轻量级运动活动检测系统及其融合模态方法研究

沙特国王大学学报滑动方差和数据范围用于融合模态的Igi ArdiyantoSunday，Sunu Wibirama，Fajri Nurwanto电子工程和信息技术系，Universitas Gadjah Mada，Jl。编号2，日惹55281印度尼西亚阿提奇莱因福奥文章历史记录：接收日期：2018年2018年7月21日修订2018年8月24日接受在线发售2018年8月28日保留字：最近邻动态时间规整大间隔最近邻朴素贝叶斯轻量级体育活动A B S T R A C T本研究开发了一种新型的轻量级运动活动检测系统，使用嵌入在两种模式，智能手机和智能手表的加速度计传感器的时间序列数据。本研究主要针对轻量化运动，特别是跳跃、俯卧撑、仰卧起坐、蹲跳。选择这些活动有两个原因：现在许多人都可以使用智能手机，并且认为每个人每天都可以轻松完成轻量级练习。我们提出的算法包括两个新的特征提取方法，即滑动方差和数据范围，结合数字滤波器和数据裁剪方法。使用k-NN和DTW算法的组合的特征提取过程的结果进行分类结果随后与最先进的算法，即LMNN和朴素贝叶斯算法进行比较。最后的结果表明，k-NN和DTW算法（k = 1）与数据范围方法的融合取得了最高的精度。该方法的平均精度为97.4%，处理时间为0.86 s。因此，计数活动方法的结果©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人体活动识别（Human Activity Recognition，HAR）是识别人体活动的智能系统的一个分支有可能的人类活动，包括体育运动，步行，跑步，跳舞等广泛的类型。认识到这些活动将给日常生活带来相当大的好处。现在让我们关注一种类型的活动，即。体育运动，特别是健身房锻炼（例如，Khan和Lawo，2014年; Hosein和Ghiasi，2016年）。健身房锻炼可以被归类为日常体育活动。这项活动通常需要额外的工具（椭圆训练器）。因此，并不是所有的人都可以随时随地管理它一个可能的出路是选择不需要额外工具的健身房活动，即。俯卧撑、仰卧起坐、蹲跳和跳杰克（Nanda，2017）。或者，有些人可能会使用常见的日常工具，通讯作者。电子邮件地址：igi@ugm.ac.id（I. Ardiyanto）。沙特国王大学负责同行审查帮助他做健身房的活动，如智能手机和智能手表.近年来，智能手机和智能手表成为许多人的日常需求。这些现在成为一个伟大的功能常见的小工具.众所周知的功能之一是跟踪跑步或慢跑活动，其中已经开发了许多应用程序，这些应用程序利用安装在智能手机和智能手表上的传感器，例如通过利用智能手机和智能手表的这种好处，我们的研究旨在开发HAR系统来检测不需要额外工具的体育活动（轻量级运动），即，如上所述的俯卧撑、仰卧起坐、蹲跳和跳跃式千斤顶。原则上，我们的轻量级运动检测系统采用加速度计传感器来捕获时间序列数据。在对于时间序列数据的分类，特征提取技术具有重要作用（Zheng et al.，2014年），因为它可以提高精度和处理时间。Nurwanto等人（2016）之前进行的HAR研究的准确性和处理时间较低。后来，由Marasovic和Papic（2012）开发的HAR研究只能检测单一运动。我们的主要贡献在于两个新的特征提取技术的建议，即，滑动方差和数据范围，以克服上述缺点。此外，这项研究还建立了https://doi.org/10.1016/j.jksuci.2018.08.0121319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comXXXð jxi-yi776I. Ardiyanto等人 /沙特国王大学学报-计算机与信息科学32（2020）775- 783计数活动系统。随后，将其与数字滤波器和数据限幅法相结合作为计数算法。通过使用计数系统，用户不需要手动计数移动的数量。本文的结构如下。第一部分阐述了本文的研究背景。第二部分对研究文献和基本理论进行阐述.第三部分介绍了本文的研究流程和算法。结果和分析将在下面讨论科.最后，本文对本研究的结论和未来的工作进行了展望.2.2. k近邻算法k-NN是基于距离的算法（Witten等人，2016年）。欧氏距离e通常用于计算测试数据x和训练数据y之间的距离。该公式稍后在Eq.（一）. 该方程中的变量x和y分别表示训练数据和测试数据，其中n是数据点的数量。vutX1/12. 基本理论本节将解释算法的一般理论，这些算法被用作基础理论朴素贝叶斯，k-NN，DTW和LMNN。