基于CNN与决策树的智能手机人体行为识别新法：提升1.1%～5.2%准确率

本文研究了基于智能手机内置加速度传感器的人体行为识别，这是人工智能领域的前沿课题。传统的识别方法，如贝叶斯分类、急速学习机和决策树，通常依赖于对传感器数据的时频特征提取，然后通过大量特征筛选来提高识别性能。然而，这种方法较为繁琐且可能错过潜在的复杂模式。 本文提出了一种新颖的方法，即结合卷积神经网络（Convolutional Neural Network, CNN）和决策树。CNN作为一种深度学习技术，能够直接从原始的加速度数据中学习特征，无需手动提取，极大地简化了特征工程的过程。它能够捕捉到加速度信号中的空间和时间局部特征，有效地提取出有助于行为识别的关键信息。在大数据量和小数据量的情况下，CNN都能展现出强大的特征学习能力，尤其是在大数据背景下，识别精度有显著提升。 决策树算法则作为后处理阶段的分类器，结合CNN自动提取的特征，提供了对行为识别结果的进一步优化。实验结果显示，与传统机器学习方法相比，这种结合了CNN和决策树的识别方法，其准确率提升了1.1%至5.2%，特别是在大数据集上，这种优势更为明显。这表明，通过深度学习与传统方法的融合，可以有效提升人体行为识别的精度和效率。 作者团队由王忠民教授、张琮硕士研究生和衡霞副教授组成，他们的研究方向涵盖了嵌入式系统、智能信息处理、深度学习、人体行为识别等多个领域。论文的研究成果不仅有助于推动人工智能技术的发展，也为实际应用，如健康监测、运动分析等领域提供了新的可能性。 总结来说，这篇论文的核心贡献在于提出了一种创新的人体行为识别方法，通过深度学习的CNN与决策树的结合，显著提高了识别性能，尤其是在大数据环境下，这为未来的智能设备和物联网应用提供了有价值的技术支撑。