沙特国王大学学报一种基于动态窗口大小的驾驶员出入车检测Amit Hirawata，Mr. Chang，Swapnesh Taterha，Tarun Kumar Sharmaba印度斋浦尔拉贾斯坦邦爱德大学b印度萨哈兰普尔，肖比特大学阿提奇莱因福奥文章历史记录：收到2021年2021年8月27日修订2021年8月27日接受2021年9月4日网上发售保留字：智能手机传感器人体活动识别动态窗口大小汽车进出推拉窗时间序列分割A B S T R A C T智能手机的内置硬件传感器已经成为人类活动识别和上下文感知的有用传感器平台 人类活动识别领域的大多数研究都表示为分类问题，其中分类器的性能与特征工程所带来的类间方差直接相关。现有的研究中使用了几种特征提取技术，包括动态和静态活动窗口大小。在我们的研究中，我们提出了一种基于动态非重叠窗口的方法，该方法跨越了代表活动的整个时间序列数据（DyNOEA）。目标是使用智能手机传感器检测驾驶员进入和离开汽车与早期的作品相比，使用静态和重叠窗口大小进行活动识别，所提出的特征提取技术能够在完美的自然设置中以极高的准确度对活动进行分类，对于分类器，如逻辑回归，决策树和k-NN，其准确度高达100%版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人类活动识别（HAR）已经发现了各种各样的应用，特别是识别正在执行的活动;预测下一个可能的活动和检测身体姿势。早期开拓性的HAR研究已经使用了放置在不同身体位置的传感器以及视频/照片捕获设备（Bao和Intille，2004; Brezmes等人，2009年）。然而，这样的传感器位置是突兀的并且使用户有意识，由于这一点，活动识别受到阻碍并且变得不那么自然。因此，作为传感器平台的智能电话已经获得了牵引力，特别是因为它们的普遍性、传感器丰富性、处理能力、存储和数据传输的容易性。因此，它在人类活动监测领域具有多个应用领域。*通讯作者：印度斋浦尔拉贾斯坦邦爱德大学爱德信息技术学院。电子邮件地址：hiramit05@gmail.com（A. Hirawat），staterh@jpr.amity.edu（S.Taterh），taruniitr1@gmail.com（T.K. Sharma）。沙特国王大学负责同行审查点火（Lockhart等人，2012），以及提供上下文感知（Choudhury etal.，2006; Ferscha等人， 2007年）。对于HAR，活动窗口选择是分割从智能手机收集的信号的最重要的预处理步骤之一三种基本类型的窗口选择技术在现有技术文献中是普遍的，即：2013）、活动定义的（Figo等人，2010; Dernbach等人，2012）和滑动窗（Bao和Intille，2004; Preece等人，2009年;Nam和Park，2013年）。其中，滑动窗口方法通常用于HAR，因为其在分类周期性活动方面的简单性所选择的滑动窗口可以是固定大小（静态）或可变大小（动态），它们之间有或没有任何重叠然而，找到滑动窗口的持续时间的最佳值是重要的。窗口太小会将单个Activity拆分为两个相邻的窗口。太宽的窗口可能会考虑在同一段中的两个或多个活动因此，两者都可能妨碍分类准确性。在类似的工作中，几项研究已经使用固定的（重叠/非重叠）（Bao和Intille，2004;Brezmes等人，2009）或动态大小的滑动窗口（Laguna等人，2011; Attal等人，2015; Banos等人，2014），具有或不具有在连续窗口之间重叠的样本。Bao和Intille（2004）提出了这方面的开创性工作之一https://doi.org/10.1016/j.jksuci.2021.08.0281319-1578/©2021作者。由爱思唯尔公司出版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.comA. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8515通过使用多个无线加速度计对20个不同的用户注释活动进行分类，其中窗口大小固定为512，其中256个样本重叠，即，50%窗口重叠。这种方法已被广泛使用的几个HAR的研究，是国家的最先进的分割所获得的信号。然而，我们发现，使用这样的方法在从一个活动到另一个活动的过渡期间，在标记输出特征方面存在困难。由于特性对落在特定窗口下的样本使用聚合函数，因此处于过渡中的窗口将包含来自两个Activity的样本因此，将它们标记为特定类别是错误的。