2022年《使用可穿戴传感器进行人体日常活动识别》

阵列15（2022）100190使用可穿戴传感器努尔霍利什·哈利姆系统技术架构师，PT。Bank OCBC-NISP，Tbk，IndonesiaA R T I C L EI N FO索引术语：可穿戴传感器随机森林（RF）人类日常活动识别（HDAR）随机梯度下降A B S T R A C T使用可穿戴传感器进行人体日常活动识别是研究人员的一项重要任务，旨在开发一种有效可行的模型，能够准确地检测人体运动模式。这些应用程序提供老年人护理，监控系统和健康跟踪。尽管广泛使用，但对人类身体活动的识别和监测仍然不准确，这可能导致负面反应和反馈。本文提出了一种数据驱动的方法来识别人类在室内-室外环境中的日常活动。为了提高对人体活动（如步行、饮酒、运动）的分类和识别，提出了一种结合预处理（如去噪）、时间域、频率域、小波域和时频域混合特征提取的模型。然后，利用随机梯度下降来优化所选择的特征。 最佳提取的功能先进的随机森林分类器，以发展适应人类生活日志活动。此外，建议的HDAR模型进行了实验评估的三个基准数据集，即，USC-HAD，这是由12个物理活动，IM-WSHA，其中涉及11个生命日志活动，和MOTIONSENSE，其中包含六个静态和动态活动，分别。实验结果表明，所提出的HDAR方法显着取得了 更好 的 效 果， 优 于 其 他方 面 的识 别 率 分别 为91.08% ， 91.45%和 93.16%， 当 USC-HAD ， IM-WSHA ， 和MOTIONSENE数据库应用。1. 介绍自动人类日常活动识别（HDAR）由于其在许多现实世界应用中的重要性，在过去十年中已成为基于身体穿戴传感器的行为研究的活跃主题，包括人体工程学，健身跟踪，老年人护理，监控，安全和体育等[1此外，基于可穿戴的惯性传感器在智能手表、健身监测带和嵌入有融合传感器（例如，加速度计、陀螺仪和磁力计）为实时监控人类日常生活活动开辟了新的机会。将这些可穿戴传感器用于监测研究已经在实践中得到了应用，但仍然需要能够识别具有有限上下文信息的活动的系统[6]。从本质上讲，分析从多个维度收集的活动数据，以便识别和监控各种运动模式和行为。因此，日常生活活动的识别，包括行走、站立、睡眠和烹饪，对于智能家居和老年人护理监控尤为关键。然而，该系统并不能总是准确地反映人类活动检测，这会产生复杂的移动和理解行为。可穿戴传感器已经改变了人类日常生活的方方面面，从电子医疗保健到个人生活舒适。随着基于可穿戴的惯性传感器的进步，这些传感器在我们的日常生活中发挥着重要作用，允许我们访问我们的环境，如温度，湿度和恒温器等。幸运的是，随着可穿戴传感器的进步，更大的负担，功能和功能正在出现。此外，这些基于可穿戴的惯性传感器在医疗保健、安全和监控系统、健康和生物反馈系统的研究中产生了巨大的需求[7，8]。此外，这些实际应用中的每一个都涉及实时和连续的监控。这些应用程序通过在身体的不同部位整合多个基于可穿戴设备的初始传感器，使人们能够获取有关弱势老年人和儿童健康的重要信息[9，10]。同样，基于安全和监视的系统能够检测其附近的潜在危险或奇怪事件，并立即通知应急响应团队。关于健身追踪，可穿戴惯性电子邮件地址：nurkholish. ocbcnisp.com。https://doi.org/10.1016/j.array.2022.100190接收日期：2022年5月8日;接受日期：2022年5月2022年5月23日在线提供2590-0056/© 2022作者。爱思唯尔公司出版这是一篇基于CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）的开放获取文章。可在ScienceDirect上获得目录列表阵列期刊主页：www.sciencedirect.com/journal/arrayN. 哈利姆阵列15（2022）1001902传感器可以提供对日常健身的连续监测，以便使训练更有效和高效。智能家居系统提供持续的身体和认知刺激，帮助儿童在医疗保健方面，生物反馈治疗与基于VR的系统配合良好，可以测量和评估身体的功能，并监测生理功能的变化，包括血压和心率。此外，这些系统也可以用于减轻焦虑和压力的技术。最近，我们有各种各样的惯性传感器，如加速度计，陀螺仪和磁力计，以帮助我们识别环境变化[11，12]。这些传感器的融合使这些设备能够在三维空间中提取有关人类复杂身体模式的重要信息。