基于智能手机传感器的人类行为识别研究

针对因人类行为识别中手机位置的不确定性导致的行为识别率低的问题，提出了一种实时行为识别方法。首先对智能手机中加速度计和陀螺仪所获取的各行为下的传感器数据，依次进行零偏误差补偿、异常值处理和db7小波阈值去噪；其次使用滑动窗口对预处理后的数据进行分割，同时基于各行为特征分布规律进行特征提取；最后将提取的特征用于支持向量机(Support Vector Machine, SVM)分类器模型的训练，通过调用SVM模型结合多票判决策略实现当前时刻行为预测。仿真结果表明，该方法能有效地识别坐、站立、行走、跑步、上楼、下楼、躺、卧8种基本行为，并能区分握、阅读、接听、摆臂、口袋5种手机位置。分类器模型的整体识别率达到了97.6%,在手机位置固定和不固定的情况下，实时行为识别的平均识别准确率分别达到了90.6%和84.8%,平均耗时为177.803 ms。