因此，我们的研究提出了一种新的分割技术，使用动态大小的非重叠滑动窗口跨越整个活动持续时间（DyNOEA）。我们使用了一个公共数据集（Hirawat，2021），该数据集记录了使用智能手机传感器的四种活动，即。司机：1）上车，2）下车，3）坐在车里，4）站在车外对从数据集获得的原始信号进行预处理，并应用特征工程来导出特征，如平均值、标准偏差、均方根、平均绝对偏差、最小值和最大值。然后，使用所提出的动态非重叠滑动窗口技术对数据集进行采样对两种方法得到的样本应用不同的基分类器和Meta分类器，并对它们的结果进行比较。本研究的主要贡献如下：1）提 出 了 一 种 新 的 基 于 动 态 窗 口 的 分 割 技 术 ， 它 跨 越 了 整 个 活动（DyNOEA）。2)为了评估使用所提出的技术获得的分类性能，并将其与现有技术进行比较，在一个公共数据集。论文的布局如下：第2节回顾了这一领域的类似工作;第3节讨论了工作的方法，数据集描述，特征选择和训练分类器;第4节是关于解释和总结所获得的结果;第5节提供了最后的评论和未来的范围。2. 相关工作HAR被认为是模式识别（PR）问题。传统的PR方法使用机器学习算法，如朴素贝叶斯，隐马尔可夫模型，支持向量机和决策树，在HAR中表现出良好的效果。 在数据标签有限且需要领域知识（例如，诊断疾病）的受控环境中，传统PR方法已经实现了令人满意的结果（Wang等人，2019年）。在智能手机出现之前，通过将特殊的专用传感器放置在不同的身体位置来将其用于人类活动识别（HAR）（Bao和Intille，2004; Bussmann等人，2001;Karantonis等人，2006年）。智能手机技术的进步有助于通过内置传感器（如陀螺仪、加速度计、GPS、摄像头、麦克风等）实时感测人类活动。随着智能手机使用的增长，HAR的研究开始探索用于收集人类活动数据的嵌入式智能手机传感器（Karantonis等人，2006; Pei等人，2013;Shoaib等人， 2015年）。人类活动识别传统上遵循一系列步骤，包括数据收集、预处理数据、分割、提取和选择特征、训练和分类（Wang等人，2016年）。需要预处理步骤来从收集的信号中去除噪声。研究人员提出了各种预处理方法。Khan等人（2010）使用移动平均滤波器; Kozina et al.（2013）使用a带通滤波器，以消除低频和高频噪声。Suarez等人（2015）使用低通滤波器，将传感器的信号分为频率分量，以提高活动识别（AR）的准确性。在原始信号的处理和滤波之后，通过在固定大小的窗口上应用不同的聚合函数来分割数据在这种情况下，滑动窗口是用于分割和随后的特征提取的最广泛使用的技术（Bulling等人，2014年）。所使用的滑动窗口可以是静态的，其中窗口大小基于相等的时间间隔，或者可以是动态的，其中窗口大小根据任何设定的标准而变化。在时域、频域和时空域中导出更多特征（Attal等人，2015; Figo等人，2010;Altun等人，2010; He和Jin，2009; Sekine等人，2002; Mannini等人， 2013年）的报告。用于活动识别的监督分类算法的性能在很大程度上取决于用于从数据集采样信号的分割技术。对于静态滑动窗口，两种分割算法是最先进的：固定大小非重叠滑动窗口（FNSW）和固定大小重叠滑动窗口（FOSW）（Keogh等人，2001;Van Kasteren等人， 2008年）。对于动态滑动窗口，窗口大小基于可变因素，例如Activity中的状态更改然而，即使在这样的研究中，窗口大小也小于或等于预定的固定大小。 Noor等人（2017）提出了一种用于数据分割的动态滑动窗口方法，其中研究重点是监测静态，动态和过渡活动，其中窗口大小 可 以 根 据 信 号 信 息 而 变 化 ，以 找 出 被 证 明 更 有 效 的 分 割 。Krishnan和Cook（2014年）介绍了静态和动态滑动窗口组合内基于时间衰减和互信息的传感器事件加权。Fida等人在他们的研究中（Fida等人， 2015年）提出了一项关于窗口大小对短期和长期主题活动的影响的比较研究。他们发现，1.5秒的窗口大小代表了活动之间识别的最佳权衡。在Ni等人（2016）中，作者提出了一种窗口方法，该方法使用自主的多变量在线变化检测算法来动态识别窗口的起始位置，以便它包含类似的Banos等人（2014）评估了不同非重叠窗口大小对识别33种健身锻炼的效果，并认为窗口大小对AR具有显著影响，并且通常为1-2秒的短窗口3. 方法3.1. 