陶加貴，胡勝男，戴建卓，張思聰

（1.國網(wǎng)江蘇省電力有限公司電力科學(xué)研究院，江蘇 南京 211103；2.國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司，湖北 武漢 430074）

人體行為識(shí)別（human activity recognition，HAR）是智能化研究中的一個(gè)重要方向，具有廣泛的應(yīng)用前景，在智能家居、智慧醫(yī)療、老人病人監(jiān)護(hù)等方面發(fā)揮著極其重要的作用[1]。由于認(rèn)知缺陷和身體受損，依賴人群和老年人在日常生活活動(dòng)中極易發(fā)生意外，應(yīng)用人體行為識(shí)別系統(tǒng)，對(duì)突發(fā)情況進(jìn)行及時(shí)檢測(cè)并自動(dòng)發(fā)送警報(bào)[2-3]，可以在很大程度上解決依賴人群和老年人的活動(dòng)監(jiān)護(hù)問題。

基于傳感器的人體行為識(shí)別已成為近年來人工智能領(lǐng)域的研究熱點(diǎn)[4]，通過機(jī)器學(xué)習(xí)等方法將傳感器收集的傳感數(shù)據(jù)有效地映射到人類的行為活動(dòng)中。傳統(tǒng)的機(jī)器學(xué)習(xí)實(shí)現(xiàn)行為識(shí)別遵循自上而下的方法，包括數(shù)據(jù)收集、信號(hào)預(yù)處理和分割、手工構(gòu)建特征和選擇及分類[5]。然而，在不同的領(lǐng)域中評(píng)判人工提取特征的有效性是非常困難的，并且還需要進(jìn)行耗時(shí)的特征選擇和一定的降維方法以減少計(jì)算復(fù)雜度[6-8]。同時(shí)特征選擇的不恰當(dāng)使用易導(dǎo)致模型缺乏概括性或建模復(fù)雜活動(dòng)細(xì)節(jié)的能力，這會(huì)影響識(shí)別精度。

在人類活動(dòng)識(shí)別框架的所有不同階段中，特征提取是最重要的階段[9]，關(guān)于如何通過提取專家驅(qū)動(dòng)的特征來改進(jìn)人類活動(dòng)識(shí)別系統(tǒng)，已經(jīng)做了大量的工作。HASSAN MM等人[10]依據(jù)統(tǒng)計(jì)特性從原始數(shù)據(jù)中提取高效特征，然后采用核主成分分析（kernel principal component analysis，KPCA）進(jìn)行降維，最后使用深度信任網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得了較高的識(shí)別效率；MA Congcong 等人[11]采用自適應(yīng)的滑動(dòng)窗口對(duì)時(shí)序動(dòng)作數(shù)據(jù)進(jìn)行分段并提取相關(guān)特征，將特征規(guī)范化后進(jìn)行特征選擇，利用多元高斯分布實(shí)現(xiàn)了不同坐姿狀態(tài)的識(shí)別；張俐等人[12]依據(jù)經(jīng)驗(yàn)提取行為特征后，基于互信息理論設(shè)計(jì)了一種前向搜索的非線性特征選擇算法，尋找與多分類標(biāo)簽相關(guān)的最優(yōu)子集，并降低計(jì)算復(fù)雜度；王瑞杰等人[13]在特征選擇的過程引入冗余性分析，將冗余特征剔除，以提高分類準(zhǔn)確率和降低計(jì)算復(fù)雜度。伴隨著傳感器技術(shù)的高速發(fā)展，行為識(shí)別領(lǐng)域可獲取的傳感器數(shù)據(jù)越來越多[14]，面對(duì)多維度、大體量的行為信號(hào)數(shù)據(jù)，依賴專家經(jīng)驗(yàn)和信號(hào)處理技術(shù)的傳統(tǒng)行為識(shí)別方法已經(jīng)無法滿足更高精度的行為分析需求，因此，迫切需要研究一種新的方法以減少復(fù)雜的預(yù)處理和特征選擇的干預(yù)。