例如，加速度计是通常用于HAR的一种类型的传感器，并且可以测量影响传感器的静态（诸如重力）和动态（振动）加速度力，从而为复杂运动模式的检测提供相关数据。陀螺仪是另一种可以测量角速度的流行传感器。在可穿戴传感器的背景下，磁力计传感器分析现有磁场强度的相对变化并提供罗盘校准信息。一般来说，这三个传感器融合，以提高人类活动监测的能力。将加速度计、陀螺仪和磁力计增强到单个设备中称为惯性传感器或惯性测量单元（IMU）[13]。因此，本文的目的是处理分类人的日常活动（走路、做饭、睡觉、喝水、熨衣服等）通过可穿戴惯性传感器检测九个自由度（9-DoF）的复杂运动模式。该系统检测身体在三维空间中的位置、旋转和取向的变化，以便确定静态姿势和动态运动模式。这项工作的主要目的是提高识别和检测，同时降低识别人类日常活动所需的系统的复杂性。提出的人类日常活动识别包括四个主要步骤：数据采集和信号去噪，混合特征提取和选择，优化，分类。首先，惯性数据的采集和降噪与三阶中值滤波器，以降低噪声比的惯性数据。然后，我们采用混合特征提取技术（即，时域、频域、小波特征和时频域特征）。在特征的上下文中，这些混合描述符进一步优化随机梯度下降（SGD），以选择最佳的描述符进行进一步分类。最后，该模型采用随机森林分类算法从最优特征向量中识别和预设分类参数，以获得最优的分类结果。显著的识别率。为了评估我们专业人员的表现在HDAR系统中，我们将我们提出的模型应用于三个公共基准数据集：IM-Wearable Smart Home Activities（IM-WSHA），南加州大学人类活动数据集（USC-HAD）和MotionSense数据集。本研究的主要贡献和亮点概述如下：混合描述符技术适用于不同的域，包括时域、时频域、频域和小波域。为了处理复杂的人类活动模式，并提高所有三个数据集的识别率，我们提出了一个基于SGD特征选择的随机森林模型，提供上下文信息与分类活动相结合。此外，对三个公共基准数据集，即IM-WSHA，USC-HAD和人类日常活动的运动感知数据集进行了详细的分析。实验结果表明，所提出的方法比其他国家的最先进的方法有更高的识别率。此外，我们还比较了性能与其他国家的最先进的分类器，进一步HDAR分析。我们还提供了基线文献信息，其他研究可以用来分析潜在的融合技术。文章的其余部分结构如下。在第二节中，我们简要回顾了HDAR和基于视觉的传感器的惯性传感器融合方法的相关工作。第三节详细介绍了我们的HDAR模型的拟议架构。在第四节中，我们评估了三个公共基准数据集的实验设置，并为此目的提出了各种指标的实证比较。最后，第五节总结了研究结果并提出结论。2. 相关工作各种相关工作利用机器学习方法，使用一组多个传感器（包括图像和惯性传感器）进行人类日常活动识别[14]。本节全面总结了之前和当前通过视觉传感器和基于可穿戴的惯性传感器进行的HDAR分析研究。2.1. 基于图像传感器的HDAR分析在基于图像的HDAR系统中，许多研究人员已经利用了来自多个传感器的图像和视频感测技术，包括RGB和RGB-D传感器，其主要用于安全和监视系统中，用于跟踪和检测人类的3D运动。Espinosa等人。[15]提出了一种通过2D卷积神经网络（CNN）和多个视觉传感器的跌倒检测系统。他们展示了一种通过基于时间的固定窗口方法和光流方法进行特征提取的方法。此外，他们只在一个公共数据集上测试了所提出的方法。实验结果表明，该方法具有较好的性能，但为了评价该方法的整体性能，需要引入多个数据集。 在参考文献[16]中，Anitha等人提出了用于人类动作识别的图像处理技术。最初，将个人步行、慢跑和挥手的视频序列转换为2D帧。然后，这些获得的帧进行去噪，然后通过拉普拉斯平滑变换（LST）的特征提取。最后，k-最近邻（KNN）用于分类任务。这项工作的主要限制是KNN分类器对高维数据的性能很差。此外，计算数据集点之间的距离也会花费大量时间，这两种情况都会显著降低模型的性能。Sharif等人[17]提出了一个人类动作识别系统他们提出的模式包括两个阶段。首先，各种人体运动区域检测通过融合方法，这是基于均匀分布和期望最大化（EM）分割。其次，从多个数据库的视频片段中提取增强特征，包括梯度直方图（HOG），局部二进制模式（LBP）和Harlick特征。最后，修改后的联合熵以及基于欧几里德的特征选择技术相结合的多类SVM算法，以研究人类的日常活动的实时性。该模型在低维数据集上取得了较好的效果。