数据集先前的几项工作已经使用了人类活动或日常生活活动（ADL）的开放和基准数据集，这些数据集已经被清理、预处理，并具有从中导出的基本统计特征（ Bao 和Intille ， 2004; Laguna 等人， 2011年）。此外，许多著名的和开创性的工作已经使用一个或多个传感器收集原始数据，并使用它来训练一组分类器(s) （Bao和Intille，2004; Altun等人，2010年）。这两种方法都取得了显著的成果。我们的工作使用了一个公开的数据集，名为该数据集有两种形式：a) 原始标记数据，即不应用任何数据平滑或特征提取。A. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8516@A0gravitation1B@BCAb) 标记信号经过平滑处理，包含在1秒的固定宽度滑动窗口上获得的所有主要和次要特征向量，重叠率为50%。受试者进行以下活动：(a) 坐在汽车座椅上(b) 坐在那里一段时间，即。2-坐包括主要和次要数据的特征的数量是120。即，在5个主要特征上应用6个聚集函数（平均值、中值、最小值、最大值、标准偏差和平均绝对偏差），这些特征中的每一个具有4个分量，即，x、y、z轴值和它们的均方根。下面的矩阵总结了如何获得所有120个特征。(c) 从车里出来(d) 站在车外一段时间，即。2加速度BC10Bx轴1C0平均中值C=智能手机在他们的左口袋里，屏幕面对着取向CXB@y轴CAXB最小C大腿在我们的研究中，我们使用了第一种形式的数据集，即。原始标记数据。数据平滑，特征提取和分割，训练和后续步骤应用于此原始线性加速度旋转120特征集z轴RMSx;y;z最大平均绝对变动数据集。FOSW和建议的动态窗口大小的分割技术，即DYNOEA被使用和他们的结果进行比较。该数据集记录了主要特征，如加速度、重力、方向、线性加速度和以50 Hz的采样率在三个轴上的旋转。使用现有的主要特征，我们已经推导出了总共120个次要特征，如第3.2节所列举的。3.2. 特征提取与选择为了应用我们提出的分割技术，使用来自数据集的原始标记数据通过应用10个样本的滑动窗口来平滑信号，该滑动窗口产生适当的平滑而不会丢失信号中的必要细节我们评估了整体性能，通过应用几个窗口大小进行平滑，10个样本的窗口成为最佳选择。从主要特征（即加速度、重力、方向、线性加速度和旋转）导出的重要次要数据特征之一是每个主要类别的3个轴上的均方根（RMS）。RMS是公知的工程特征，并且独立于轴方向，因此使得活动检测独立于受试者口袋中的电话取向。除RMS外，其他聚合特征如平均值、标准差、绝对中值、最大值和最小值均来自原始数据。因此，3.3. 使用建议的方法进行在该方法中，用于分割信号的窗口大小是动态的，其长度等于活动本身。如果活动的长度减少，则窗口大小也会减少，因为窗口跨越整个活动持续时间。相邻窗口之间没有重叠。因此，目标是检测活动边界。所提出的算法检测活动边界如下：考虑由数据记录x 1 ; x 2 ;...组成的长度为“n”的数据流。;xn.每个数据记录X是数据流可以包含属于任何活动类的记录，例如x1;x2;. ;Xk可以属于活动类D1，而Xk+1;Xk+2;. ;xn可以属于活动类D2等等。该算法旨在通过查看数据流中活动类标签的转换来识别这种变化的位置一旦确定了这个位置，现在就可以计算滑动窗口的大小，它等于该特定活动类中的活动记录例如，D1的窗口大小为' k'，D2的窗口大小几个聚合函数被应用在落入该窗口的数据点上，以导出更多的特征向量，在这些特征向量上训练分类器DyNOEA的工作原理如图图1.一、（a）具有20个特征的数据样本，即3个轴上的5个主要特征及其RMS值。各种分割技术应用于它;（b）数据与完整的120个特征集，分割使用大小为4的固定大小重叠滑动窗口（FOSW），50%的重叠;（c）数据与完整的120个特征集，分割使用所提出的技术。即DyNOEA。BA. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8517表1所提出的算法的伪代码-DyNOEA。算法：DyNOEA（记录总数）k= 0;return 1;而k个记录总数标签=第k个记录处的活动标签;next_label =第（k + 1）条记录处的活动标签;如果label等于next_label，则window_len = window_len +1;其他extract_features（k-window_len +1：k）;//在整个Activity的窗口中提取特征的方法。window_len = 1;//为下一个活动切片重新设置窗口大小为1endifk=k + 1;//移动到数据流end while3.4. 