而近年來，多層次結(jié)構(gòu)和再學(xué)習(xí)訓(xùn)練的特點(diǎn)使得深度學(xué)習(xí)具有更大的優(yōu)勢(shì)，可以彌補(bǔ)傳統(tǒng)行為識(shí)別方法的人工提取特征的不足并避免特征選擇的干預(yù)[15]。結(jié)合深度置信網(wǎng)絡(luò)（deep belief network，DBN）在提取特征和處理高維、非線性數(shù)據(jù)等方面的優(yōu)勢(shì)，文中提出一種基于深度置信網(wǎng)絡(luò)-支持向量機(jī)（deep belief network-support vector machine，DBN-SVM）的行為識(shí)別模型，以行為數(shù)據(jù)預(yù)處理獲取的時(shí)頻域信號(hào)作為DBN-SVM 的模型輸入，以供DBN 實(shí)現(xiàn)高層次的特征提取、獲取更具辨別力的行為特征向量；之后輸入SVM 進(jìn)行行為分類識(shí)別，通過對(duì)DBN-SVM 模型的網(wǎng)絡(luò)層數(shù)等參數(shù)設(shè)置進(jìn)行實(shí)驗(yàn)分析，確定了模型參數(shù)；最后以不同數(shù)據(jù)集和分類器進(jìn)行行為識(shí)別分類，驗(yàn)證了提出方法的有效性。

1 原始數(shù)據(jù)預(yù)處理

1.1 濾波降噪

從傳感器中采集的原始行為數(shù)據(jù)不可避免地帶有大量的噪聲信息。這是因?yàn)樵诓杉瘮?shù)據(jù)時(shí)，用戶身上發(fā)生的抖動(dòng)、與衣服之間的摩擦以及其他因素，這些因素會(huì)使得原始數(shù)據(jù)中含有大量的噪聲，影響人體行為識(shí)別效果[16]。文中選擇中值濾波器和低通巴特沃斯濾波器過濾掉原始數(shù)據(jù)中的噪聲。圖1 為濾波之前的行為數(shù)據(jù)信號(hào)，圖2 為濾波之后的行為數(shù)據(jù)信號(hào)。從圖中可以看出，使用濾波器過濾后的傳感器數(shù)據(jù)會(huì)更加地平滑，更容易識(shí)別波形的周期性。

圖1 濾波之前的行為信號(hào)波形Fig.1 Behavior signal waveform before filtering

圖2 濾波之后的行為信號(hào)波形Fig.2 Behavior signal waveform after filtering

1.2 時(shí)頻域變換

行為數(shù)據(jù)信號(hào)在采集的過程中會(huì)受到重力的作用，使得加速度計(jì)采集的各個(gè)軸的加速度除了包含運(yùn)動(dòng)產(chǎn)生的線性加速度之外，還包含了重力加速度分量，需要利用濾波器分離信號(hào)。

低通濾波器是一種允許低于截止頻率的數(shù)據(jù)通過的濾波器，可以篩選出頻率高于截止頻率的數(shù)據(jù)[17]。由于高頻數(shù)據(jù)變化快，低頻數(shù)據(jù)變化慢，可知重力加速度是一種低頻數(shù)據(jù)，運(yùn)動(dòng)加速度是一種高頻數(shù)據(jù)。因此可以使用低通濾波器將加速度計(jì)傳感器的加速度分離成重力加速度和線性加速度[10]。在此基礎(chǔ)上，通過歐幾里得范數(shù)的計(jì)算和快速傅里葉變換獲取時(shí)頻域信號(hào)。時(shí)域信號(hào)包括：身體加速度、重力加速度等；頻域信號(hào)包括身體線性加速度、身體角速度等。具體信號(hào)如表1所示。

表1 時(shí)域頻域信號(hào)Tab.1 Time domain-frequency domain signals

表1 中，前置字母t，f 分別表示時(shí)域、頻域信號(hào)，BodyAcc 表示身體加速度，GravityAcc 表示重力加速度，BodyAccJerk 表示身體加加速度，Body-AngularSpeed 表示身體角速度，BodyAngularAcc表示身體角加速度，BodyAccMag表示身體加速度大小，GravityAccMag 表示重力加速度大小，Body-AngularSpeedMag 表示身體角加速度大小，Body-AccJerkMag 表示身體加加速度大小，BodyAngularAccMag表示角加速度大小。

1.3 窗口分割

從傳感器中采集的數(shù)據(jù)一般比較長，而且每次采集的數(shù)據(jù)長度不一定相同。如果不將其切分成較短的數(shù)據(jù)段就提取特征，這樣提取的特征通常不能很好地表示出數(shù)據(jù)的真實(shí)特性，對(duì)整個(gè)人體行為識(shí)別產(chǎn)生影響，導(dǎo)致識(shí)別不準(zhǔn)確。因此，在對(duì)采集的數(shù)據(jù)進(jìn)行去除噪聲之后，還需要使用滑動(dòng)窗口對(duì)信號(hào)進(jìn)行采樣，以方便后面進(jìn)行特征提取和分類識(shí)別。

