使用Kinect和改良朴素贝叶斯的康复训练行为识别技术

"基于改进朴素贝叶斯分类器的康复训练行为识别方法" 是一篇发表在《计算机应用》期刊上的2013年的论文，由张毅、黄聪和罗元共同撰写。该研究主要关注如何提高康复训练中的行为识别效率，通过使用Kinect传感器来获取人体骨骼坐标数据，并利用这些数据构建和改进朴素贝叶斯分类器，以提升康复训练动作识别的准确率。 在论文中，研究人员首先介绍了他们采用的技术手段——Microsoft Kinect传感器。Kinect是一款能够捕捉人体运动的设备，通过实时监测和分析人体骨骼关键点的三维坐标信息，可以有效地提取出与康复训练动作相关的特征。这些特征构成了分类的基础，用于区分不同的训练行为。 接着，研究团队设计了基于这些运动特征的分类集合，以此为基础构建了朴素贝叶斯分类器。朴素贝叶斯是一种常用的概率分类模型，它假设各特征之间相互独立，并且每个特征对类别有独立的贡献。在康复训练行为识别中，这种分类器可以依据预先定义的特征集来判断当前的行为。 然而，为了进一步提高识别率，研究者对传统的动作识别阈值选择机制进行了改进。通常，识别系统会设定一个阈值来决定何时将输入信号识别为特定的动作。优化这个阈值的选择机制能更精准地区分不同动作，降低误识别率，从而提升整体识别效果。 实验结果显示，通过对比改进前后的性能，该方法表现出快速和简洁的特点，实现了较好的行为识别效果。这表明改进的朴素贝叶斯分类器在康复训练行为识别领域具有实际应用潜力，有助于提供更加精确的训练反馈和个性化的康复方案。 关键词：康复训练、Kinect传感器、最佳选择、朴素贝叶斯分类器、行为识别 这篇论文的贡献在于提出了一个实用且高效的康复训练行为识别方法，它结合了先进的传感器技术和统计学习理论，为康复医学和人机交互领域提供了新的研究方向和工具。同时，通过优化阈值选择机制，该方法对提高康复训练的自动化和智能化水平具有积极意义。