使用DyNOEA的分割的Python实现#方法来提取聚合特征，如平均值，中位数，最小值，最大值，标准差和平均绝对偏差从'开始'到'结束'的窗口def extract_features（start，end）：全局df_1，df_3，活动df_2 = df_1.iloc[start：end，：-1].aggregate（np_1 = df_2.values.reshape（1，-1）df_4 = pd.DataFrame（np_1）df_4.columns = df_3.columnsdf_3 = df_3.append（df_4，addre_index = True）#找出每个活动类边界的开始和结束的代码计数器= 0window_len = 1while（counter len（df_1.index）-1）：j = df_1.iloc[计数器][len（df_1.columns）-1]k = df_1.iloc[counter +1][len（df_1.columns）-1] if（j == k）：window_len += 1#将窗口长度增加1否则：extract_features（counter - window_len + 1，counter）window_len = 1#将窗口大小重置为1，用于下一个活动切片counter += 1#每次移动到数据流中的下一个记录图1a示出了数据的一部分在分段之前看起来如何。除了为每个主要特征在3个轴上推导RMS值之外，不进行特征工程。图1b示出了现有FOSW技术对具有50%重叠的4个样本的静态窗口大小的数据进行分段的方式。图1c显示了DyNOEA如何分割相同的数据。3.5. 培训活动识别算法应该能够识别对应于每个活动的不同特征中的信号模式。我们认为活动识别是一个分类问题，其中类属于每个活动，训练集是从平滑的传感器数据导出的特征向量。训练阶段建立活动模型，识别阶段基于训练的活动模型对信号进行分类。将数据集划分为训练（80%）和测试（20%）数据集。我们比较了逻辑回归，线性SVC，SVM，决策树，随机森林和k-NN等基本级别分类器的性能。还使用了Meta级分类器梯度提升决策树（DT）。执行超参数调整，以便最终可以从列出的超参数中选择最佳参数。隐马尔可夫模型（Hidden MarkovModels）或回归技术尚未在我们的工作中使用，因为它们主要用于识别一系列活动或需要实值输出时（Ravi等人，2005年）。上面列出的所有分类器都是在训练数据集上运行，对每个数据集进行3次交叉验证的分类器。在3折交叉验证中，数据被分为3个子集。现在，将保持方法重复3次，使得每次将3个子集中的一个用作测试集/验证集，并且将其他2个子集放在一起以形成训练集。对所有3次试验的误差估计进行平均，以获得我们模型的总有效性。图2显示了所有步骤的总结。图二. 所遵循步骤的摘要。A. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8518从图1和图2中的曲线图可以看出，如图4（b）-9（b）所示，上面提取的特征中很少有表现出非常干净和明显的类间方差。它们的结合将进一步帮助图三. SVM分类器的混淆矩阵。图4a. 使用现有技术分割的均值RMS。图4b.使用所提出的技术（DyNOEA）分割的平均值RMS。分类器执行得更好，并实现更高的准确度和分类得分。图5a. 使用现有技术分割的中值RMS。图5b.使用所提出的技术（DyNOEA）分割的中值RMS。图6a. 使用现有技术分割的平均绝对偏差的RMS。A. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8519图6b.使用所提出的技术（DyNOEA）分割的平均绝对偏差的RMS。图8a. 使用现有技术分割的最小值的RMS。图7a.使用现有技术分割的标准差RMS。图8b.使用所提出的技术（DyNOEA）分割的最小值的RMS。图7b.使用提出的技术（DyNOEA）分割的标准差RMS。图9a. 使用现有技术分割的最大值的RMS。A. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8520图9b. 使用提出的技术（DyNOEA）分割的最大值的RMS4. 结果和讨论表2示出了在利用现有固定大小重叠滑动窗口（FOSW）技术采样的数据集上应用各种基础和Meta级别分类器时获得的结果。50%的窗口重叠。表3显示了通过使用我们提出的分割技术DyNOEA在相同数据集上获得的分类性能。对图3所示的SVM分类器获得的混淆矩阵进行分析，以确定哪些活动未被正确分类。