馬 侖，王瑞平，趙 斌，劉 鑫，廖桂生，張亞靜

（1.長(zhǎng)安大學(xué)信息工程學(xué)院，西安 710064；2.西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室，西安 710071）

引言

人類(lèi)行為識(shí)別（Human activity recognition，HAR）技術(shù)已經(jīng)在人機(jī)交互、移動(dòng)和普適計(jì)算等領(lǐng)域得到了廣泛的關(guān)注和應(yīng)用。將HAR 應(yīng)用于醫(yī)療保健這個(gè)新興領(lǐng)域，涉及老年人和體弱者的健康監(jiān)測(cè)和康復(fù)評(píng)估等［1］?；诳纱┐髟O(shè)備的HAR 已成為幫助患者進(jìn)行康復(fù)治療、日常行為監(jiān)測(cè)以及其他健康問(wèn)題的重要工具［2］，如老年人的跌倒［3］和中風(fēng)的康復(fù)監(jiān)測(cè)［4］等。

相比于普通人群，在臨床上被診斷為生理和心理層面有殘疾（如自閉癥、抽動(dòng)癥等）和有特殊需要的人群（障礙人群）所表現(xiàn)出的問(wèn)題行為尤為引人關(guān)注。通常情況下，問(wèn)題行為根據(jù)嚴(yán)重性和復(fù)雜性分為3 類(lèi)［5］：自我刺激性行為，如不停的眨眼、擠眉、點(diǎn)頭和搖頭等；自我傷害性行為，如打自己的頭、抽搐和撞墻等；破壞性行為，如打架等；這3 種問(wèn)題行為普遍具有刻板性和周期性。國(guó)內(nèi)外大量研究表明［5-6］，問(wèn)題行為已嚴(yán)重影響障礙人群的健康及發(fā)展。然而，鮮有研究考慮到障礙人群的行為識(shí)別。將先進(jìn)的HAR 系統(tǒng)應(yīng)用于問(wèn)題行為識(shí)別，可以解放人工成本，對(duì)障礙人群融入社會(huì)提供更好的幫助。

基于傳感器的HAR 研究主要集中在特征提取、特征選擇和算法設(shè)計(jì)等方面。從特征角度來(lái)看，特征提取主要包括時(shí)域和頻域等［7］，特征選擇主要包括嵌入法和包裝法等［8］。特征提取作為行為識(shí)別的重要環(huán)節(jié)，提取結(jié)果的好壞在很大程度上影響著行為識(shí)別效果的實(shí)時(shí)性與準(zhǔn)確性。特征選擇能提升模型的效率，增加模型的可解釋性。從算法角度來(lái)看，常用的算法分為深度學(xué)習(xí)和機(jī)器學(xué)習(xí)兩類(lèi)。深度學(xué)習(xí)能自動(dòng)提取特征，包括卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）［9］等；機(jī)器學(xué)習(xí)需要根據(jù)先驗(yàn)知識(shí)手動(dòng)提取特征，主要包括K 近鄰（K-nearest neighbor，KNN）［10］、支持向量機(jī)（Support vector machine，SVM）［11］、決策樹(shù)（Decision tree，DT）［12］等基分類(lèi)器和隨機(jī)森林（Random forest，RF）、裝袋算法（Bootstrap aggregating，Bagging）等［13］集成分類(lèi)器。研究發(fā)現(xiàn)集成分類(lèi)器可以提高識(shí)別準(zhǔn)確率［14］。近年來(lái)，國(guó)內(nèi)外研究者對(duì)不同識(shí)別算法展開(kāi)研究并取得了一定的進(jìn)展，雖然基于可穿戴設(shè)備的HAR 研究已取得一些成果，但目前仍沒(méi)有統(tǒng)一的分類(lèi)方法。根據(jù)所分析行為的種類(lèi)、最終的應(yīng)用程序、可用的計(jì)算能力和處理時(shí)間，可以選擇不同的算法對(duì)行為進(jìn)行識(shí)別。如何對(duì)數(shù)據(jù)進(jìn)行預(yù)處理并提取有效特征，如何設(shè)計(jì)有效的算法以實(shí)現(xiàn)不同行為的準(zhǔn)確識(shí)別，仍需要進(jìn)一步開(kāi)展研究工作。