然而，为了使所提出的模型更加多样化，应该增加数据库维度。此外，所提出的模型受到不同照明的影响 条件， 这 结果 在 分割 精度在参考文献[18]中，Hu等人提出了一种使用Kinect传感器的分层模型for human人类interaction互动recognition识别.此外，该分层模型用于确定多人交互的最显著特征。因此，在最上层，交互被分成两种类型的原子动作，包括显式动作和非显式动作。此外，在最低层，提出了一个突出点来检测关节， 经验 的 最大 位移 最后， 分层·······N. 哈利姆阵列15（2022）1001903模型已被评估对基于SVM的多类分类器。Kong等人[19]介绍了一种用于对部分视频序列中的动作进行分类的判别模型。他们提出的模型捕捉了整个演化行为通过时间，也涉及到时空性质的视频序列。但主要缺点是它需要所有预定义的规则来进行人类日常的交互活动。 在参考文献[20]中，Ince等人设计了一种基于生物特征的系统，用于使用多个骨骼关节角度模式在3D空间中监测人类日常活动。此外，该系统使用RGB深度摄像头，这似乎是基于监控的系统和医疗环境的理想选择。但是，该模型的主要局限性是不足以处理错误的骨骼跟踪引起的不正确的角度计算，从而导致不精确的分类。Wang等人[21]涉及用于实时监测人类日常生活活动的基于概率的图形模型。最初，他们将模型分为两部分，包括判别边界和减法transi- tions。此外，它们还解决了人类活动的分割问题。但是，这些方法仅在脱机模式下起作用。2.2. 基于可穿戴惯性传感器的HDAR分析可穿戴传感技术的进步有助于研究人员构建不同的智能系统来识别和监控人类的日常生活活动。目前，可穿戴惯性传感器能够检测异常和不确定事件，并在需要时提供支持。因此，为了追求对人体活动的监测，研究人员开发了多传感器集成，以开发更有效的方法来评估人体运动，以提高生活舒适度。在一项比较研究中，Shahar等人[22]分析了四个惯性传感器，这些传感器包括体现在不同身体位置（包括左右手腕、胸部和腰部）的加速度计和陀螺仪信号。此外，统计特征提取曲棍球比赛活动，如平均值，最小值和最大峰值，和标准差的功能。他们的模型显著地实现了更好的性能。但这项工作的主要局限性是，该模型最适合体育活动。此外，提取的统计特征可能不是理想的，因为将获得在实时环境中不提供最佳性能的非最佳描述器。在参考文献[23]中，Uddin等人介绍了一种基于引导随机森林的特征选择技术，用于人类日常活动识别。最初，在公开可用的数据集上训练引导随机森林算法以获得描述符的关键分数。 然后将所选分数合并到要素选择阶段。 引导随机森林算法使有助于人类活动识别模型的描述符的最佳选择。Feng等人[24]提出了一种随机森林集成技术，用于通过多个可穿戴惯性传感器识别HDAR。此外，随机森林分类器的增强为基于传感器的可穿戴医疗模型提供了更好的监测能力。在参考文献[25]中，Jing等人提出了一种使用多个可穿戴惯性传感器识别人类日常生活活动以及跌倒检测的模型。此外，将整个模型与包括静态、随机和周期性动作的整个活动集进行比较。此外，在时域和频域中提取多个特征。他们提出的方法的局限性只在监测活动和行为时对少数人进行了测试。Abidine等人[26]介绍了一种加权支持向量机（SVM），用于监测智能家居环境中的生活日志活动。此外，他们还解决了HAR方法的各种实现问题，包括训练数据中的冗余特征描述符和不平衡类。为了解决这些问题，他们提出了一个在智能家居环境中识别人类生活日志活动的框架。他们的框架是加权SVM，主成分分析（PCA）和线性判别分析（LDA）的混合。最初，训练数据集通过LDA和PCA描述符最小化，以获得最佳的特征描述符。然后，对于每个类，加权SVM用于处理不平衡的生命日志活动数据集，以提高识别精度。在参考文献[27]中，Cillis等人开发了一种用于四种人类运动模式的普遍解决方案，包括通过可穿戴的基于惯性的三轴加速度计传感器行走、站立以及上下楼梯。他们提出的解决方案采用最小特征描述符来识别和检测四种不同的运动模式。实验结果表明，该方法对静态动作的识别率较高，而对上下楼梯等动态动作的识别率较低。3. 拟议解决方案框架HDAR系统利用三个可穿戴惯性传感器（加速度计、陀螺仪和磁力计）来识别人体活动。最初，从三个惯性传感器获取多融合信号，并通过三阶中值滤波器进行滤波，以处理由突然运动发出的噪声信号段。在去噪阶段之后，保留经滤波的惯性信号值以提供稳健且有效的特征分量。