滑動(dòng)窗口分割技術(shù)是指使用一個(gè)固定長度的窗口沿著時(shí)間序列向前移動(dòng)，每移動(dòng)一次就提取其窗口內(nèi)的數(shù)據(jù)作為一個(gè)數(shù)據(jù)段，每個(gè)窗口之間存在一定的重疊率（使窗口中可以包含更多信息），窗口滑動(dòng)至?xí)r序數(shù)據(jù)尾部，可得到一組連續(xù)的樣本集用于活動(dòng)分類[18]。圖3 為包含3 個(gè)活動(dòng)數(shù)據(jù)的滑動(dòng)窗口分割技術(shù)時(shí)間序列示意圖。

圖3 滑動(dòng)窗口分割技術(shù)時(shí)間序列示意圖Fig.3 Schematic of sliding window segmentation technique time series

圖3 中，A1，A2，A3表示3 個(gè)持續(xù)時(shí)間不同的動(dòng)作，W1，W2，W3，W4表示相同大小的滑動(dòng)窗口。本文依據(jù)經(jīng)驗(yàn)將滑動(dòng)窗口大小設(shè)置為2.56 s，并以50%的重疊率進(jìn)行數(shù)據(jù)分段。2.56 s 的窗口大小可以滿足絕大多數(shù)動(dòng)作所需的時(shí)間，同時(shí)50%的重疊率可以保證當(dāng)前動(dòng)作信息的完整度。

2 基于DBN-SVM的行為識(shí)別模型

2.1 DBN模型

DBN 由若干層受限玻爾茲曼機(jī)器（restricted Boltzmann machine，RBM）堆疊組成，是一種廣泛應(yīng)用的深度學(xué)習(xí)模型，主要包括預(yù)訓(xùn)練和反向調(diào)參兩部分[19]。DBN 可以將原始數(shù)據(jù)中的深層特征以非線性變換的形式自動(dòng)提取，首先以無監(jiān)督的方式逐層訓(xùn)練DBN 模型提取高層特征，然后采取反向微調(diào)算法實(shí)現(xiàn)模型的有監(jiān)督訓(xùn)練，最后采用訓(xùn)練好的模型對(duì)行為測(cè)試集進(jìn)行分類，并記錄每個(gè)隱含層的輸出向量。相比于傳統(tǒng)的顯層分類器如多層前饋神經(jīng)網(wǎng)絡(luò)（back propagation，BP）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）等神經(jīng)網(wǎng)絡(luò)，DBN 可以更好地避免過擬合。DBN 的結(jié)構(gòu)如圖4所示。

圖4 DBN結(jié)構(gòu)圖Fig.4 Structure diagram of DBN

DBN 由多個(gè)RBM 堆疊而成，RBM 的結(jié)構(gòu)如圖5所示。可視單元v和隱藏單元h被連接成DBN 的基礎(chǔ)單元。連接可見單位和隱藏單位之間神經(jīng)元的權(quán)重是相互獨(dú)立的，沒有可見或隱藏的連接，但是相鄰層之間是互相聯(lián)通的。

圖5 RBM的結(jié)構(gòu)Fig.5 Structure of RBM

如圖5所示，RBM 單元中包含了m個(gè)可見單元和n個(gè)隱藏單元，a，b分別為單元偏置，w為相鄰層之間的連接權(quán)重。

聯(lián)合結(jié)構(gòu)網(wǎng)絡(luò)的層間單元節(jié)點(diǎn)具有的能量如下式：

式中：wij為第i個(gè)節(jié)點(diǎn)vi與第j個(gè)節(jié)點(diǎn)hj之間的權(quán)重值。

RBM 中可見層與隱含層之間的聯(lián)合概率分布可由網(wǎng)絡(luò)的節(jié)點(diǎn)能量表示，即

則可見層與隱藏層的邊緣概率分布為

其中

式中：f(x)為激活函數(shù)。

RBM 通過對(duì)比散度算法更新概率分布和能量值以獲取DBN 的網(wǎng)絡(luò)參數(shù)θ={w,a,b}，分別表示為

式中：k為迭代次數(shù)；η為學(xué)習(xí)率。

利用DBN提取行為高層特征的過程如圖6所示。它通過一個(gè)非監(jiān)督貪婪逐層方法預(yù)訓(xùn)練獲得權(quán)重，將可視層輸入的行為樣本映射到高層。