目前，對(duì)障礙人群的問(wèn)題行為進(jìn)行智能感知尚未引起HAR 研究領(lǐng)域的廣泛關(guān)注，且缺少與之相應(yīng)的數(shù)據(jù)處理方法。本文擬利用可穿戴設(shè)備內(nèi)置的9 軸傳感器，結(jié)合先進(jìn)的人工智能技術(shù)對(duì)障礙人群的問(wèn)題行為進(jìn)行識(shí)別。首先，通過(guò)分析問(wèn)題行為的運(yùn)動(dòng)學(xué)特性，使用采樣頻率為20 Hz 的可穿戴設(shè)備對(duì)3 個(gè)位置（頸部、手腕和腳踝）的5 種行為（走路、用拳猛擊頭部、頭部撞墻、拳打腳踢他人和抽搐）進(jìn)行數(shù)據(jù)采集；進(jìn)一步，探索適用于問(wèn)題行為分類(lèi)器的特征集，在數(shù)據(jù)處理初始階段提取盡可能多的特征，并采用特征融合和兩種特征選擇方法，將所有特征劃分為3 個(gè)特征子集；最后，采用2 種驗(yàn)證方法、5 種評(píng)價(jià)指標(biāo)以及6 種分類(lèi)器（SVM、KNN、DT、RF、極限梯度提升（eXtreme gradient boosting，XGBoost）和輕量梯度提升機(jī)（Light gradient boosting machine，LightGBM）進(jìn)行性能評(píng)價(jià)，進(jìn)而為HAR 面向障礙人群提供理論以及實(shí)踐支撐。

1 數(shù)據(jù)采集和特征提取

1.1 數(shù)據(jù)采集

通過(guò)走訪(fǎng)特殊教育學(xué)校以及文獻(xiàn)檢索［6］，如表1 所示，本文選定4 種問(wèn)題行為和1 種正常行為作為研究對(duì)象（樣本）。其中自傷行為（行為2 和3）與傷人行為（行為4）多見(jiàn)于腦癱與自閉癥，尤其是特殊兒童，而抽搐行為（行為5）則多見(jiàn)于腦癱與癲癇。通過(guò)分析5 種行為的運(yùn)動(dòng)學(xué)特征，發(fā)現(xiàn)行為3 和5 的主要發(fā)力部位為軀干而行為2 和4 為四肢。因此，將3 個(gè)傳感器分別佩戴于測(cè)試者的頸部、手腕和腳踝。圖1 為5 種行為合加速度幅值示例，根據(jù)主要發(fā)力部位，行為1、行為2 和行為4給出手腕可視化數(shù)據(jù)，行為3 和行為5 給出頸部可視化數(shù)據(jù)。

表1 問(wèn)題行為描述Table 1 Description of impaired behaviors

本文使用采樣頻率為20 Hz 的MPU9250 傳感器模擬感知障礙人群的問(wèn)題行為，其由一個(gè)三軸加速度計(jì)、一個(gè)三軸陀螺儀和一個(gè)三軸磁強(qiáng)計(jì)組成［15］。自采集數(shù)據(jù)集收集了22 名測(cè)試者（年齡從18～39 歲，18 名男性，4 名女性）模擬障礙人群的4 種問(wèn)題行為與1 種正常行為，每人每種行為分別做3 次，每次持續(xù)時(shí)間為10 s，共得到330 個(gè)樣本。自采集數(shù)據(jù)集包含全身3 個(gè)部位（頸部、手腕和腳踝）數(shù)據(jù)，佩戴于3 個(gè)位置的傳感器通過(guò)內(nèi)置的同步模塊保證其同步記錄行為數(shù)據(jù)。值得說(shuō)明的是，每一位測(cè)試者在實(shí)驗(yàn)中均佩戴實(shí)驗(yàn)防護(hù)裝備并簽署了《測(cè)試者知情同意書(shū)》。

1.2 特征提取

通常情況下，人類(lèi)日常行為提取的統(tǒng)計(jì)特征主要為均值、方差、最大值等，以上特征能夠很好區(qū)分靜態(tài)行為與動(dòng)態(tài)行為，且除走路等是周期性行為外，很多行為不具有周期性。由圖1 可知，障礙人群的問(wèn)題行為表現(xiàn)出較強(qiáng)的“類(lèi)周期性”和“突變性”，且自傷行為（行為2）和傷人行為（行為4）在某種程度上存在較強(qiáng)的相似性?！邦?lèi)周期性”和“突變性”為區(qū)分正常行為與問(wèn)題行為提供更高的可行性，但對(duì)于不同問(wèn)題行為的分類(lèi)還缺乏區(qū)分度。為探索適用于問(wèn)題行為分類(lèi)的特征集，如表2 所示，本文在數(shù)據(jù)處理初始階段提取盡可能多的特征，即對(duì)3 個(gè)位置的傳感器數(shù)據(jù)提取了時(shí)域、頻域和小波域共108 維特征［4，7］。