2.1. 文献综述有几个因素影响HAR分类系统，即设备的类型、设备的位置和应答者的状况（Yu等人，2016年）。根据Ha等人（2015）的研究，HAR研究的趋势更倾向于基于传感器的系统，因为设备容易找到并且不需要很大的成本。因此，本研究利用加速度传感器来检测人类活动。在HAR系统中主要使用的传感器的位置是手（Bulling等人， 2014）、腕部（Sun等人， 2010）、口袋（ Han 等人， 2009 ）、腰带（Capela 等人， 2015 ）和膝关节（Atallah等人， 2010年）。还有使用相机和视频的HAR研究（例如Khan和Sohn，2011;del-Blanco等人，2012; Jalal等人，2012年）。Ling和Wang（2015）将传感器的位置分为四种类型。第一种是一对一。这种类型利用一种类型的传感器，具有单个数字，并放置在身体的一部分。第二种是一对多。这种类型使用一种类型的传感器，并将其放置在人体的某些位置第三种是多对一。这种类型利用几种类型的传感器，并放置在身体的一部分。后者是多对多。这种类型使用放置在人体的几个位置的几种类型的传感器。特征提取在时间序列分类中具有重要作用（Zheng et al.，2014年）。滑动窗口是提取时间序列数据的常用技术.然而，该技术需要高功耗并且不能检测具有短持续时间的运动（Liang等人，2014年）。此外，该技术无法确定具有高信息的数据片段（Ling和Wang，2015）。因此，我们开发了一种滑动窗口技术来确定具有高信息量的数据块的开始和停止点。这种技术称为滑动方差法。特征提取过程的结果通过机器学习算法进行分类。（Hosein和Ghiasi，2016）在他们的HAR系统中采用了几种分类算法。该研究表明，k-NN是最好的算法，朴素贝叶斯的性能最低。然而，k-NN算法对所有训练数据都采用等权处理，因此不能恰当地表示信息的结构。在先前 的 研 究 中 已 经 开 发 了 两 种 优 化 技术 ， 即 ， 自 适 应 度 量 最 近 邻（ ADAMENN ） （ Domeniconi 等 人 ， 2002 ） 和 自 适 应 最 近 邻（DANN）（Hastie和Tibshirani，1996）。然而，这两种算法都需要一个以上的调整参数。因此，这个条件使它不那么有吸引力。为了克服这 个 问 题 ， Weinberger 和 Saul （ 2008 ） 开 发 了 大 间 隔 最 近 邻（LMNN），它利用凸函数来优化训练数据。k-NN算法将搜索测试数据的最近邻居。这种情况通过测试数据与其邻居之间的最小距离来表示。在算法获得k个最小距离后，算法在这些值中执行投票过程。具有最高投票的类成为k-NN的分类结果。该算法中的k值必须是奇数，以避免投票过程中的偏差条件。2.3. 动态时间规整算法DTW是一种基于距离的算法，与k-NN算法相同。DTW可以计算不同数据长度的测试数据和训练数据之间的邻近距离测试数据和训练数据的元素可以转换成如图所示的矩阵。1.一、row元素表示训练数据，而col- umn显示测试数据。为了计算列p中的距离，我们可以使用Eq。（二）、然后，等式（3）可用于计算列q中的元素。更多，Eq。（4）用于计算列r中的距离元素。最后，EQ。（5）可用于计算列s中的元素。DTW算法的最终结果由右上角的列示出。cxi;yi是之间的欧几里得距离元素x和y。D0;01x0;y0;2JD0;jc x0;y kD0;k-1;其中 j列; 3k1iDi;0cxk;y0Dk- 1; 0;其中i行4k1iDi;jcxk;ykminfDi-1;j;Di-1;j-1;Di;j-1g：5k¼12.4. 朴素贝叶斯算法朴素贝叶斯算法是一种假设理论，它根据过去的事件处理当前数据X是一个事实。然后，假设Y是一个假设，使得事实X。假设Y相对于事实X的概率用P Y X表示，等式（6）可以用来求这个概率。这个公式中的假设Fig. 1. 动态时间扭曲矩阵。e¼ð1Þð ÞMM¼ ¼¼argmin1-lXd2xi;xjlXX1-yilnijlMMMMI. Ardiyanto et al./ Journal of King Saud University可以解释为训练数据中的一组属性而事实可以被解释为系统中存在的一组类PYjXPXjYPY;6联系我们1-溴-1，2-二氧戊环fx2r2：27在Eq. （6）可用于分类数据。对于数值型数据，系统将查找属性的均值和标准差。然后，将该值输入到概率密度中-sity函数fx，（参见（等式（7））。