圖6 DBN提取特征過程Fig.6 Feature extraction process of DBN

經(jīng)過DBN 網(wǎng)絡(luò)映射后提取的高層特征y表示如下：

式中：v為可視層輸入特征；θDBN為模型的網(wǎng)絡(luò)參數(shù)。

2.2 模型構(gòu)建

深層信念網(wǎng)絡(luò)在底層有定向連接，在頂層有無定向連接，這有助于模擬向量空間和隱藏層之間觀察到的分布以學(xué)習(xí)對(duì)變換、噪聲和位移不變的穩(wěn)健特征。但DBN 的輸出不穩(wěn)定，具有一定的隨機(jī)性[20]。

因此，為了減少DBN 模型輸出的隨機(jī)性，文中利用DBN 模型輸出高維度特征矩陣，通過在DBN 的輸出層接入多個(gè)SVM 分類器進(jìn)行行為識(shí)別，可以有效提升模型的泛化能力和可靠性?；贒BN-SVM的人體行為識(shí)別流程如圖7所示。

圖7 基于DBN-SVM行為識(shí)別流程Fig.7 Behavior recognition process based on DBN-SVM

利用DBN-SVM 模型提取行為的高層特征主要包括以下4個(gè)步驟：

1）利用智能手機(jī)傳感器獲得人體不同的行為信號(hào)；

2）對(duì)原始行為信號(hào)進(jìn)行降噪處理并分段，標(biāo)準(zhǔn)化后將行為數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；

3）建立DBN-SVM 模型并根據(jù)行為樣本維數(shù)確定模型輸入層節(jié)點(diǎn)，使用訓(xùn)練數(shù)據(jù)集對(duì)DBN 模型進(jìn)行逐層訓(xùn)練，對(duì)模型權(quán)重進(jìn)行權(quán)重和閾值的反向微調(diào)，最后提取出行為的高層特征；

4）將提取的高層行為特征輸入到SVM 分類器，獲得行為識(shí)別準(zhǔn)確率。

利用DBN-SVM 模型提取高層特征的過程如下：①采集多種行為信號(hào)；②對(duì)行為信號(hào)進(jìn)行預(yù)處理去除噪聲并分段；③劃分行為數(shù)據(jù)集為訓(xùn)練集和測(cè)試集；④初始化DBN 相關(guān)參數(shù)；⑤訓(xùn)練集訓(xùn)練DBN；⑥測(cè)試集輸入已訓(xùn)練的DBN 模型，隱含層輸出向量，獲取行為特征向量集。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)以PyCharm Edition 2019為開發(fā)環(huán)境，操作環(huán)境為內(nèi)存4 GB 的Windows 10 系統(tǒng)，CPU 配置為Intel?Core?i5-2400 CPU@3.10 GHz。

3.2 實(shí)驗(yàn)數(shù)據(jù)集

本文采用公開的基于智能手機(jī)的人體行為識(shí)別數(shù)據(jù)集——UCI 數(shù)據(jù)集[18]進(jìn)行實(shí)驗(yàn)。UCI 數(shù)據(jù)集共10 929 條數(shù)據(jù)，由30 名年齡為19～48 歲的志愿者采集，通過將智能手機(jī)放置于志愿者的腰部獲取加速度計(jì)和陀螺儀相關(guān)數(shù)據(jù)，采集頻率為50 Hz，共采集6 種活動(dòng)，包括：步行、步行-上樓、步行-下樓、坐立、站立、躺著。數(shù)據(jù)集按照70%和30%的比例隨機(jī)被分為7 767 個(gè)訓(xùn)練集和3 162 個(gè)測(cè)試集。訓(xùn)練集和測(cè)試集中的每條原始行為數(shù)據(jù)通過濾波器降噪并將原始行為信號(hào)分離為17 個(gè)時(shí)頻域信號(hào)，之后以2.56 s 的固定滑動(dòng)窗口將數(shù)據(jù)分割為連續(xù)的小片段構(gòu)成數(shù)據(jù)集，直接輸入到DBN-SVM 模型中提取行為高層特征實(shí)現(xiàn)活動(dòng)識(shí)別。