圖1 5 種行為合加速度幅值示例Fig.1 Five examples of acceleration amplitude combined with behavior

考慮到問(wèn)題行為的“類(lèi)周期性”（自采集數(shù)據(jù)的周期一般小于2 s，對(duì)應(yīng)40 個(gè)采樣點(diǎn)），本文選取步長(zhǎng)為20，窗口為40，重疊率為50%的滑動(dòng)窗口［16］對(duì)自采集數(shù)據(jù)集進(jìn)行處理，將數(shù)據(jù)分割成相同長(zhǎng)度的序列，然后對(duì)每個(gè)序列樣本提取特征，構(gòu)成特征樣本。值得說(shuō)明的是，為了更好地從時(shí)序樣本中分離出問(wèn)題行為，在表2 中提取特征27～36 時(shí)，對(duì)時(shí)序樣本進(jìn)行了高通濾波（截止頻率1 Hz）［4］。

表2 傳感器數(shù)據(jù)提取的特征Table 2 Extracted features of sensor data

2 數(shù)據(jù)處理

2.1 特征融合

信息融合可以用來(lái)克服單個(gè)傳感器的局限性，融合可以在信號(hào)級(jí)、特征級(jí)和決策級(jí)實(shí)現(xiàn)［17］。本文致力于探索適用于障礙人群?jiǎn)栴}行為的特征集合，因此采用特征級(jí)融合，將不同位置提取的特征進(jìn)行拼接，構(gòu)成特征集。

2.2 特征選擇

如上所述，本文首先建立盡可能大的特征集，從中探索適用于問(wèn)題行為分類(lèi)的特征子集。但高維度的特征集將引入巨大的運(yùn)算開(kāi)銷(xiāo)，因此，有必要對(duì)初始特征集進(jìn)行降維，選出真子集，在保證識(shí)別精度的前提下降低運(yùn)算開(kāi)銷(xiāo)，進(jìn)而提升模型的效率、降低學(xué)習(xí)任務(wù)的難度。

2.2.1 原理性分析進(jìn)行特征選擇

結(jié)合問(wèn)題行為采集信號(hào)的數(shù)學(xué)特性，針對(duì)表2 特征集中各個(gè)特征對(duì)于問(wèn)題行為識(shí)別的貢獻(xiàn)進(jìn)行原理性分析：

（1）特征2、特征3 能較好地反映行為中的平動(dòng)［18］，有助于區(qū)分行為1 和其他4 種問(wèn)題行為。

（2）特征10 和17 常用于異常值檢測(cè)，是識(shí)別異常值的一個(gè)標(biāo)準(zhǔn)，考慮到問(wèn)題行為表現(xiàn)出的“突變性”，這兩個(gè)特征對(duì)于區(qū)分不同的問(wèn)題行為應(yīng)具有較大貢獻(xiàn)；表1 中的5 種行為均為動(dòng)態(tài)行為，常規(guī)用于區(qū)別動(dòng)態(tài)行為和靜態(tài)行為的特征顯然不適用于本文，考慮到特征19 被廣泛應(yīng)用于識(shí)別不同波形的相似性，進(jìn)而對(duì)不同的動(dòng)態(tài)行為進(jìn)行分類(lèi)，因此，該特征有助于問(wèn)題行為識(shí)別。

（3）特征8 反映數(shù)據(jù)分布的變異范圍和離散幅度，能體現(xiàn)一組數(shù)據(jù)波動(dòng)的范圍，對(duì)于類(lèi)似的行為，如行為2 和行為4，標(biāo)準(zhǔn)差或平均值等特征可能是相同的，但最大值和最小值的差值卻有較大的可能性是不同的，如果最大值和最小值的差值足夠小，說(shuō)明佩戴者處于靜止?fàn)顟B(tài)，反之，可以根據(jù)差值的大小來(lái)對(duì)相似的行為進(jìn)行分類(lèi)，因此，這個(gè)特征對(duì)于區(qū)分相似的問(wèn)題行為應(yīng)具有較大貢獻(xiàn)。