第三，我们从不同的领域，包括时间，频率，小波，时频特征提取混合特征描述符。此外，提取的特征使用极值进行缩放，以避免在特征选择的后期阶段出现任何复杂信号值的可能性。此后，检索到的特征描述符进行优化的随机梯度下降（SGD）算法的最佳特征选择。最后，在可穿戴HDAR中，从SGD中获得的优化特征被迎合随机森林（RF）分类器，以实时分类人类的身体活动。我们完整模型的建议HDAR架构如图所示。1.一、3.1. 信号处理和去噪IMU对最小的波动也非常敏感，因此任何意外的偏移都能够完全影响信号形状，并破坏特征描述符提取和优化阶段。因此，在信号处理和去噪阶段，我们通过分析与惯性信号相关联的噪声干扰开始。在分析了帧数据中的异常信号强度后，我们选择了三阶中值滤波器，这是一种去噪方法，可以处理帧信号中的严格运动模式，而不包含任何重要信息。此外，三阶中值滤波器调整信号的形状，以紧密遵循正常的运动模式。此外，我们还评估了不同的滤波器的性能，利用高斯和移动平均滤波器，以减少与IMU信号相关的噪声。然而，我们采用了三阶中值滤波器，与其他两个滤波器相比，它提供了增强的结果，即，高斯和移动平均滤波器。原始信号和滤波后的信号分量的中值，高斯，和移动平均滤波器的惯性测量单元传感器是在图中示出。 二、而在信号处理和去噪的最后阶段，通过考虑信号尺度以及忽略复信号值来归一化惯性信号值以用于特征提取。3.2. 混合特征描述子方法特征提取是任何基于机器学习的系统中的关键组件，因为它专注于使用包含整个场景的相关属性集对数据进行建模。在这一步中，我们提出了一个混合的特征模型，从四个主要领域，以获得有意义的特征。这些特征包括小波、时间、频率和时频域特征描述符。N. 哈利姆阵列15（2022）1001904n，∑=0，如果s（i）Tmr= 1n- 1（ ）（（ ）（近似系数，而这些系数还有助于估计IMU信号的强度di，2j-1（r）=⎪⎨23.2.1. 统计特征Fig. 1. 提出的HDAR模型的系统架构。另外，从传感器获得的惯性数据大多是非线性的每个帧的统计属性Sv指示惯性信号的平均值、中值、众数和最大/最小值。这些特征描述符在分析作为每个n活动的结果而发生的总体变化中起着重要作用，如：在自然界中。希尔伯特黄变换（HHT）将所获得的非线性惯性数据的时间序列分割成被称为固有模式函数（IMF）的不同的重复分量内在 模式 分解 （IMD） [30 ]第30段。 此外，本发明还 这两Sv ∑ ar∑n（V-V）2misig Mmxsig X（一）组件产生不同的频带，它们能够测量瞬时频率（IF）的偏移因此，我们可以评估-其中n是帧数据大小，a是整个向量中的系数图3示出了通过USC-HAD数据集增强步行身体活动的不同统计特征描述符的三轴图（参见图3）。 4）。3.2.2. 一维Haar小波变换在图像和信号处理领域，Haar小波变换（HWT）已成为一种新兴的技术。一般来说，小波是基于数学方法的分区功能分层。在我们提出的方法中，Haar特征描述符用于在特定的时间间隔进行模式检测，以分析信号的变异性。此外，HWT具有类似小波的结构，这使其成为一种有效且鲁棒的信号处理工具[28，29]。此外，HWT由它们的索引（a，d）表示，其中有意义地评价 亲-计算数据P（t）可以由下式确定nP（t）=ci+rn（3）i=1其中，P（t）描绘了经处理的信号，ci表示第i个IMF，并且rn是总余数。3.2.4. 小波包熵小波包熵（WPE）是一种有效的、鲁棒的时频域IMU信号分析方法。首先，WPE将IMU信号分解为包括细节和近似系数的各种频率分辨率[31]。WPE的数学方程（4）可以写为：d0，0（t）=p（t）dp=C（四并且还有助于精确的恢复和分割。Haar小波变换（HWT）可以定义为：1 0≤a≤1（a）=1（二l，2j（r）=l，2l，2 j（c）di-1，j（2r-c）其中h（c）和g（c）是用于提取AC和DC的两个滤波器，并且di，j描绘了第i和第j节点处的重建惯性信号-12≤a≤1⎪3.2.5. LEMPEL-ZIV复杂度1000else其中，缩放函数表示为Σ（a）。3.2.3. 希尔伯特黄变换的 Hilbert 黄 变换 （HHT） 是 承认 是相当在处理非线性和多样化信号数据时有效。在我们的例子中，我们有一个时间序列数据源处理特定的LZC方法是一种基于粗增益估计的符号序列技术[32]。在我们提出的方法中，惯性信号首先被转换成一个有限长度的符号序列。