这里，在IN和OUT活动之间观察到12%的错误分类。从所获得的结果中可以注意到，除了SVM（96.77%）之外，所有其他分类器都使用我们提出的技术产生了绝对100%的准确率。这就确定，我们的分段技术应用聚合函数，跨越整个活动持续时间的动态大小的非重叠窗口能够带来非常显著的类间差异，从而使得分类器能够清楚地区分活动。同样的情况也可以在图1和图2所示的曲线图中观察到。图4至图9中比较了从加速度计读数得出的均方根（RMS）值的最小值、最大值、中值、标准差和平均绝对差等综合特征。图（Fig.图4a至图9a）使用FOSW分割获得，而图4a至图9a）中的曲线图使用FOSW分割获得。4b至9b）使用DyNOEA。对于所提出的分割技术，类间分离明显不同。表4显示了使用所提出的技术的比较结果，突出了百分比的改进。5. 局限性和今后的工作特征提取和分割对于获取类间方差，从而使分类器取得更好的分类效果起着极其在这项研究中，我们已经表明，在汽车出入数据集上，在跨越整个活动持续时间的动态窗口上分割的特征比固定大小的滑动窗口（FOSW）实现了更高的准确性这项研究已经探索和比较了使用所提出的分割技术在单个公共数据集上获得的性能改进。未来可以探索更多的数据集，并可以评估所提出的技术的有效性，以找出哪种活动更适合于所提出的方法。在这项研究中，我们没有进行特征约简技术，可以在未来的工作中进一步探索，以消除那些对提高分类精度贡献较小的特征。这可以通过一次删除一个特征并比较准确性损失来实现。找出哪些功能对实现适当的表2使用FOSW进行分割的分类性能。分类器活动精度召回F1得分最佳估计量精度误差Logistic回归站0.960.950.950.9480百分之九十五5.00%在0.950.950.95坐0.930.960.94出来0.960.940.95线性SVC站0.850.990.910.8816百分之九十百分之十在0.940.870.91坐0.830.960.89出来0.970.810.89SVM站0.940.910.920.870486.97%百分之十三点零三在0.840.820.83坐0.880.910.89出来0.850.870.86决策树站0.980.940.960.9420百分之九十五点三三4.67%在0.940.960.95坐0.950.940.94出来0.960.960.96随机森林站0.950.960.960.9313百分之九十三点八五6.15%在0.920.950.94坐0.930.900.92出来0.950.940.94梯度升压DT站0.970.960.960.9365百分之九十四点三四5.65%在0.910.960.94坐0.940.920.93出来0.960.930.95k-NN站0.960.960.960.9507百分之九十四点五一5.49%在0.930.930.93坐0.960.950.95出来0.940.950.94A. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8521表3分类性能使用我们提出的分割技术-DyNOEA。分类器活动精度召回F1得分最佳估计量精度误差Logistic回归站1.001.001.000.9159百分百0.00%在1.001.001.00坐1.001.001.00出来1.001.001.00线性SVC站1.001.001.000.8823百分百0.00%在1.001.001.00坐1.001.001.00出来1.001.001.00SVM站1.001.001.000.823596.774%3.226%在1.000.880.93坐1.001.001.00出来0.891.000.94决策树站1.001.001.000.9915百分百0.00%在1.001.001.00坐1.001.001.00出来1.001.001.00随机森林站1.001.001.000.9915百分百0.00%在1.001.001.00坐1.001.001.00出来1.001.001.00梯度升压DT站1.001.001.000.9915百分百0.00%在1.001.001.00坐1.001.001.00出来1.001.001.00k-NN站1.001.001.000.9411百分百0.00%在1.001.001.00坐1.001.001.00出来1.001.001.00表4FOSW和DyNOEA之间的比较。