（4）特征25、28 和31 常用于識(shí)別具有周期性的行為［19］，特征26 和34 可作為識(shí)別特定動(dòng)作的關(guān)鍵指標(biāo)［20］，以上特征均是基于FFT 的頻域特征，已被廣泛用于捕捉與周期有關(guān)的傳感器信號(hào)的重復(fù)性質(zhì)，考慮到表1 中5 種行為表現(xiàn)出的“類(lèi)周期性”，因此，上述特征對(duì)于區(qū)分這5 種行為應(yīng)具有較大貢獻(xiàn)。

（5）特征27 常用于識(shí)別具有相似能量的不同行為［21］，特征16、29 和30 表示時(shí)域信號(hào)的有效值，常用于識(shí)別相似行為［22］，考慮到行為2 和4 都是手腕特征較為明顯，且兩種行為比較相似，很可能具有相似的信號(hào)能量，以上特征對(duì)于區(qū)分這兩種行為應(yīng)有較大貢獻(xiàn)。另外，文獻(xiàn)［2］指出特征27 以及特征16、29和30 是判別運(yùn)動(dòng)障礙的最佳特征，鑒于運(yùn)動(dòng)障礙行為與本文研究的問(wèn)題行為從行為學(xué)的角度來(lái)看較為相似，故認(rèn)為上述特征有助于本文討論的問(wèn)題行為識(shí)別。最后，文獻(xiàn)［4］提到特征33 和36 是檢測(cè)中風(fēng)后的運(yùn)動(dòng)能力主要依據(jù)之一，中風(fēng)后患者常表現(xiàn)出現(xiàn)各種肢體運(yùn)動(dòng)功能障礙（如抽搐），具有較高的參考性。

綜上所述，結(jié)合問(wèn)題行為的運(yùn)動(dòng)學(xué)特點(diǎn)與表2 特征的數(shù)學(xué)特性，初步認(rèn)定特征2、3、8、10、16、17、19、25、26、27、28、29、30、31、33、34 和36 能更好地區(qū)分表1 中的5 種行為。

2.2.2 隨機(jī)森林進(jìn)行特征選擇

采用隨機(jī)森林［23］對(duì)3 個(gè)位置的108 維特征（手腕1～36、腳踝37～72 和頸部73～108）進(jìn)行重要性評(píng)估，篩選重要性分?jǐn)?shù)大于0.01 的特征，如圖2 所示，將108 維特征降為32 維。將隨機(jī)森林選擇的特征與原理性分析選擇的特征進(jìn)行對(duì)比，可以看出特征選擇的結(jié)果基本一致，其中隨機(jī)森林額外選擇了特征21 同時(shí)未選擇特征16、25、28 和29。

圖2 隨機(jī)森林特征選擇結(jié)果Fig.2 Random forest feature selection results

為驗(yàn)證以上特征選擇的可行性，進(jìn)一步將特征數(shù)據(jù)劃分為3 個(gè)特征子集，特征子集1：根據(jù)表2，選取初始完備特征集合共108 維特征（頸部、手腕和腳踝各36 維特征）；特征子集2：根據(jù)表2 特征集中各個(gè)特征對(duì)于問(wèn)題行為識(shí)別進(jìn)行原理性分析選擇的51 維特征（頸部、手腕和腳踝各17 維特征）；特征子集3：如圖2 所示，隨機(jī)森林篩選的32 維特征。

3 分類(lèi)方法及評(píng)價(jià)指標(biāo)

本文選取3 種基分類(lèi)器SVM、KNN、DT 和3 種集成分類(lèi)器RF、XGBoost 和LightGBM 構(gòu)成分類(lèi)模型。以上6 種分類(lèi)器都是在Python（scikit-learn 庫(kù)）環(huán)境下實(shí)現(xiàn)的，分別將第2 節(jié)所選的特征輸入到分類(lèi)器，以完成5 種行為（4 種問(wèn)題行為和1 種正常行為）識(shí)別。

