物联网技术 2021年 / 第12期
400 引 言
随着微电子机械系统（MEMS ）、机器学习等技术的快速发展，同时人们对健康状况的关注和对更高生活品质的追求，使得基于惯性传感器的人体活动识别成为当下热门的研究课题。基于惯性传感器的人体活动识别技术在辅助老年人生活、医疗保健、体育运动和人机交互等方面
[1]
发挥着重要
作用。用于人体活动数据采集的惯性传感器主要由加速度计、陀螺仪和磁力计等构成，能够准确采集人体活动时产生的加速度信号、角速度信号和磁场[2]。传感器器件的发展促使惯性传感器朝着小体积、低成本、低功耗、高灵敏度的方向不断进步，使其被集成在智能手环、智能手机和可穿戴设备上成为可能，相信在未来，其在人体活动识别领域的应用也将越来越广泛。
人体活动识别中常见的机器学习算法模型有决策树、朴素贝叶斯、人工神经网络、支持向量机、K 最近邻和隐马尔科夫模型等[3]。文献[4]提出了一种基于多传感器的分布式人体定位方法，该多传感器系统采用决策树分类器（DT ）、均值和方差特征，整体识别准确率达96.4%。文献[5]提出了一种基于朴素贝叶斯分类器（NB ）的早期手势识别方法，实验结果表明，所提出的新方法优于许多专门为早期手势识别而设计的更复杂的方法。文献[6]建立了支持向量机（SVM ）分类模型，用于体操动作的识别，该模型对6种体操动作的平均识别率超97%。文献[7]采用K 最近邻分类器（KNN ）进行人体活动识别，采用粒子优化算法（PSO-KNN ）搜索KNN 分类器中k 参数的最优值。实验结果表明，优化后的算法提高了对人体动作的识别精度。本文提出了基于BP 神经网络的人体活动识别方法，并在公开的DaLiAc （Daily
Life Activities, DaLiAc ）数据集上验证了我们所提分类模型用于人体活动识别的有效性。
1 人体活动识别模型
1.1 BP 神经网络模型
多层网络的学习能力较单层感知器增强很多，但要训练多层网络，则需要更强大的学习算法。误差逆传播（Error Back Propagation, BP ）算法是迄今为止最成功的神经网络学习算法，现实任务中使用神经网络时，大多使用BP 算法进行训练[8]。BP 算法不仅可用于多层前馈神经网络，还可适用于其他类型的神经网络，通常所说的BP 网络一般是指用BP 算法训练的多层前馈神经网络。三层BP 神经网络结构如图1所示
。
图1 三层BP 神经网络模型
由图1可知，输入层由n 个神经元组成，x i (i =1, 2, ..., n )表示其输入；隐层由q 个神经元组成，z k (k =1, 2, ..., q )表示其输出；输出层由m 个神经元组成，y j (j =1, 2, ..., m )表示其
输出。v ki (i =1, 2, ..., n ；k =1, 2, ..., q )表示输入层到隐层的连接权值；w jk (k =1, 2, ..., q ；j =1, 2, ..., m )表示隐层到输出层的连接权值。
（1）隐层的输入与输出分别为：
S v x kk i i i n
=⋅=∑1 （1）
欧阳银涛，孙彦玺，屈敬朝，李雯雯，王 崇
（郑州轻工业大学 建筑环境工程学院，河南 郑州 450000）
摘 要：
针对当前机器学习算法对人体活动分类精度不高、模型泛化能力差等问题，建立了BP 神经网络分类模型用以进行人体活动识别。提取惯性传感器采集的三轴加速度数据和三轴陀螺仪数据的方差、平均绝对值、均方根等时域特征，采用主成分分析（PCA ）法对提取的时域特征进行降维操作，再将其作为分类器的输入进行人体活动分类。基于公开的DaLiAc 数据集的实验结果表明，所提方法对13种不同人体活动的识别准确率达96.6%。
关键词：
BP 神经网络；机器学习；人体活动识别；惯性传感器；特征提取；降维中图分类号：TP391 文献标识码：A 文章编号：
2095-1302（2021）12-0040-03收稿日期：2021-03-05 修回日期：2021-04-09
2021年 / 第12期 物联网技术
41
S w z j jkk k =⋅=∑1 （3）
y f S j j =() （4）
1.2 人体活动识别流程