该公式中的符号x表示测试数据的值。然后，变量e和r分别表示平均值（2.718）和标准偏差值。平均值和pi（3.14）分别由l和p描述。2.5. 大间隔最近邻算法LMNN算法（Weinberger和Saul，2008）是一种k-NN算法，其训练数据由凸函数优化。LMNN算法基本上使用马氏距离。该距离具有协方差矩阵（M）。凸函数的输出是优化的协方差矩阵。M;nijlMj！我j！我Lð8Þs： t：d2xi;xl-d2xi;xjP 1-nijl：在Eq. （8）是应用于LMNN算法的半定规划。优化函数中的第一个术语用于追赶具有相同标签或相同类别的训练数据，而第二个术语用于保持具有不同类别或标签的训练数据之间的距离。凸函数将找到协方差矩阵（M）和松弛变量n的最小值。符号i表示测试数据，符号j表示训练数据。与测试数据具有相同类的数据。然后，将训练数据与测试数据进行不同类别的描述。变量yil是二进制值，用于指示输入数据是否具有相同或不同的类。而变量l是权重变量，存在于凸函数中的两个术语之间。l的值在0到1之间。然后，松弛变量可以表示为等式中的公式。（九）、nijl½1d2xi;xj-d2xi;xl]：29松弛变量可以被示出为铰链损失，其将使用凸函数被最小化。 找到的公式该变量由Eq. （九）、符号d2xi;xj描述了测试数据和训练数据之间的马氏距离，有相同的标签。然后，符号d2xi;xl表示测试数据和具有不同类别或标签的训练数据之间的Maha-lanobis距离。3. 该方法本节描述了本研究中使用的拟议方法。我们提出的方法是从数据收集过程开始的，如图2所示。随后，将数据分为测试数据和训练数据。然后我们进行了三个连续的实验。在第一个实验中，我们分析了特征提取对分类过程的影响，通过比较特征提取的存在。本研究提出两种特徴撷取技术，滑动变异数与资料范围。之后，将特征提取的结果通过组合图二. 研究工作流程图。k-NN和DTW算法。该算法中使用的k值是k1，k3和k5。在第二个实验中，将第一个实验中的最佳方法与Marasovic提出的方法（Marasov i c ′ and Papi c ′，201 2）进行了比较。他们从加速度计数据中提取了五个描述性特征随后，这些特征进行分类LMNN算法。这种方法的细节将在下一节中讨论。为了进行比较，使用了朴素贝叶斯算法。最后给出了k- NN与DTW、LMNN、朴素贝叶斯算法的比较.最后，在实验三中，我们开发了一种计数活动方法。上述方法的细节在以下部分中描述。-¼← ðÞ[美国]minÞ ¼n2我JMaxð-Þmin778I. Ardiyanto等人 /沙特国王大学学报-计算机与信息科学32（2020）775- 7833.1. 数据采集过程数据由年龄在18至25岁之间的男性采集。每个受访者进行四项体育活动，即，跳杰克，推起来，坐起来，蹲下跳。运动数据由智能手机和智能手机中嵌入的加速度传感器测试数据的最小值。由于智能手机和智能手表上的加速度计传感器数据的幅度特性不同，因此应该进行数据归一化。然后，所提出的算法根据短训练数据的平均长度对初始长测试数据进行分段，例如在图3b中。然后计算每个段的方差值如下，手表设备，运行在Android操作系统上。智能手机被放置在nn1XX1在上臂上，而智能手表被放置在Varxnorm x norm-x norm2的手腕上;n¼ jx列车j11联系我们放在右手上，第二个，所有的传感器都放在右手上。放在左手上。3.2. 培训数据建设每个数据具有不同数量的运动（参见图3a），使其不能直接用作训练数据。在这种情况下，我们只从一个原始数据中获取一个样本运动。从原始数据中的几个运动中随机选择采样过程。这一过程如图所示。 3B.3.3. 第一次实验的方法：特征提取比较本节描述了无特征提取（原始数据）、滑动方差法和数据范围法的分类过程。特征提取的结果通过k-NN和DTW的组合进行分类，其中k1/41、k1/43和k5。在对测试数据进行分类之前，将其归一化为1到1之间的范围值，因为幅度特性智能手机和智能手表上的加速度传感器数据是不同的。3.3.1. 无特征提取本节描述了没有特征提取的分类。最初，我们的系统计算训练数据的平均长度。该值用作窗口参数，以分解测试数据。采用k-NN和DTW算法相结合的方法对每一条测试数据进行分类。因此，分类的最低值被用作结果。3.3.2. 滑动方差法该方法利用类似于公知的滑动窗口方法（Ren等人，2017年）。不同的是，我们不是使用所有提取的窗口，而是根据其方差选择窗口。最初，测试数据用-1至1之间的范围值进行归一化，如下所示。