基于智能手机传感器的人体活动识别技术与商务应用.pdfVIP

基于智能手机传感器的个人活动识别技术与商务应用

电子商务专业

1背景分析

在移动互联网迅猛发展的今天，智能手机己经成为人机相互交流和融合的媒

介。截止到2017年，全世界的智能手机用户总量己经突破26亿大关。在此条件

下，智能手机己经不仅仅是简单的通讯设备，而是具有计算能力、感知能力与通

讯能力的个人智能终端。随着智能终端和用户的关系越来越紧密，越来越多基于

上下文的服务，如雨后春笋般出现，同时出现各式各样的人机交互方式。因此，

为了满足用户的服务需求，智能手机吸纳了各种不同的传感器及其技术，基于智

能手机传感器的新型应用得到了用户的追捧，基于智能手机传感器的用户活动识

别技术己然成为必威体育精装版的研究热潮。

具有无线接入能力、数据信息管理能力并配备了开放操作系统的手持移动设

备——智能手机，在近些年来得到了快速的发展。特别是，大多数智能手机除了

可以采集声音和图像等基本的信息(如智能手机可以录音和拍摄视频)以外，还可

以采集各种传感器信号，例如重力加速度、光线强弱、距离、方向、磁场和温度

等多种类型的传感器信号，这些传感器信号可以反映用户的一些活动特征。因此，

综合利用这些传感器采集到的信息来进行人体活动识别的研究，将成为未来人体

活动识别研究领域的热点。

智能手机往往配备了丰富的传感器，这些传感器可以及时准确地获取用户各

种有价值的信息，这使基于智能手机传感器的用户活动识别成为可能。智能手机

的普遍性、易用性、可玩性以及实用性等特点，使基于智能手机的用户活动识别

应用可以得到广泛的推广，具有广阔的市场前景和经济效益。

1

2基于智能手机的活动识别技术分析

2.1基于智能手机活动识别的原理分析

人体活动包含一系列人的肢体动作，人的物理活动由人体位置和活动模式决

定，选择的传感器必须能反应这两方面的信息，本文获取活动信息的方式采用智

能手机本身嵌入的三维加速度传感器和陀螺仪，这两类传感器能提供测试对象的

运动方向和运动幅度信息，可用来采集人体活动信息。在这种运动信息获取方式

中，可以将智能手机穿戴在测试对象身上，人体活动信息可以通过加速度或陀螺

仪等传感器采集，经过特征提取和活动建模后，运用统计和机器学习进行物理活

动识别。其中，将大量的低层传感器数据转换为高层的物理活动特征是物理活动

识别的关键问题。此外，活动环境的多样性及物理活动的复杂性影响人体活动信

息的准确获取，为有效提取人体活动的信息，通过对人体活动信息的检测与分析，

需要进行去噪等数据预处理，保证人体活动信息获取的准确度。

2.2基于智能手机人体活动识别的流程分析

基于智能手机传感器的用户活动识别技术往往包括传感器信号采集、数据预

处理、特征提取和特征选择以及活动识别。典型的用户活动识别过程如图1所示:

图1.基于智能手机传感器的用户活动识别基本流程

2

图1展示基于智能手机传感器的用户活动识别技术的基本流程，可划分为两

个阶段，第一阶段是分类器训练，第二阶段是用户活动分类。

在分类器训练阶段，第一步需要获取用户在运动过程中产生的传感器信号，

例如行走、跑步、跳跃所产生的传感器信号等。原始的传感器信号中不仅包含用

户运动所产生的信息，还有大量的噪声信息。因此在使用原始传感器信号之前，

需要去除这些噪声，然后使用“加窗”的方法分割数据，得到固定长度的样本数

据。在特征提取的时候，所要提取的特征会随着不同的用户活动的改变而改变。

这些特征可以分为时域、频域和时频特征，通过计算均值、标准差等可以得到样

本的时域特征。DCT和FFT是典型的频域特征。时频特征是一种较新的特征，可

以通过小波分析获取。特征的数量并不是越多越好，因为当特征太多的时候，每

个特征的影响系数就会变小，从而导致无法有效的表征用户的活动，同时也会增

加计算量，使整个用户活动识别的效率大大降低。特征选择正是为了解决这一问

题，特征选择就是从现有的特征中选择部分与用户活动关联较大的特征组成特征

向量，分类器在训练特征集的时候，选择某种分类算法，最终获得分类器的参考

模型。

在用户活动识别分类阶段，利用分类器训练阶段获得的参考模型，计算待测

样本和参考模型的相似程度，待测样本的分类就是与其相似度最高的类别。

2.2.1传感器信号采集

智