基于传感器的人体活动识别一般流程包括：数据预处理、窗口分割、特征提取及降维和分类识别。由于惯性传感器采集的人体运动信号包含丰富的活动信息，而仅使用原始运动信号进行识别分类的准确度往往不高，因此常通过特征提取的方式从原始信号中提取主要特征以构成特征向量（特征向量包含了可以区分不同动作或活动的重要线索）。但当特征向量维数太高时将带来维度灾难问题，特征降维的操作将为降低特征向量的维度、简化计算、缩短分类执行时间带来益处。
2 实验设置
2.1 数据集介绍
本研究利用公开的DaLiAc 数据集作为实验数据集[9]
，该数据集的采集过程由放置在人体右臀部、胸部、右手腕和左脚踝上的3个传感器节点完成。每个传感器节点由1个三轴加速度计（A1，A2，A3）和1个三轴陀螺仪（G1，G2，G3）组成。其中，加速度计的量程为±6g ，手腕、胸部、臀部传感器节点的陀螺仪量程为±500°/s ，脚踝处传感器节点的陀螺仪量程为±2 000°/s 。实验采样率为204.8 Hz ，对19名健康受试者（8位女性和11位男性，年龄（26±8）岁，身高（177±11）cm ，体重（75.2±14.2）kg ）采集了13种不同的人体活动。DaLiAc 数据集的活动名称及标签见表1所列。
表1 人体活动名称及标签
活动名称标 签端坐1平躺2站立3洗盘子4吸尘5扫地6步行7上楼梯8下楼梯9跑步机上跑步10测功自行车（50 W ）11测功自行车（100 W ）
12跳绳
13
处信息丢失。提取分割后样本数据的方差、平均绝对值、裕度因子、脉冲因子、均方根、峰值因子等时域参数作为分类特征，采用主成分分析法（PCA ）降低特征参数的维度，从而简化网络计算，缩短训练时间。采用独热编码对13种人体活动标签进行编码，随机打乱经过数据处理后的样本数据的顺序，以达到随机选择训练集和测试集的目的。实验时选取受试者活动数据的前80%作为训练样本集，剩下20%作为测试样本集，并将所有样本数据归一化到[0，1]。
3 实验结果分析
本文提出的BP 神经网络模型包括1个输入层、2个隐藏层和1个输出层，输入和输出节点的数量分别为50（主成分降维后的维度）和13（13种不同的人体活动），2个隐藏层的神经元个数分别为200和100，epochs 设置为50，学习率lr 设置为0.001，采用LM （Levenberg-Marquart, LM ）反
向传播算法[10]进行网络训练。实验时读取数据集中第一个志愿者的人体活动数据，BP 神经网络的训练和预测分别在训练样本集和测试样本集上进行。其中，训练集和测试集样本个数分别为935和234，分别占总样本数量的
80%和20%。该模型在MATLAB 上的仿真结果如图2、图3和图4所示
。
图2 训练样本预测值与实际值的对比
图3 测试样本的预测值与实际值的对比
图2和图3分别是建立的BP 神经网络模型在训练集和测试集上的预测标签值和真实标签值对比曲线，从图中可以
物联网技术 2021年 / 第12期
42体活动和预测分类出的13种人体活动。最后一行格子（右下角格子除外）上方和下方的百分比分别表示模型对某一人体活动做出正确或错误分类的准确率和错误率。最后一列格子（右下角格子除外）上方和下方的百分比分别表示模型预测分类为某一人体活动的准确率和错误率。右下角格子上方的百分比代表模型对13种人体活动做出正确分类的总体准确率，下方的百分比为总体分类错误率。从混淆矩阵中可以看出，该方法对13种人体活动的总体识别率达到了96.6%，证明了我们所提方法的有效性。
图4 BP 神经网络模型测试集的预测分类混淆矩阵
4 结 语
本文建立了BP 神经网络模型用于人体活动识别，实验中提取了样本数据的方差、平均绝对值等时域参数作为分类特征，并采用PCA 实现特征向量降维。利用DaLiAc 公开数据集，通过对比样本标签的预测值和实际值，以及模型在测
平衡，更好地实现实时分类监测。
参
考
文
献
[1] X ie L ，Tian J ，Ding G ，et al. Human activity recognition method based on inertial sensor and barometer [C]// 2018 IEEE International Symposium on Inertial Sensors and Systems （INERTIAL ）. IEEE ，2018：1-4.