其中，xnorm表示归一化和分段的测试数据，并且n是图3b中提到的训练数据的基数。算法1. 滑动方差法要求：1：xtrain：分段训练数据2：xtest：测试数据确保：3：start_point，stop_point第四章：5：程序SLIDING_VARIANCExtrain;xtest6：xnorm←normalizationxtest7：x范数分割x范数;x训练8：对于所有x范数，9：计算Var*x范数*10：如果Var=x或m= 1/2最大值，则起始点为1/4x或m= 1/20]11：否则，如果Var xnorm6阈值，则停止点xnorm012.endif13：结束14：返回start_point，stop_point15：结束过程所提出的算法的其余部分基本上是确定特征的开始点和停止点最高方差值指示存在不稳定的唯一值，或者存在高加速度计值变化。此条件指示该点是某人开始进行体育运动时的时间戳，其将成为特征的起始点稍后，停止点理想地是零值，其指示该区域的加速度计值没有变化（静止）。因此，可以得出结论，在该时间戳中，某人没有进行移动。然而，在实际条件下，由于传感器的灵敏度，信号的稳态很难确定x范数2x测试x测试¼x射线检验 -x检验- -一种1;10Þ自己排序。随后，特征的停止点由开始后低于阈值的方差值来Maxmin点基于启发式分析的结果，其中，xnorm表示归一化测试数据，xtest为原始测试数据，fxtest;xtestg分别表示最大值和是0.003。试验数据由起始点和终止点的第一指标提取。整个算法在Algo中解释图三. 训练数据构建的过程：（a）原始数据（b）采样过程。答辩人。我们以两种方式检索数据首先，所有传感器-¼ðÞI. Ardiyanto et al./ Journal of King Saud University该算法最初将测试数据标准化，范围值从1到1，如等式2所示。（十）、随后，将测试数据的幅度经验地量化为20个部分。我们通过量化数据测试，并记录不同的连续数据，如算法2所示。该过程的结果可以在图5的部分（c）中看到。此过程将删除静态数据。最长的收集被用作测试数据的特征。然后，采用k-NN和DTW算法相结合的方法对提取的数据进行分类见图4。滑动方差法说明：（a）预处理（b）方差分析（c）特征提取（d）特征提取结果。轴信息与图1相同。3 .第三章。Rithm 1.该过程的结果的示例可以在图4的部分（d）中看到。然后，将k-NN和DTW算法相结合，对3.3.3. 数据范围法最后一种特征提取方法是数据范围技术。其基本思想实际上与滑动方差方法相同，即确定指示某人开始做运动动作时的时间戳的特征的开始点和停止点，并去除不具有任何运动的静止数据。数据范围方法试图通过量化加速度计数据的幅度来消除这些平稳数据，以便可以丢弃由于传感器的灵敏度而引起的小变化算法2. 数据范围方法。要求：1：x测试：测试数据确保：2：start_point，stop_point第三节：4：程序 DATA_RANGEx 测 试 5 ：x范数 标 准 化x测试6：id = 0第七章：feat_index = []第八章：而index length（xnorm）-1do第九章：如果diff> 0，则11：idk = id12：feat_index.append（idk）13：idk++14：其他15：通过16：如果结束十七：标识++第18章：结束十九日：feat = longest（feat_index）20：start_point，end_point = feat[0]，feat[end] 21：returnstart_point，end_point22：结束程序图五. 数据极差法的说明：（a）预处理（b）量化幅度（c）特征提取过程及平稳数据的去除（d）特征提取结果。轴信息与图1相同。3 .第三章。见图6。计数活动方法说明：（a）预处理（b）方差分析（c）方差分析结果（d）数字滤波（e）数据裁剪（f）计数活动过程。¼780I. Ardiyanto等人 /沙特国王大学学报-计算机与信息科学32（2020）775- 7833.3.4. 第一次实验中的验证方法四个指标被用来评估分类结果。这些指标是灵敏度、特异性、F1评分和准确性。使用具有95%置信水平的双侧t检验来计算有和没有特征提取的分类准确度之间的显著性水平。3.4. 实验二：分类器比较在这个实验中，我们将比较三种算法，即，LMNN，朴素贝叶斯，以及k-NN与DTW的组合。的在该实验中使用来自第一实验的最佳特征提取技术在LMNN算法的分类然后，利用五步移动平均法对两组数据进行滤波.