然后，将变换后的惯性信号进一步转换为二进制序列。此外，采用具有中值阈值Tm的二进制序列来确保离群值的稳定性。LZ复杂度以及中值阈值可以在等式（5）中示出如下：身体活动，包括走路，跑步，这涉及重复的模式与不断移位频率和 振幅惯性 sig（i）={1，如果s（i）≥Tm（五）nCr=1（i），（一）h（c）di-1，j（2r-c）N. 哈利姆阵列15（2022）1001905图三. 通过USC-HAD数据集的步行体力活动统计特征的三轴向量图。图二. 信号处理和去噪。IMU传感器通过IM-WSHA数据集上的（a）中值滤波器，（b）高斯滤波器和（c）移动平均滤波器，具有用于步行活动的原始（未滤波）和去噪信号。图7描绘了信号频率和Lempel-Ziv复杂度之间的关系（参见图10）。（见图6）（见图8）（见图9） 5）。3.3. 混合特征选择和分类在所提出的HDAR方法中，特征描述符被优化通过众所周知的优化算法，随机梯度下降（SGD）。 然后，将所获得的优化向量迎合随机见图4。1D-USC-HAD数据集的身体活动（步行）矢量图中的Haar惯性信号特征。广泛。为了解决这个问题，我们引入了随机梯度下降方法（SGD），使用minibatch作为优化器，不会消耗所有的训练数据[33]。然而，与随机数据选择配对的小批量SGD降低了与常规随机梯度下降相关联的成本和可变性。因此，minibatch需要仔细考虑，同时采用自适应学习率与初始参数，以实现最低的损失函数。因此，学习参数被校正，并且根据学习速率获取输出。因此，最初，将学习率设置为0.0100，并将迭代总数预设为1000，通过正则化进行调整森林算法。将随机森林算法的结果与多层感知器算法和支持向量机算法进行了比较。参数，通过训练集的次数b（k）的所有训练集的随机梯度下降（SGD）表示为：（k）和3.3.1. 随机梯度下降（SGD）梯度下降是一种有效的方法，用于寻找具有线性函数的最小成本函数的最佳梯度下降最初用于神经网络研究，以更新网络梯度。然而，如果在每个时期处理所有训练数据，或者如果训练数据集是连续的，则梯度下降方法可能运行缓慢。θ=θ-ηπθJ.θ;a（k）;b（k））（6）其中η表示小批量大小，最小损失函数表示为：N. 哈利姆阵列15（2022）1001906̂1∑=（）b图五. USC-HAD数据集上惯性信号的经验模型分解（EMD）。见图6。两级树小波分解的惯性信号数据的运动数据在IM-WSHA数据集。θ=θ-ηπθJ. θ;a（k：k+nbs）;b（k：k+nbs））（7）3.4. 随机森林在混合特征选择步骤之后，我们将获得的最佳特征描述符迎合随机森林（RF）分类器，以对人类身体活动进行分类。随机森林是一种用于分类和其他相关任务的集成学习方法，其功能是训练大量的决策树并生成作为特定树的平均值的类[34]。此外，随机森林包括袋装树的独特变体，这是一种用于生成训练集的技术。Bagging从所有三个身体活动数据集中提取样本，包括IM-WSHA，USC-HAD和MOTIONSENSE数据集。对于每个样本，开发一个模型并用于做出基于分类的决策。最后，根据最大投票，所有的决定是组合起来，得到最终的结果和决定。随机森林是一种集成分类器，它既非常准确，又具有快速的训练周期。见图7。 Lempel-Ziv复杂度和信号频率调制的结果。见图8。随机梯度下降优化与自适应学习的USC-HAD数据集上的向前行走活动。Rf f z′（8）Rr=1其中，z′表示随机样本的预测。它是通过对z′上所有不同树的预测进行平均来估计的。4. 实验设置和分析所有实验都在配备有以2.40 GHz基频运行的Intel Core i5- 9300 H处理器、8 GB DDR4 RAM和运行Windows 10 Home 64位和MATLAB和Google Colab（Python）工具的专用Nvidia GeForce GTX 1650图形卡的笔记本电脑（膝上型电脑）上进行此外，已经建立了一个框架来评估我们提出的模型HDAR在三个基准数据集上的性能，包括USC-HAD，IM-WSHA和MOTIONSENSE数据集。此外，我们还采用了一个休假，N. 哈利姆阵列15（2022）1001907见图9。 提出了基于随机森林分类器的HDAR模型。主体外交叉验证（LOSO）方法来评估我们的HDAR系统4.1. 南加州大学人类活动数据集（USC-HAD）USC-HAD数据集[35]是通过利用运动节点惯性设备来获取的，该设备包括具有6个自由度（DoF）的可穿戴网络，用于包括和跟踪三维运动。