[2] W ANG J ，CHEN Y ，HAO S ，et al. Deep learning for sensor-based activity recognition ： A survey [J]. Pattern recognition letters ，2017，119：3-11.
[3] G AO L ，BOURKE A K ，NELSON J. Evaluation of accelerometer based multi-sensor versus single-sensor activity recognition systems [J]. Medical engineering & physics ，2014，36（6）：779-785. [4] E SCALANTE H J ，EDUARDO F ，MORALES L ，et al. A naïve bayes baseline for early gesture recognition[J].Pattern recognition letters ，2016，73：91-99.
[5] W ANG Y ，CANG S ，YU H. A survey on wearable sensor modality centred human activity recognition in health care [J]. Expert systems with applications ，2019，137 （12）：167-190.
[6]孙佳亨，孟晓亮，梁豪，等.基于MEMS 传感器的体操动作识别 [J].电子测量与仪器学报，2020，34
（3）：94-99.
[7] T HARWAT A ，MAHDI H ，ELHOSENY M ，et al. Recognizing human activity in mobile crowdsensing environment using optimized k-NN algorithm [J]. Expert systems with applications ，2018，107：32-44.
[8]张烈平，匡贞伍，李昆键，等.基于加速度传感器和神经网络的人体活动行为识别[J].现代电子技术，2019，42（16）：71-74.[9] L EUTHEUSER H ， SCHULDHAUS D ， ESKOFIER B M. Hierarchical ， multi-sensor based classification of daily life activities ： Comparison with state-of-the-art algorithms using a benchmark dataset [J]. Plos one ，2013，8（10）：75196.
[10]王崇，李雯雯，张露，等.基于人工神经网络的室内自然光照
度预测[J].物联网技术，2020，10（9）：52-53.
建了可视化应用界面，使得数据接收和下发控制指令的远程控制变得简单易操作。系统运行稳定，功能正常，可适用于不同的场合。
参
考
文
献
[1]杜海龙，张靖宇，王启鑫，等.基于SHT75的温湿度检测系统的
设计[J].物联网技术，2021，11（1）：10-12.
[2]莫芸熙，秦月.基于ZigBee 技术的多点温湿度测量系统的设计 [J].工业控制计算机，2019，32（12）：129-130.
未识别的网络[3]顾剑，李彬.基于DS18B20的多点测温监测系统设计[J].电子科技，2018，31（3）：61-64.
[4]胡显桂，秦飞舟.基于STC89C52单片机的遥控小车设计[J].电
子测量技术，2019，42（24）：6-11.
[5]张萍.基于OneNET 云平台的智能空调控制系统[J].计算机系统应用，2019，28（12）：118-122.
[6]曾凯，朱城，朱泽德，等.基于LabVIEW 和GPRS 的远程土壤参数监测系统[J].制造业自动化，2019，41（10）：83-86.
[7]张启龙，陈湘萍.OneNET 云平台WiFi 远程控制的智能家居系统[J].现代电子技术，2020，43（14）：25-29.
[8]赵小强，权恒，晏珠峰，等.面向智慧农业的分层土壤墒情监测仪的设计及应用[J].物联网学报，2020，4（4）：43-50.
[9]王瑞，兀玉洁，李燕苹.基于MQTT 协议的物联网实训云平台设计[J].工业控制计算机，2018，31（9）：101-103.
[10]杨芸.基于Arduino 与OneNET 的家居环境远程监测系统设计[J].
物联网技术，2020，10（9）：11-13.
作者介绍：刘静琦（2000—），女，吉林吉林人，就读于南京工程学院信息与通信工程学院，研究方向为电子技术。
（上接第39页）
发布评论