本文通過(guò)兩種驗(yàn)證方法：（1）10 倍交叉驗(yàn)證（將數(shù)據(jù)集分成10 份，輪流將其中9 份作為訓(xùn)練數(shù)據(jù)，1 份作為測(cè)試數(shù)據(jù)），將10 倍交叉驗(yàn)證的平均準(zhǔn)確率作為算法識(shí)別精度的估計(jì)；（2）Holdout 驗(yàn)證（包含80%的訓(xùn)練集和20%的測(cè)試集），將測(cè)試集的準(zhǔn)確率作為算法識(shí)別精度的估計(jì)。以準(zhǔn)確率、精確率、召回率、F1-score［13，24］和混淆矩陣［3］作為評(píng)價(jià)指標(biāo)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 特征融合結(jié)果與分析

如圖3 所示，不同位置分類(lèi)器的識(shí)別率不同，由高到低為手腕、腳踝和頸部；相同位置分類(lèi)器的識(shí)別率也不同，由高到低依次為L(zhǎng)ightGBM、XGBoost、RF、DT、KNN 和SVM。將3 個(gè)位置的特征進(jìn)行融合后，所有分類(lèi)器的識(shí)別率都有顯著提升，與手腕相比，SVM 識(shí)別率提高7%，KNN 識(shí)別率提高7%，DT 識(shí)別率提高9%，RF 識(shí)別率提高10%，XGBoost 識(shí)別率提高9%，LightGBM 識(shí)別率提高9%，故采用特征融合可以提高分類(lèi)器的識(shí)別率。

圖3 頸部、手腕和腳踝傳感器特征融合的分類(lèi)結(jié)果Fig.3 Classification results of fusion of sensor features in neck, wrist and ankle

4.2 特征選擇結(jié)果與分析

如圖4 所示，對(duì)于基分類(lèi)器采用特征選擇后，SVM 和KNN 識(shí)別率有所提升，在特征子集3 上識(shí)別率最高約為82%，DT 的變化較小。對(duì)于集成分類(lèi)器采用特征選擇后，LightGBM、XGBoost 和RF識(shí)別率略微下降，在特征子集1 上識(shí)別率最高，相較于特征子集1，在特征子集2 和3 上降低約2%。3 個(gè)特征子集上分類(lèi)器識(shí)別率由高到低為L(zhǎng)ightGBM、XGBoost、RF、DT、KNN 和SVM，集成分類(lèi)器總體表現(xiàn)優(yōu)于基分類(lèi)器?？傮w來(lái)看，基分類(lèi)器在特征子集3 上識(shí)別率最高，集成分類(lèi)器在特征集1 識(shí)別率最高，且集成分類(lèi)器在特征子集2 和3 上的識(shí)別率基本一致，說(shuō)明原理性分析進(jìn)行特征選擇是可行的，兩種特征選擇方法都保留了問(wèn)題行為識(shí)別的關(guān)鍵特征。

圖4 不同特征集的分類(lèi)結(jié)果Fig.4 Classification results of different feature sets

結(jié)合分類(lèi)器的性能進(jìn)一步分析，如表3 所示，Holdout 驗(yàn)證下，集成分類(lèi)器在特征子集1 上的識(shí)別率高于特征子集3 上的識(shí)別率，但是，集成分類(lèi)器在特征子集1 上的運(yùn)行時(shí)間明顯高于特征子集3 上的運(yùn)行時(shí)間，特征選擇后，集成分類(lèi)器的識(shí)別率相對(duì)減少約1%，而運(yùn)行時(shí)間相對(duì)減少51.9%～67.4%，說(shuō)明特征子集3 能在保證識(shí)別精度的前提下降低時(shí)間開(kāi)銷(xiāo)。

表3 Holdout 驗(yàn)證下集成分類(lèi)器的準(zhǔn)確率和運(yùn)行時(shí)間Table 3 Accuracy and running time of the integrated classifier under Holdout verification

對(duì)于基分類(lèi)器，SVM 適合小樣本及高維數(shù)據(jù)，但存在內(nèi)存消耗大和運(yùn)行速度慢的問(wèn)題；KNN 容易實(shí)現(xiàn)，可用于非線(xiàn)性分類(lèi)，適合小樣本且精度要求不高的數(shù)據(jù)；DT 計(jì)算簡(jiǎn)單，可解釋性強(qiáng)，運(yùn)行速度比較快，但容易過(guò)擬合。對(duì)于集成分類(lèi)器，RF 處理高維特征的數(shù)據(jù)訓(xùn)練速度快，易實(shí)現(xiàn)并行；而XGBoost時(shí)間消耗大，占用更多的硬件資源；LightGBM 占用的硬件資源更低，速度更快。本文要求分類(lèi)器在保證精度的前提下具有較低的運(yùn)算開(kāi)銷(xiāo)，根據(jù)以上分析，LightGBM 分類(lèi)器在實(shí)際應(yīng)用中更適用于本文針對(duì)的問(wèn)題行為識(shí)別。

