合后的特征。

4.2 特征選擇

特征選擇即選擇相關(guān)子集的過(guò)程，是為分類(lèi)、聚類(lèi)和其他任務(wù)構(gòu)建機(jī)器學(xué)習(xí)模型的關(guān)鍵部分。特征選擇具有重要作用，可降低訓(xùn)練模型過(guò)程中的計(jì)算復(fù)雜度、加速模型訓(xùn)練過(guò)程以及提高模型魯棒性。

Relief-F 是一種常用的特征選擇算法［17］，首先對(duì)數(shù)據(jù)集進(jìn)行特征選擇，然后訓(xùn)練學(xué)習(xí)器，特征選擇過(guò)程與后續(xù)分類(lèi)算法無(wú)關(guān)，相當(dāng)于先用特征選擇過(guò)程對(duì)原始特征進(jìn)行過(guò)濾，再用過(guò)濾后的特征訓(xùn)練模型。Relief-F 一般用于解決多分類(lèi)、數(shù)據(jù)缺失和數(shù)據(jù)噪聲等問(wèn)題。該方法根據(jù)特征對(duì)近距離樣本的識(shí)別能力進(jìn)行特征評(píng)估，高質(zhì)量的特征應(yīng)當(dāng)使同一類(lèi)樣本彼此接近，不同種樣本彼此相距較遠(yuǎn)。Relief 通過(guò)式（18）對(duì)特征權(quán)重進(jìn)行更新：

式中，W[i]為特征i的權(quán)重，Rs為從訓(xùn)練集中隨機(jī)選擇的樣本，Hj為k近鄰中第j個(gè)與Rs屬于同類(lèi)的樣本，Mj為第j個(gè)與Rs類(lèi)別不同的樣本，P(c)為類(lèi)別C出現(xiàn)的概率。

5 實(shí)驗(yàn)結(jié)果與分析

采用時(shí)間長(zhǎng)度為2.56s，重疊率為50%的滑動(dòng)窗口對(duì)連續(xù)的活動(dòng)信號(hào)進(jìn)行分割，將70%的數(shù)據(jù)作為訓(xùn)練集，30%的數(shù)據(jù)作為測(cè)試集，并進(jìn)行以下4 個(gè)實(shí)驗(yàn)驗(yàn)證本文算法的有效 性：①基于WISDM 數(shù)據(jù)集比較FDs、LBP 和WES 及其組合對(duì)活動(dòng)識(shí)別性能的影響；②基于WISDM 數(shù)據(jù)集比較多種不同分類(lèi)算法進(jìn)行活動(dòng)識(shí)別時(shí)的性能；③基于WISDM 數(shù)據(jù)集比較特征選擇對(duì)活動(dòng)識(shí)別性能的影響；④與歷史研究中的優(yōu)秀方法進(jìn)行性能比較。

采用準(zhǔn)確率（Accuracy）、查準(zhǔn)率（Precision）、查全率（Recall）以及F1 度量對(duì)本文提出的HAR 算法的性能表現(xiàn)進(jìn)行定量評(píng)估分析。

式中，F(xiàn)P（False Positive）和FN（False Negative）分別表示將全部負(fù)類(lèi)樣本預(yù)測(cè)為正類(lèi)和負(fù)類(lèi)的樣本個(gè)數(shù)，而TP（True Positive）和TN（True Negative）分別表示將全部正類(lèi)樣本預(yù)測(cè)為正類(lèi)和負(fù)類(lèi)的樣本個(gè)數(shù)。

5.1 不同特征及其組合性能比較

從人體活動(dòng)信號(hào)中提取FDs、LBP 和WES 特征，為了探究每種特征及其組合對(duì)活動(dòng)識(shí)別性能的影響，如活動(dòng)識(shí)別準(zhǔn)確率和計(jì)算時(shí)間，基于RF 分類(lèi)算法對(duì)上述活動(dòng)特征進(jìn)行分析。RF 算法是一種集成學(xué)習(xí)分類(lèi)算法，作為Bagging的一個(gè)擴(kuò)展變體，其是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器，輸出類(lèi)別由每棵決策樹(shù)輸出類(lèi)別的眾數(shù)確定。

Table 1 Performance comparison of different features表1 不同特征性能比較

如表1 所示，當(dāng)單獨(dú)使用這3 個(gè)特征時(shí)，WES 特征可以取得最高的活動(dòng)識(shí)別準(zhǔn)確率（89.3%），計(jì)算時(shí)間為0.1s。雖然LBP 特征的計(jì)算時(shí)間最短，僅為0.02s，但其活動(dòng)識(shí)別準(zhǔn)確率卻表現(xiàn)最差，僅為66.9%。從表1 中還可以發(fā)現(xiàn)，當(dāng)對(duì)FDs、LBP 和WES 特征進(jìn)行融合時(shí)，活動(dòng)識(shí)別的效果最好，達(dá)到了92.7%的準(zhǔn)確率，較LBP 和WES 特征分別有25.8%和3.4%的提升，同時(shí)計(jì)算時(shí)間為0.23s，滿足實(shí)時(shí)性要求，說(shuō)明多特征融合對(duì)提高活動(dòng)識(shí)別率有一定幫助，證明了本文算法的有效性。