之后，测试数据生成五个描述性特征（平均值、最大值、最小值、标准差和方差）。然后，这些功能进行了优化和分类，使用LMNN算法与k1。对于朴素贝叶斯分类算法，训练数据的长度与测试数据的长度是一致的。移动平均和插值技术被用来克服这一点见图7。 使用左手智能手机中的加速度计的分类结果的灵敏度、特异性和F1评分值。表1对不进行特征提取的分类与采用数据范围和滑动方差方法的分类结果进行了t检验。滑动方差k=1k =3k =5k =1k =3k =5右手（SP + SW）121 129，36 124，27 64，76 54，26 54，74右手（SP）12，463 14，684 40，285 11，895 12，085 11，65右手（SW）122，88 135，94 122，88 72，91 51，33 69，54左手（SP + SW）230，16 436，5 257，38 47，17 44，49 35，64左手（SP）26，328 19，043 20，244 19，222 13，546 18，736左手（SW）263，509 191，284 126，909 34，396 37，982 38，714滑动方差k=1k =3k =5k =1k =3k =5右手（SP + SW）10，83 5，33 5，3- 0，89- 1，72- 0，32右手（SP）-1，328- 6，867- 5，049- 6，573- 7，465- 7，941右手（SW）19，42 11，51 13，54 11，071 8，942 3，269左手（SP + SW）6，97 12，08 7，48 0，36 4，79 0，14左手（SP）10，335 4，959 3，463- 3，059 0，942- 3，699左手（SW）13，018 14，441 13，67 8，833 5，602 9，244数据范围k=1k =3k =5k =1k =3k =5右手（SP + SW）172，084 111，207 95，874 64，087 55，126 45，241右手（SP）39，822 64，506 64，409 22，206 29，977 30，552右手（SW）46，354 69，638 68，408 50，944 53，712 68，022左手（SP + SW）129，414 125，74 100，079 53，374 45，718 34，355左手（SP）30，286 21，485 26，124 19，116 12，632 22，612左手（SW）34，464 29，309 37，066 27，333 35，22 37，454数据范围-无特征提取仰卧起坐（t）深蹲 跳跃（t）k=1k =3k =5k =1k =3k =5右手（SP + SW）12，506 8，334 6，796 4，302 2，042- 0，418右手（SP）2，809 5，405 2，317 3，926 1，306- 3，364右手（SW）19，427 12，786 13，933 5，865 5，463- 0，256左手（SP + SW）6，108 10，393 10，147 0，482 3，334 2，166左手（SP）11，578 9，188 8，497 3，068 6，707 3，772左手（SW）13，76 1，309- 1，544 3，943 1，807 4，004-I. Ardiyanto et al./Journal of King Saud University- Computer and Information Sciences 32（2020）775-783781过程然后，利用高斯朴素贝叶斯方法生成训练数据的概率模型。最后，利用该概率模型对试验数据进行分类。该算法中的第三种算法是k-NN和DTW的结合。该算法的规格是指第一次实验的最佳结果。本实验中的验证指标是准确度。3.5. 计数活度法计数作业法采用滑动方差法。首先，通过1至1之间的范围对测试数据进行归一化然后，利用窗口参数对测试数据进行切片窗口参数为测试数据的平均值出现差异图8.第八条。 LMNN算法、朴素贝叶斯算法以及k-NN和DTW（SP =智能手机，SW =智能手表）之间的组合的准确性：（a）右手数据集（b）左手数据集。¼ð ¼Þ782I. Ardiyanto等人 /沙特国王大学学报-计算机与信息科学32（2020）775- 783见图9。 计数活度法的准确度。在每个段中计算值。方差值由Butterworth二阶数字低通滤波器滤波。