為進(jìn)一步研究不同分類(lèi)器對(duì)5 種行為的分類(lèi)性能，在特征子集3 下觀(guān)察識(shí)別率最高的LightGBM 分類(lèi)器和識(shí)別率最低的SVM 分類(lèi)器對(duì)單個(gè)行為的識(shí)別結(jié)果。如表4 所示，LightGBM 分類(lèi)器和SVM 分類(lèi)器10 倍交叉驗(yàn)證的平均識(shí)別率分別為93%和82%。在精確率方面，LightGBM 分類(lèi)器在行為3 上最高為97%，SVM 分類(lèi)器在行為1 和5 上最高為89%，對(duì)于其他行為，LightGBM 分類(lèi)器在85%至96%之間比SVM 分類(lèi)器（77%至78%）顯示出更優(yōu)的精確率結(jié)果。在召回率方面，LightGBM 分類(lèi)器在行為1和3 上最高為97%，SVM 分類(lèi)器在行為3 上最高為93%，對(duì)于其他行為，LightGBM 分類(lèi)器在87%至96%之間比SVM 分類(lèi)器（63%到90%）顯示出更優(yōu)的召回率結(jié)果。在F1-score 方面，LightGBM 分類(lèi)器在行為1 和行為3 上最高為97%，SVM 分類(lèi)器在行為1 上最高為89%，對(duì)于其他行為，LightGBM 分類(lèi)器在87%至96%之間比SVM 分類(lèi)器（69%到85%）顯示出更優(yōu)的F1-score 性能。LightGBM 分類(lèi)器對(duì)于5 種行為識(shí)別率由高到底為行為3、1、5、2 和4，SVM 分類(lèi)器對(duì)于5 種行為識(shí)別率由高到底為行為1、3、5、2 和4。綜上，不同評(píng)價(jià)指標(biāo)下，LightGBM 對(duì)于5 種行為的分類(lèi)性能均優(yōu)于SVM，且對(duì)于不同分類(lèi)器，行為1、3、5 容易識(shí)別而行為2 和4 不易識(shí)別。

表4 LightGBM 和SVM 10 倍交叉驗(yàn)證的分類(lèi)報(bào)告Table 4 10-fold cross-validation classification reports of LightGBM and SVM%

如圖5 所示，觀(guān)察LightGBM 分類(lèi)器和SVM 分類(lèi)器10 倍交叉驗(yàn)證的混淆矩陣，發(fā)現(xiàn)兩個(gè)分類(lèi)器最易混淆的行為是行為2 和行為4。如上所述，以捶打?yàn)橹鞯男袨? 和以擊打?yàn)橹鞯男袨? 在腕部的運(yùn)動(dòng)特征較為相似，容易產(chǎn)生混淆，這與之前的理論分析是一致的。值得說(shuō)明的是對(duì)圖5 中錯(cuò)誤概率小于0.01 的元素置零。

圖5 特征子集3 下LightGBM 和SVM 10 倍交叉驗(yàn)證混淆矩陣Fig.5 10-fold cross validation of the confusion matrix of LightGBM and SVM under feature subset 3

5 結(jié)束語(yǔ)

針對(duì)障礙人群的問(wèn)題行為，本文展開(kāi)探索性研究。首先，利用可穿戴設(shè)備內(nèi)置的9 軸運(yùn)動(dòng)傳感器模擬感知障礙人群的1 種正常行為和4 種問(wèn)題行為；然后，對(duì)自采集數(shù)據(jù)集進(jìn)行分析和預(yù)處理，為探索適用于問(wèn)題行為分類(lèi)的特征集，采用特征融合和兩種特征選擇方法將初始特征集劃分為3 個(gè)特征子集；最后，采用2 種驗(yàn)證方法和5 種評(píng)價(jià)指標(biāo)，對(duì)6 種分類(lèi)器在3 個(gè)特征子集上的分類(lèi)性能進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果表明，本文對(duì)問(wèn)題行為進(jìn)行智能感知的探索性研究在理論上是可行的，有利于HAR 系統(tǒng)應(yīng)用于障礙人群的問(wèn)題行為監(jiān)測(cè)，可為障礙人群融入社會(huì)提供更好的幫助。