加-它由各种传感器组成，并与陀螺仪和加速度计融合，提供实时方位信息。这些惯性传感器安装在右前臀部，以获得相关的信号数据。一组14个人参与12种不同的活动（包括，跳起来，站着，坐着，睡觉，步行，电梯下降，电梯上升，向前跑，向左走，向右走，下楼和上楼）。本实验中采用的传感器的采样率为100 Hz。4.2. IM-IM-WSHA数据库[36]涉及来自三个IMU传感器的数据，例如加速度计，陀螺仪和磁力计。这些IMU传感器位于三个不同的身体位置，包括大腿，手腕和胸部，以连续捕获人类生活日志活动的重要特征。10名受访者，包括5名男性和5名女性，涵盖了智能家居场景中的11项不同任务（如烹饪，熨烫，吸尘器清洁，饮酒，锻炼，电话交谈，看书，散步，梳头，看电视和使用电脑）。4.3. MOTIONSENSE数据集MotionSense数据集[37]是一个免费提供的开源公共数据集，包括来自智能手机的6-DoF加速度计和陀螺仪传感器数据。志愿者的智能手机放在他的前口袋里。此外，一组由24名志愿者组成的多样化小组，包括14名男性和10名女性，在室内和室外环境中完成了6项静态和动态任务，如坐和站，走和跑，下楼和上升。4.4. 使用识别精度在此设置中，我们分析了随机森林分类器的性能，通过使用USC-HAD，IM-WSHA和MOTIONSENSE数据集来满足最佳选择的小波，时间，频率和时频特征描述符。实验进行了三次，以评估所提出的HDAR系统对三个基准数据集的性能。的在图10中示出了针对12种人类身体活动的USC-HAD数据集的混淆矩阵，其中获得了91.08%的总体准确度。在IM-WSHA数据集中，图11表示11个生命日志活动的平均准确率为91.45%。此外，图12中的混淆矩阵描绘了6x静态和动态活动上的MOTIONSENSE数据集，识别率为93.16%。所提出的HDAR方法与其他复杂方法之间的比较结果如表1所示。在表2-我们还分析了一个数据集，即USC-HAD。如图13所示，我们可以简单地区分包含的所有12个类 在USC-HAD数据集中。5. 讨论我们正在开发HDAR框架的实现，以通过考虑所有三个基准数据集来获得高的F测量分数和识别准确性。在这项工作中，我们提出了一个强大而有效的模型，准确地提取不同的身体位置的特征，并生成一个混合的功能集。首先，对惯性信号进行去噪，以去除额外的运动伪影和噪声。对于去噪，我们利用了三阶中值滤波器来去除噪声比，而不会丢失任何重要信息。在信号处理之后，从不同的域中提取混合特征描述符以获得更好的性能。在此之后，通过随机梯度下降（SGD）与minibatch优化获取的特征，以选择最佳的特征描述符。最后，各种分类器被用来评估所提出的HDAR系统的性能。此外，来自三个基准数据集的身体活动在随机森林分类器上进行分类，该分类器显示出比其他最先进的方法更高的识别率以下是所提出的HDAR模型的局限性。虽然在公开可用的基准数据集中结合惯性传感器是可行的方法，但是，它可能引入与单个传感器的稳定性和精度相关联的问题。HDAR框架的缺点之一是迁移学习，其允许由定位在特定身体位置上的单个惯性传感器获取的知识被许多其他传感器利用。见图10。使用随机森林对USC-HAD数据集进行的12项身体活动的混淆矩阵X··N. 哈利姆阵列15（2022）1001908见图11。使用随机森林在IM-WSHA数据集上的11个人类生活日志活动的混淆矩阵x。图13岁 USC-HAD数据集上的随机森林分类。表1在USC-HAD、IM-WSHA和MOTIONSENSE数据集上比较所提出的HDAR方法与其他最先进方法的识别精度方法USC-HAD（%）IM-WSHA（%）运动感知（%）支持向量机83.64 84.69 87.31[38]第38话多融合特征[39，40][41]第四十一话70八十四点半[42]第四十二章：你是谁拟议的人道主义排雷报告见图12。使用随机森林在MOTION- SENSE数据集上的6个静态和动态活动的混淆矩阵传感器位于其他位置。迁移学习在各种情况下受到青睐的前景尚未得到彻底分析。所提出的方法仅限于监测身体活动模式，表现出均匀的运动模式混乱的方式。任何不一致的信息，包括在拟议的方法破坏个人6. 结论和今后的工作本文提出了一种基于时频、小波、频率和时间等混合特征描述子的HDAR方法。通过随机梯度下降（SGD）进一步优化E-x特征，并通过基于集成学习的随机森林进行分类，以提高IMU传感器对人类日常生活物理活动的识别率。