基于多维度集成学习的日常人体活动类型识别研究

Physical activity (PA) is very important for human health. Accurate tracking and assessment of PA is of significantly important for improving individual’s health. The goal of PA assessment is to recognize the type, duration, and intensity of a broad range of activities and quantify the energy expenditure of the person during his daily life, among which accurate recognition of the PA types is the most important issue that needs to be addressed. With the fast development of wearable technology, there is a great potential to track and assess human PA with the different sensors weared on the human body. However, under free-living conditions, accurate recognition of the PA types is difficult to realize as different individual’s has different characteristic of body and movement habits. This project proposes a multi-dimensions ensemble learning method for human physical activity (PA) pattern recognition under free-living conditions. The classifiers based on the data from different dimensions, such as different sensors, different subjects and different time have different statistical characteristics. Through innovative design, the ensemble system can combine the classifiers based on these different dimensions, which could effectively improve the recognition accuracy and generalization ability of the PA identification.This will provide an effective assessment for the free-living PA movement and health maintenance.The proposed multi-dimensions ensemble learning method can also be applied to other multi-sensor, multi-subjects and non-stationary measurement system.

生命在于运动，精准的人体活动记录与分析对人体健康的改善非常重要。人体活动分析的主要目标是识别每日不同时间段的活动类型与活动强度，以及计算在每日的活动中消耗的能量。其中，人体活动类型的识别最为关键。随着可穿戴技术的快速发展，通过各种可穿戴设备及传感器进行人体活动记录与分析具有很大的潜力。但是，由于不同人体具有不同的身体特征与运动习惯，在日常生活中对人体活动类型进行准确识别非常困难。本项目拟通过多维度集成学习的方法实现日常人体活动的准确识别。通过不同传感器、不同人体、不同时间等不同维度的数据，构建具有不同统计特征的分类器。再将这些基于不同维度数据的分类器通过有效的集成方法进行集成，从而提高日常人体活动类型识别的精度与泛化能力。这将为实现日常人体活动类型的准确识别与科学的活动指导提供可能。项目中所提的多维度集成学习方法也能用于其它多传感器、多对象、非稳态测量系统。

人体活动或行为识别对于人体健康分析、公共安全、人机交互都非常重要。其中，通过穿戴设备或传感器进行人体活动记录与分析可以实现人体日常活动的记录，对人体活动量化与健康分析具有很大的潜力。但是，由于不同人体具有不同的身体特征与运动习惯，在日常生活中对人体活动类型进行准确识别非常困难。要理解人的行为则比较困难，需要结合传感器、场景、时间、地点等不同维度的数据。本项目针对基于穿戴式多传感器的日常人体活动类型识别，研究通过基于不同维度的多分类器集成学习方法来实现日常人体活动类型的准确测量。具体包括：1）针对日常人体活动类型识别，研究基于不同维度的差异化分类器的构建；2）针对日常人体活动类型识别，研究基于不同维度数据所构建的不同分类器的集成方法。在多维度传感器数据与特征提取的基础上，构建了 “Class-specific”的加权多数投票多分类器融合算法，解决了融合的传感器具有不同统计分布的问题，识别精度有明显的改进。针对含有110名受试者的日常活动数据集，分别对包括K最近邻算法、朴素贝叶斯算法、随机森林以及支持向量机四种典型的机器学习分类算法进行“Class-specific”集成模型的构建。较之常规集成的方法，所有的四种分类算法经过集成之后的模型对十类日常人体活动的识别均体现出更好的分类性能，表现为实现了更高的总体分类准确率和更低的标准差。具体而言，基于支持向量机的差异化集成模型的总体识别准确率从86.68%提高到92.1%，标准差从9.26%降低到7.43%。该模型与方法将为实现日常人体活动类型的准确识别与科学的活动指导提供可能，该方法也能用于其它多传感器、多信息源测量系统。