5.2 多種分類(lèi)算法性能比較

將這3 種特征進(jìn)行融合，目的是盡可能地提升活動(dòng)識(shí)別準(zhǔn)確率。對(duì)常見(jiàn)分類(lèi)算法RF、KNN、SVM、多層感知機(jī)（Multi-Layer Perception，MLP）、決策樹(shù)（Decision Tree，DT）和邏輯回歸（Logistic Regression，LR）的性能進(jìn)行比較，結(jié)果如表2 所示。

Table 2 Comparison of classification algorithms表2 分類(lèi)算法比較 （%）

從表2 可以看出，RF 算法的活動(dòng)識(shí)別性能最好，該算法的準(zhǔn)確率、查準(zhǔn)率、查全率和F1 值均超過(guò)92%，而其余5種分類(lèi)算法的4 種性能指標(biāo)均低于90%，說(shuō)明RF 作為傳統(tǒng)分類(lèi)樹(shù)算法的增強(qiáng)算法，分類(lèi)性能優(yōu)于傳統(tǒng)分類(lèi)算法，適用于具有相似特征的活動(dòng)識(shí)別任務(wù)。因此，在后續(xù)實(shí)驗(yàn)中，本文選擇RF 分類(lèi)算法進(jìn)行比較分析。

5.3 特征選擇對(duì)活動(dòng)識(shí)別性能的影響

從活動(dòng)信號(hào)中提取FDs、LBP 和WES 特征后，本文對(duì)這3 種特征進(jìn)行了有效融合。為了去除其中的冗余特征，比較方差選擇法、遞歸特征消除法（Recursive Feature Elimination，RFE）、Relief-F 和RF 特征選擇方法對(duì)活動(dòng)識(shí)別性能的影響，其中Relief-F 方法采用皮爾遜相關(guān)系數(shù)計(jì)算特征對(duì)應(yīng)的相關(guān)統(tǒng)計(jì)量，實(shí)驗(yàn)結(jié)果如表3 所示。

Table 3 Comparison of feature selection methods表3 特征選擇方法比較

從表3 可以看出，與其余3 種特征選擇方法相比，Relief-F 方法可以更有效地消除冗余特征，人體活動(dòng)識(shí)別準(zhǔn)確率可達(dá)94.5%，與“5.2”節(jié)中基于RF的分類(lèi)結(jié)果相比，加入特征選擇算法后，活動(dòng)識(shí)別準(zhǔn)確率提升了1.8%。因此，在多特征融合后，基于Relief-F 算法對(duì)特征向量進(jìn)行選擇具有非常重要的作用。

此外，Relief-F 算法需要通過(guò)相關(guān)統(tǒng)計(jì)量衡量特征的重要程度，其中特征向量中的每個(gè)特征都可以計(jì)算得到相對(duì)應(yīng)的相關(guān)統(tǒng)計(jì)量，因此特征子集的重要性由該子集所有特征的相關(guān)統(tǒng)計(jì)量之和衡量。在計(jì)算特征對(duì)應(yīng)的相關(guān)統(tǒng)計(jì)量時(shí)，本文比較了皮爾遜相關(guān)系數(shù)和余弦相似度方法的性能，實(shí)驗(yàn)結(jié)果如表4 所示。

Table 4 Comparison of similarity methods表4 相似度方法比較 （%）

從表4 可以看出，采用皮爾遜相似度方法計(jì)算特征的相關(guān)統(tǒng)計(jì)量時(shí)可以取得更好的分類(lèi)性能，活動(dòng)識(shí)別準(zhǔn)確率可達(dá)94.5%，較余弦相似度方法有0.7%的提升。

5.4 與歷史研究的比較

為了證明本文所提算法的有效性，將歷史研究中基于WISDM 和ADL 公共數(shù)據(jù)集的優(yōu)秀方法與本文算法進(jìn)行比較，結(jié)果如表5 所示?？梢钥闯?，本文算法表現(xiàn)出更優(yōu)異的性能，對(duì)WISDM 和ADL 公共數(shù)據(jù)集分別取得了94.5%和95.3%的識(shí)別準(zhǔn)確率，優(yōu)于歷史研究中的方法。因此，從活動(dòng)信號(hào)中提取FDs、LBP 和WES 特征并進(jìn)行融合，然后采用基于Relief-F的方法進(jìn)行特征篩選，有助于提升活動(dòng)識(shí)別性能。

Table 5 Comparison with historical research methods’performance表5 與歷史研究方法性能比較

6 結(jié)語(yǔ)

本文從豐富的活動(dòng)特征可以提高人體活動(dòng)識(shí)別準(zhǔn)確率的角度出發(fā)，提出從活動(dòng)信號(hào)中提取FDs、LBP 和WES 特征的方法，其中前兩個(gè)特征考慮了活動(dòng)信號(hào)的空間性和時(shí)間性，通過(guò)將加速度計(jì)采集到的一維信號(hào)構(gòu)建為二維的圖片信息，可進(jìn)一步提取魯棒的特征，有助于提高活動(dòng)識(shí)別性能。將多特征進(jìn)行有效融合后，本文基于Relief-F 特征選擇算法去除冗余的特征，并采用WISDM 和ADL 公共數(shù)據(jù)集進(jìn)行了相關(guān)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，與單一特征方法相比，多特征融合的識(shí)別率顯著提升，在進(jìn)行特征選擇后，活動(dòng)識(shí)別率進(jìn)一步得到提升，驗(yàn)證了本文算法的有效性。在后續(xù)研究中，將考慮識(shí)別更多種類(lèi)的人體日?；顒?dòng)以及提升系統(tǒng)的整體識(shí)別準(zhǔn)確率。