这些基于混合的描述符评估时间矩、相关模式、不变和重复的运动模式，以优化基于HDAR的系统的性能。此外，本文还将SGD优化的随机森林分类器与多层感知器（MLP）和支持向量机（SVM）进行了性能比较。实验还揭示了我们提出的HDAR模型在准确率、精确率、召回率和F1分数等性能指标方面的影响。我们提出的HDAR框架有助于开发一个理想的人类生活日志识别模型。在未来的工作中，我们将纳入更复杂的行为，活动从不同的设置，包括医疗诊所和专业环境，通过利用多模态传感器。此外，我们还将致力于在复杂的室内-室外环境中设计自注释数据集。·N. 哈利姆阵列15（2022）1001909表2在USC-HAD数据集上测量所提出的HDAR方法的评估指标USC-HAD随机森林多层感知器支持向量机活动精度召回F-measure精度召回F-measure精度召回F-measureU10.9380.9200.9290.8030.7400.7700.8010.7420.770U20.9380.9100.9230.8160.7600.7870.7980.7400.767U30.9490.9400.9440.8260.7500.7860.8120.7600.785U40.8840.9200.9010.7880.7200.7520.7680.7200.743U50.8850.8900.9120.7360.7600.7470.7200.7700.744U60.9360.9300.9250.8190.7800.7990.7960.7800.787U70.9200.9400.9170.8030.7700.7860.8000.7750.787U80.8950.9000.9090.7960.8000.7970.7820.8100.795U90.9180.9100.8960.7990.7500.7730.7990.7400.768U100.8830.8800.9440.7920.8000.7950.7850.7900.787U110.8800.9000.9690.7860.8800.8300.7720.7500.760U120.9100.9100.9400.9040.8800.8910.8940.7800.833表3在IM-WSHA数据集上测量所提出的HDAR方法的评估指标IM-WSHA随机森林多层感知器支持向量机活动精度召回F-measure精度召回F-measure精度召回F-measureW10.8830.9100.8030.8130.7700.7900.7900.7670.778W20.9200.9300.8560.8680.7900.8270.7320.7220.726W30.9180.9000.8260.8620.7800.8180.7300.7000.715W40.9360.8900.8330.8980.8100.8510.7400.6900.714W50.8750.9100.7960.8170.7750.7950.7030.6900.696W60.9380.9200.8630.8990.8200.8570.7600.7300.744W70.8940.9300.8310.8170.7700.7920.7000.6950.697W80.9460.8800.8320.9090.8300.8670.7300.7400.734W90.9100.9100.8280.8920.8600.8750.7680.7300.748W100.9200.9300.8560.8700.7900.8280.7250.7200.722W110.9220.9500.8760.8750.8000.8350.7650.7400.752表4在MOTIONSENSE数据集上测量所提出的HDAR方法的评估指标MOTIONSENSE随机森林多层感知器支持向量机活动精度召回F-measure精度召回F-measure精度召回F-measureM10.9470.9100.9280.8830.8700.8760.8660.8400.852M20.9570.9000.9270.8900.8800.8840.8780.8500.863M30.9300.9400.9350.8790.8650.8710.8720.8350.853M40.9130.9500.9310.8760.8600.8670.8690.8300.849M50.9230.9600.9410.8690.8500.8590.8510.8200.835M60.9480.9300.9390.8890.8800.7440.8760.8500.862竞合利益作者声明，他们没有已知的可能影响本文所报告工作引用[1] Ranasinghe S，Al Machot F，Mayr HC.