该过程如图6d所示。下一步是数据裁剪过程。该过程通过计算滤波方差值的平均值开始。该平均值被用作数据裁剪过程中的阈值。如果该值高于阈值，则将信号峰值表示为移动。这个过程可以在图6f中看到。验证方法为准确度。准确度显示了正确计数的测试数据数除以测试数据总数4. 结果和分析在本节中，我们将展示和讨论所有实验的结果。第一个实验的目的是比较分类性能的特征提取和不提取。 在第二个实验中，我们将比较三种算法的性能，即，LMNN，朴素贝叶斯，以及k-NN与DTW的组合。然后，在最后一个实验中，我们将讨论计数活动法的结果。4.1. 第一次实验的结果和分析第一个实验的目的是比较分类的性能与特征提取。在本分析中，并不是所有的实验变量都将被讨论，因为结果没有太大的不同。基于图7，在没有特征提取的情况下，用于分类的千斤顶运动的灵敏度值非常小。相比之下，使用特征提取的分类结果倾向于高。上推干扰是导致跳车动作灵敏度低的主要原因。这一条件得到了该类中特异性低值的支持。图7中的F1分数表明，数据范围方法的性能对于整个类具有稳定的值。在处理时间方面，使用一个传感器的结果肯定比使用两个传感器快。速度比使用两个设备（智能手机和智能手表）快大约两倍不进行特征提取的分类处理时间最长而数据极差法的分类处理时间最快。对于准确性度量，使用特征提取的分类和分类没有特征提取。该结果由表1中绿色高亮显示的显性t值表示。根据该表，我们可以看出，数据范围法优于滑动方差法。k1/45具有显著下降的一个测试值，而三个实验下降不显著。然后，k1/43有三个增加但不显著的实验。在那之后，k1有一个实验上升，但不显著。因此，我们可以得出结论，数据范围是最好的特征提取方法与k-NN和DTW的k1/k1分类器。4.2. 第二次实验本节将比较三种算法的性能，即，LMNN，朴素贝叶斯，以及k-NN与DTW的组合。图8显示了这些算法在各种实验变化下的准确性。从该图中，我们可以看出，k = 1的k-NN和DTW的准确度达到最高准确度。k-NN和DTWk 1的组合的平均准确率为97.4%。然后，LMNN和朴素贝叶斯的平均准确率分别为90.1%和87.38%。根据第一次和第二次实验的结果，我们可以得出结论，k-NN和DTW算法的组合是最好的算法用于对k = 1的时间序列数据进行分类，数据范围方法作为特征提取技术。4.3. 第三次实验计数活度法的准确度值见图9。一般来说，精度是可以接受的，除了在智能手表中只使用一个加速度传感器时。基于传感器的位置，当比较时，放置在上臂中的传感器比放置在手腕中的传感器更稳定。它使得仅使用智能手表计数活动的准确性低于其他实验变体。5. 结论本文介绍了使用消费电子产品（智能手机和智能手表）进行轻量级练习分类的基本原理，以及解决此类问题的新算法。提出的特征提取方法，这些活动的识别，即。数据范围和滑动方差，I. Ardiyanto et al./Journal of King Saud University- Computer and Information Sciences 32（2020）775-783783对活动进行了高度准确的分类。从我们的实验中还可以得出几个额外的结论。第一，k-NN和DTW算法相结合的分类性能优于朴素贝叶斯和LMNN（当使用数据范围方法时）。此外，我们的系统的平均准确度在所有实验中均高于80%，除了在智能手表中仅使用一个加速度计传感器时。然而，缺点是我们的分类方法只能检测到一个运动到下一个运动之间的中断。在未来，实验可能会在更多样化的设置，在运动时间和受访者的年龄。引用阿塔拉湖罗，B.，金河，巴西-地杨，G.- Z.，2010.使用可穿戴加速度计进行活动检测的传感器放置。在：2010年身体传感器网络国际会议（BSN），pp。24比29Bulling，A.，布兰克大学，Schiele，B.，2014.人体活动识别教程使用身体佩戴惯性传感器。ACM计算监视器46（3），33.Capela，N.A.，Lemaire，E. D.，巴杜尔，N.，2015.基于智能手机的6分钟步行测试应用的新算法：算法、应用开发和评估。J. Neuroeng.康复中心12（1），19.del-Blanco，C.R.，Jaureguizar，F.，García，N. 2012.一个有效的多目标检测和跟踪框架，用于自动计数和视频监控应用。IEEETrans. Consumer Electronics. 58（3）.Domeniconi，C.，彭，J，Gunopulos，D.，2002.局部自适应度量最近邻分类。