分类器使用固定窗口大小获得的准确度，50%重叠使用拟定技术获得的准确度-（DyNOEA）百分比提高Logistic回归95.00100.005.26线性SVC90.00100.0011.11SVM86.9796.7711.27决策树95.33100.004.90随机森林93.85100.006.55梯度升压DT94.34100.006.00k-NN94.51100.005.81分类，以及哪些对类间方差没有显著影响。此外，在汽车和椅子上坐着活动的比较，在日常生活中的活动，需要进行探讨。这些相对相似的活动可能对传统分类器造成困难。因此，探索使用深度学习（特别是LSTM）来学习从智能手机传感器收集的时间序列数据中的固有模式是否会提供更好的结果将是有趣的。数据可用性：支持本研究结果的数据集可在Mendeley Data中公开获得，网址为https://doi.org/10.17632/3czshz7zpr.1，参考编号为https://doi.org/10。17632/3czshz7zpr.1供资：无竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用鲍湖，Intille，S.S.，2004. In：April）.从用户注释的加速度数据中识别活动。施普林格，柏林，海德堡，pp. 1比17Brezmes，T.，Gorricho，J.L.，Cotrina，J.，2009. June）。根据手机上的加速度计数据进行活动识别。国际人工神经网络工作会议。施普林格，柏林，海德堡，pp. 796-799洛克哈特，J.W.，Pulickal，T.，Weiss，G.M.，2012年。九月）。 移动活动识别的应用。在：在2012年ACM普适计算会议的会议记录中，pp。 1054-1058.Choudhury，T.，Philipose，M.，Wyatt，D.，Lester，J.，2006.走向活动数据库：使用传感器和统计模型来总结人们的生活。IEEE DataEng. Bull. 29（1），49-58.Ferscha ， A. ， 埃 姆 森 胡 贝 尔 ， B. ， Gusenbauer ， S. ， Wally ， B. ， 克 莱 因 ，C.Kuhmünch，C.，Mitic，J.，2007.九月）。节电器：用于能量管理的便携式活动跟踪器。第九届普适计算国际会议论文集。Aung，M.S.H.，Thies，S.B.，肯尼，L.P.J.，Howard，D.，R.W.塞勒斯，Findlow，A.H.，Goulermas，J.Y.，2013.使用时频分析与流形嵌入自动侦测瞬时步态事件。IEEE Trans.神经系统康复中心Eng.21（6），908-916中所述。Figo，D.，Diniz，P.C.，Ferreira，D.R.，卡多佐，J.M.P.，2010年。从加速度计数据进行上下文识别的预处理技术。Ubiquit. Comput. 14（7），645-662。Dernbach，S.，Das，B.，北卡罗来纳州克里希南托马斯，B.L.，库克，DJ，2012年。In：June）.通过智能手机识别简单和复杂的活动。IEEE，pp. 214- 221A. Hirawat，S. Taterh和Tarun Kumar Sharma沙特国王大学学报8522Preece，S.J.，Goulermas，J.Y.，肯尼，L.P.J.，Howard，D.，2009年从加速度计数据分类动态活动的特征提取方法的比较。IEEE Trans.BioMed. Eng. 56（3），871-879。Nam，Y.，帕克，J.W.，2013.使用单个三轴加速度计和气压传感器进行身体活动识别，用于家庭环境中的婴儿和儿童护理。 J.Ambient Intell. 智能环境。 5（4），381-402。拉古纳，J.O.，Olaya，A.G.，Borrajo，D.，2011. In：July）.一种用于活动识别的动态滑动窗口方法。施普林格，柏林，海德堡，pp. 219- 230Attal，F.，Mohammed，S.，Dedabrishvili，M.，Chamroukhi，F.，Oukhellou湖，Amirat，Y.，2015年。使用可穿戴传感器的人体活动识别。传感器15（12），31314-31338。Banos，O. Galvez，J.M.，Damas，M.，Pomares，H.，罗哈斯岛2014.窗口大小对人类活动识别的影响。传感器14（4），6474-6499。Hirawat，A.，2021年驾驶员使用智能手机传感器进入和离开汽车Mendeley Data V1.王杰，陈玉，郝，S.，彭，X.胡，L.，2019.深度学习用于基于传感器的活动识别：调查。模式n。Lett. 119，3-11。