活动识别系统在绩效评价中的应用研究综述。IntJ Distr SensNetw 2016;12（8）. 1550147716665520。[2] Chatterjee R，Moitra T，Islam SH，Hassan MM，Alamri A，Fortino G.一种新的基于机器学习的特征选择方法用于医疗物联网环境下的运动想象脑电信号分类。未来一代计算机系统。2019;98：419-34.[3] 放大图片作者：Jenkins R，Alonia P，Ghasemzadeh H，Fortino G.人体传感器网络中的多传感器融合：最新技术和研究挑战。 Inf Fusion 2017;35：68-80.[4] Uddin MZ，Hassan MM.使用身体传感器数据和深度卷积神经网络进行认知辅助的活动识别。IEEE SensorsJ 2019;19（19）：8413-9.https://doi.org/10.1109/JSEN.2018.2871203网站。[5] 放大图片作者：Jalal A，Kim K.基于IMU传感器的保健体育运动自动特征的日常生活日志识别。在：2021年国际应用科学与技术会议（IBCAST）; 2021年。p. 494- 9[6] OsterlandS，Weber J. 单级减压阀的解析分析。Int JHydromechatron2019;2：32-53.[7] 秦Z，张Y，孟S，秦Z，周K-K-R。基于可穿戴传感器的人体活动识别的成像和融合时间序列。Inf Fusion Jan.2020;53：80-7.[8] 李瑞、黎达泰、李伟.无线体域网（WBANs）中的生物反馈和驱动综述。IEEE RevBiomed Eng2017;10：162-73。[9] VogelD，Viehland D，Wickramasinghe N，Mula JM. 流动医疗。 电子市场2013;23（1）：3-4.[10] Zhu C，Miao D.核聚类对RBFN的影响。CAAI Trans IntellTechnol Dec. 2019;4（4）：255-60。[11] Bonato P.可穿戴传感器/系统及其对生物医学工程的影响。IEEE Eng Med BiolMag 2003年5月[12] 放大图片作者：CasilariE，A'lvarez-MarcoM，García-LagosF. 陀螺仪的使用研究可穿戴跌倒检测系统中的测量。对称四月2020;12（4）：649.[13] Filippeschi A等人，基于惯性传感器的运动跟踪方法调查：重点关注上肢人体运动。传感器2017;17（6）：1257.[14] Lara OD，Labrador MA.可穿戴传感器在人体活动识别中的应用。IEEE CommunSurv Tutor Third Quarter 2013;15（3）：1192-209. 网址：http：//doi.org/10.1109/SURV.2012.110112.00192[15] [10]李文亮，李文亮.使用多个摄像头和卷积神经网络进行跌倒检测的基于视觉的方法：使用UP跌倒检测数据集的案例研究。计算机生物医学12月第 115章.[16] Anitha U，Narmadha R，Sumanth DR，Kumar DN Kumar.基于图像处理的鲁棒人体动作识别系统。 Procedia Comput Sci 2020;167：870-7.[17] Sharif Muhammad，Khan Muhammad Attique，Akram Tallha，YounusJaved Muhammad，Saba Tanzila，Muhammad Amjad.提出了一种基于均匀分割、欧氏距离和联合熵特征选择相结合的人体检测和动作识别框架。EURASIPJ图像视频处理2017 2017;1：89。[18] 胡涛，朱晓，王松，段磊.基于时空显著特征的人机交互识别.多时间工具应用程序10月20 1 9 ;78（20）：28715-35。N. 哈利姆阵列15（2022）10019010[19