IEEE传输模式分析马赫 内特尔 24（9），1281- 1285。哈S云，J. - M.，崔，S.，2015.用于活动识别的多模态卷积神经网络。2015年IEEEInternational Conference on Systems，Man，and Cybernetics（SMC）3017-3022.Han，B.- K.，Lim，J.G.，Kwon，D.，2009.自然相似笔迹的加速特征提取。ICCAS-SICE，1095-1099。哈斯蒂，T.，Tibshirani河，1996.判别式自适应最近邻分类。IEEE Trans.模式肛门。马赫内特尔 18（6），607-616.Hosein，N.，Ghiasi，S.，2016.可穿戴传感器选择、运动表示及其对运动分类的影响。2016年IEEE第一届互联健康国际会议：应用，系统和工程技术（CHASE）。370-379Jalal，A.，乌丁，M.Z.，Kim，T.S.，2012.基于平移和缩放不变特征的深度视频人体活动识别系统在智能家居中的应用。IEEE Trans. Consumer Electronics. 58（3）.Khan，A.M.，Lawo，M.，2014.用于体育活动的可穿戴识别系统。In：Sixth Int.Conf. eHealth，Telemedicine，Soc. Med. Wearable，pp. 1比5。Khan，Z.A.，Sohn，W.，2011.基于R-变换和核判别技术的老年人异常人体活动识别系统。IEEETrans. Consumer Electronics. 57（4）.梁玉，Zhou，X.，中国科学院，于志，Guo，B.，2014.在移动设备上进行节能的运动相关活动识别，用于普及医疗保健。暴徒网络Appl. 19（3），303-317.Ling，Y.，王，H.，2015.无监督的人体活动分割应用智能手机传感器的医疗保健.于：2015年IEEE第12届泛在智能和计算国际会议，2015年IEEE第12届自主和可信计算国际会议，2015年IEEE第15届可扩展计算和通信国际会议及其相关研讨会（UIC-ATC-ScalCom），pp. 1730-1734年。Marasovic'，T.， 爸爸，V，2012年。基于加速度计的手势识别系统，使用距离度量学习用于最近邻分类。2012 IEEE International Workshop on Machine Learning forSignal Processing（MLSP），pp.1-6.南达，D.，2017.PengaruhRumhanCircuitBodyweightTerhadapKebugaranJasmani ， Indeks Massa Tubuh ， Indeentase Lemak Tubuh danFleksibilitasMember Fitness Center Lotus Nusantara Bersinar Ros-In HotelYogyakuh. Fakultas Ilmu Keolahragaan.Nurwanto，F.，阿迪扬托岛Wibirama，S.，2016.基于智能手表和智能手机的轻度运动检测，使用k-最近邻和动态时间规整算法。在：第八届信息技术和电气工程国际会议（ICITEE），页。1比5。伦湖，魏，Y.，崔，J.，杜，Y.，2017.基于滑动窗口的多阶段聚类与概率预测方法。J. 国家主义者。Comput.你好87（13），2494-2508。孙湖，加-地Zhang，D.，中国农业科学院农业研究所所长，李，B.，Guo，B.，Li，S.，2010年。具有变化位置和方向的加速度计嵌入式移动电话上的活动识别在：国际会议上无处不在的泛在智能和计算，pp。548- 562.Weinberger，K.Q.，扫罗，L.K.，2008.距离度量学习的快速求解器和高效实现。在：第25届机器学习国际会议论文集，pp。1160-1167.Witten，I.H.，弗兰克，E.，霍尔，文学硕士，C.J.，2016.数据挖掘：实用的机器学习工具和技术。摩根·考夫曼余，H.，Cang，S.，王玉，2016.综述了可穿戴传感器人体活动识别系统的传感器选择、传感 器 设 备 和 传 感 器 部 署 。 2016 年 第 10 届 软 件 ， 知 识 ， 信 息 管 理 应 用 国 际 会 议（SKIMA）。250-257郑宇，刘昆，Chen，E.，Ge，Y.，赵，J.L.，2014.使用多通道深度卷积神经网络进行时间序列分类。在：网络时代信息管理国际会议，页。298-310.