Bussmann，J.B.J.，Martens，W.L.J.，Tulen，J.H.M.，沙斯福特足球俱乐部 van denBerg-Emons，H.J.G.，Stam，H. J.，2001.使用步行加速度计测量日常行为：活动监测器。 行为研究方法，仪器，&计算机33（3），349-356。Karantonis，D. M.，Narayanan，M.R.，Mathie，M.，新罕布什尔州洛弗尔，Celler，B.G.，2006. 使用三轴加速度计进行动态监测的实时人体运动分类器的实现。IEEETrans. Inf Technol. Biomed. 10（1），156-167。贝湖，吉尼斯河，陈，R.，刘杰，Kuusniemi，H.，陈玉，Chen，L.，中国地质大学，Kaistinen，J.，2013年。使用智能手机传感器的人类行为认知。传感器13（2），1402-1424。Shoaib，M.，Bosch，S.，Incel，O.，Scholten，H.，Havinga，P.，2015.使用移动电话进行在线活动识别的调查。传感 器15（1），2059-2085。Wang，A.，陈，G.，杨杰，赵，S.，昌角，澳-地是的，2016.智能手机中使用惯性传感器进行人体活动识别的比较研究。IEEE Sens. J. 16（11），4566-4578。Khan，A.M.，Lee，Y.K.，李，S.Y.，Kim，T.S.，2010.基于三轴加速度计的物理活动识别，通过增强信号特征和分层识别器。IEEE Trans.Inf Technol.BioMed. 14（5），1166-1172。Kozina，S.，Gjoreski，H.，Gams，M.，Luštrek，M.，2013.九月）。使用加速度计进行有效的活动识别和跌倒检测。在国际竞争中通过竞争基准评估AAL系统。施普林格，柏林，海德堡，pp. 13比23苏亚雷斯岛，Jahn，A.，安德森角David，K.，2015.九月）。通过使用丰富的加速度数据改进活动识别。在：在2015年ACM国际普适和普适计算联合会议的会议记录中，pp。1011- 1015Bulling，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计算调查（CSUR）46（3），1-33。Altun，K.，Barshan，B.，通塞尔岛2010.微型惯性与磁性感测器对人类活动分类之比较研究。模式n。43（10），3605他，Z.，金，L.，2009.年：10月）。基于离散余弦变换和支持向量机的加速度数据行为识别。IEEE，pp. 5041- 5044Sekine，M.，田村，T.，Akay，M.，Fujimoto，T.，Togawa，T.，Fukui，Y.，2002.基于小波分形分析的步行模式识别。IEEETrans. 神经系统康复中心Eng. 10（3），188-196。Mannini，A.，Intille，S.S.，Rosenberger，M.，萨巴蒂尼，上午，Haskell，W.，2013.使用放置在手腕或脚踝处的单个加速度计进行活动识别。医学科学体育运动45（11），2193。Keogh，E.，Chu，S.，Hart，D.，Pazzani，M.，2001年在：11月）。一种时间序列分段的在线算法。IEEE，pp. 289-296。Van Kasteren，T.，Noulas，A.，Englebienne，G.，Kröse，B.，2008.九月）。在家庭环境中准确识别活动。在：在第10届国际会议的泛在计算，pp。 一比九努尔，M.H.M.，Salcic，Z.，凯文，我，Wang，K.，2017.使用单个三轴加速度计的身体活动识别的自适应滑动窗口分割。无处不在的暴徒。Comput. 38，41-59。北卡罗来纳州克里希南， 库克，DJ， 2014. 流式传感器数据的活动识别。无处不在的暴徒。Comput. 10，138-154.Fida，B.，贝纳布奇岛Bibbo，D.，Conforto，S.，Schmid，M.，2015年。不同窗口大小对来自单个加速度计的静态和动态身体活动分类的变化行为。医学工程物理37（7），705-711。Ni，Q.，帕特森，T.，克莱兰岛，纽金特角，2016.窗口起始位置的动态检测及其在活动识别框架内的实现。J.生物医学。告知。62，171-180。拉维，N.，Dandekar，N.，Mysore，P.，Littman，M. L.，2005.七月）。从加速度计数据识别活动。Aaai（Vol. 5（2005），1541-1546。
我的内容管理
展开