3.3 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)中采用以準(zhǔn)確率、精確率、召回率和f1分?jǐn)?shù)作為模型的評(píng)價(jià)指標(biāo)。由于不同行為的樣本數(shù)量分布不均，綜合四個(gè)指標(biāo)測(cè)評(píng)模型的效率，可以實(shí)現(xiàn)模型對(duì)負(fù)樣本的高區(qū)分能力、對(duì)正確樣本的識(shí)別能力和穩(wěn)健性[21]。

準(zhǔn)確率（acc）可以最直觀地展示分類結(jié)果，表示預(yù)測(cè)樣本為正確分類的結(jié)果占總樣本數(shù)量的比例。但是當(dāng)每個(gè)樣本占總樣本的比例非常不平衡時(shí)，占比高的類別對(duì)最終的準(zhǔn)確率影響很大，這是單獨(dú)使用準(zhǔn)確率無法避免的缺陷，計(jì)算公式如下式：

式中：ncorrect為正確分類的樣本個(gè)數(shù)；ntotal為總樣本個(gè)數(shù)；TP為實(shí)際為正被預(yù)測(cè)為正的樣本數(shù)量；FN為實(shí)際為正但被預(yù)測(cè)為負(fù)的樣本的數(shù)量；FP為實(shí)際為負(fù)但被預(yù)測(cè)為正的樣本數(shù)量；TN為實(shí)際為負(fù)被預(yù)測(cè)為負(fù)的樣本的數(shù)量。

精確率（pre）指模型預(yù)測(cè)為正的樣本在實(shí)際中也正的樣本占被預(yù)測(cè)為正的樣本的比例。精確率可以實(shí)現(xiàn)分類器不將負(fù)樣本錯(cuò)誤標(biāo)記為正樣本，計(jì)算方法如下式所示：

召回率（recall）指實(shí)際為正的樣本中被預(yù)測(cè)為正的樣本所占實(shí)際為正的樣本的比例，召回率可以表示分類器找到所有正樣本的能力，計(jì)算方法如下式所示：

f1分?jǐn)?shù)（f1-score）為精確率和召回率的調(diào)和平均值，計(jì)算方法如下式所示：

3.4 模型參數(shù)設(shè)置

DBN 的網(wǎng)絡(luò)層數(shù)、神經(jīng)單元個(gè)數(shù)、學(xué)習(xí)率、迭代次數(shù)等參數(shù)設(shè)置對(duì)最后的識(shí)別精度都會(huì)產(chǎn)生影響。本實(shí)驗(yàn)將研究不同的參數(shù)設(shè)置對(duì)行為識(shí)別的影響。RBM 學(xué)習(xí)速率為0.1，迭代次數(shù)設(shè)置為60次。首先研究不同網(wǎng)絡(luò)層數(shù)的影響，將每層網(wǎng)絡(luò)的隱藏層與輸出層單元個(gè)數(shù)設(shè)置為100，提取高層特征后使用SVM 進(jìn)行行為識(shí)別。圖8 為1～10 層網(wǎng)絡(luò)進(jìn)行行為識(shí)別的準(zhǔn)確率，從圖中可以看出，當(dāng)網(wǎng)絡(luò)層數(shù)為4時(shí)，行為識(shí)別取得了較高的準(zhǔn)確率。因此，DBN-SVM 的模型參數(shù)設(shè)置如下：輸入層節(jié)點(diǎn)個(gè)數(shù)100，隱藏層1 節(jié)點(diǎn)個(gè)數(shù)60，隱藏層2 節(jié)點(diǎn)個(gè)數(shù)20，輸出層節(jié)點(diǎn)數(shù)6，網(wǎng)絡(luò)層數(shù)4，學(xué)習(xí)率0.1，迭代次數(shù)60。

圖8 不同網(wǎng)絡(luò)層數(shù)的行為識(shí)別準(zhǔn)確率Fig.8 Behavior recognition accuracy of different network layers

3.5 實(shí)驗(yàn)分析

分析提出的DBN-SVM 模型對(duì)6 種行為動(dòng)作的識(shí)別情況，實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 DBN-SVM模型行為識(shí)別率Fig.9 Behavior recognition rate of DBN-SVM model

實(shí)驗(yàn)結(jié)果表明，提出的識(shí)別算法對(duì)步行、步行-上樓、步行-下樓、坐立、站立、躺著6種動(dòng)作的識(shí)別率分別為96.33%，93.12%，92.67%，97.43%，95.19%，96.40%，對(duì)坐立的識(shí)別率最高，對(duì)步行-下樓的識(shí)別率最低，對(duì)6 種活動(dòng)的平均識(shí)別率達(dá)到了95.19%。

傳統(tǒng)的基于加速度和角速度的行為識(shí)別方式是提取行為信號(hào)的時(shí)域和頻域信號(hào)，之后在滑動(dòng)窗口內(nèi)提取統(tǒng)計(jì)特征，包括均值、最大值、最小值、軸相關(guān)性等，然后將獲取的特征矢量集輸入分類器中進(jìn)行分類識(shí)別，常用的分類器包括SVM，BP 神經(jīng)網(wǎng)絡(luò)及ANN 等。本次實(shí)驗(yàn)將提出的DBN-SVM 模型與傳統(tǒng)的分類方法（DBN，ANN，SVM和BP）進(jìn)行對(duì)比，其中ANN，SVM和BP輸入的特征矢量是與DBN-SVM 模型相同，是經(jīng)過簡(jiǎn)單預(yù)處理之后的時(shí)頻域信號(hào)。4種方法對(duì)各活動(dòng)的識(shí)別率如圖10所示。

圖10 各模型對(duì)各活動(dòng)的行為識(shí)別率Fig.10 The behavior recognition rate of each model for each activity

由實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，各模型對(duì)6 種活動(dòng)的識(shí)別存在以下特點(diǎn)：由于不同活動(dòng)之間存在相似性，步行與步行-上樓、步行-下樓容易發(fā)生誤判，站立、坐立和躺著3種行為容易識(shí)別錯(cuò)誤，但本文提出的方法活動(dòng)誤判的概率非常低，且該模型對(duì)6 種行為動(dòng)作的平均識(shí)別率達(dá)到了95.19%，高于DBN（2.45%），ANN（13.02%），SVM（23.79%），BP（14.71%），因此得出本文提出的行為識(shí)別方法具有較高的識(shí)別率。

將各模型應(yīng)用于WIDSM[22]行為數(shù)據(jù)集中，行為識(shí)別的結(jié)果如表2所示。

表2 各模型在WIDSM數(shù)據(jù)集行為識(shí)別結(jié)果Tab.2 Behavior recognition results of each model in WIDSM data set

表2 中，準(zhǔn)確率、精確率、召回率、f1分?jǐn)?shù)4 個(gè)常用指標(biāo)的實(shí)驗(yàn)結(jié)果表明，文中提出的DBNSVM 對(duì)6 種行為的識(shí)別率較高且較均衡，其次是DBN 模型，因?yàn)镈BN-SVM 提取了行為的高層特征，特征間關(guān)聯(lián)性強(qiáng)且極具辨別力，因此分類識(shí)別效果更好。DBN-SVM 模型相較于DBN，SVM，ANN，BP，平均識(shí)別率分別提高了4.84%，15.92%，12.13%，14.92%。

4 結(jié)論

文中在分析深度置信網(wǎng)絡(luò)的原理和傳統(tǒng)機(jī)器學(xué)習(xí)方法的缺陷的基礎(chǔ)上，結(jié)合集成學(xué)習(xí)提出了一種基于DBN-SVM 模型的行為識(shí)別方法。該方法通過DBN 提取行為數(shù)據(jù)時(shí)頻域信號(hào)的高層特征，在實(shí)驗(yàn)中不斷調(diào)整設(shè)置模型參數(shù)，之后應(yīng)用于SVM 并取得了較好的行為識(shí)別結(jié)果。相比于以手工制作方法提取特征有傳統(tǒng)方法，DBNSVM 模型不需要在滑動(dòng)窗口內(nèi)依據(jù)專家經(jīng)驗(yàn)提取統(tǒng)計(jì)特征，利用DBN 模型直接獲取高層特征，無需進(jìn)行特征選擇，減少了行為識(shí)別過程中的計(jì)算量。將該方法應(yīng)用于現(xiàn)有的UCI 數(shù)據(jù)集中，取得了較好的識(shí)別效果。同時(shí)，與現(xiàn)有的行為識(shí)別方法相比，本方法仍具有較好的識(shí)別性能。實(shí)驗(yàn)結(jié)果表明，本方法可以實(shí)現(xiàn)較高準(zhǔn)確率的人體行為識(shí)別，具有一定的研究意義。

在人體日?；顒?dòng)中，由于加速度、角速度等十分相似，某些活動(dòng)極易被分到與其相似的活動(dòng)中，使得行為識(shí)別的精確率無法達(dá)到最優(yōu)，未來將著力研究相似活動(dòng)混淆分類的問題，以提升活動(dòng)識(shí)別精度。