基於穿戴傳感器和機器學習的人體行為識別

第1章 緒論 1
1.1 人體行為識別研究的背景及意義 1
1.2 穿戴行為識別研究 4
1.3 人體行為數據增強與預測 8
參考文獻 10
第2章 人體行為識別基礎 16
2.1 人體行為識別的一般流程 16
2.2 傳感器形式 18
2.3 穿戴傳感器及其佈局 18
2.3.1 穿戴傳感器類型 18
2.3.2 穿戴傳感器的佈局方式 21
2.4 穿戴傳感器數據預處理 24
2.5 特徵提取與選擇 25
2.5.1 人工提取的特徵 25
2.5.2 自動學習的特徵 28
2.5.3 特徵降維與特徵選擇 28
2.6 人體行為識別模型 30
2.7 人體行為識別評價指標 37
2.8 本章小結 37
參考文獻 38
第3章 基於傳統機器學習的人體行為識別研究 50
3.1 實驗方法及設計 50
3.1.1 實驗系統設計 50
3.1.2 混合感知與佈局 53
3.1.3 特徵提取與選擇方法 57
3.1.4 識別模型及性能評估 58
3.2 數據採集和數據處理 61
3.2.1 行為定義和穿戴行為數據採集 61
3.2.2 環境數據 64
3.2.3 人工特徵集 65
3.2.4 穿戴行為數據窗口分割 68
3.2.5 互信息特徵選擇方法評估擴展特徵貢獻 70
3.3 核典型相關分析特徵選擇mRMJR-KCCA 70
3.3.1 互信息和核典型相關分析（KCCA） 71
3.3.2 mRMJR-KCCA特徵選擇 73
3.3.3 不同穿戴傳感器對行為識別的貢獻研究 77
3.3.4 mRMJR-KCCA衡量穿戴傳感器擴展特徵貢獻 82
3.4 穿戴感知數據和環境感知數據融合研究 87
3.4.1 PIR傳感器識別日常行為規律 88
3.4.2 互信息特徵選擇衡量穿戴行為數據與環境數據融合 89
3.4.3 mRJMR-KCCA衡量混合感知數據融合 94
3.5 本章小結 100
參考文獻 101
第4章 基於深度學習的腕部穿戴人體行為識別研究 106
4.1 腕部行為數據採集 106
4.2 多層LSTM行為識別模型的建立 108
4.3 註意力機制模型的建立 109
4.3.1 註意力機制 109
4.3.2 註意力分佈 110
4.3.3 加權平均 111
4.3.4 多階段註意力機制模型 111
4.4 腕部穿戴傳感器局部移位及補償研究 114
4.4.1 混合位置行為識別補償 116
4.4.2 基於姿態角的反饋原理行為識別補償 118
4.4.3 基於源位置的遷移微調行為識別補償 121
4.5 本章小結 126
參考文獻 127
第5章 基於深度學習的多位置穿戴人體行為識別研究 129
5.1 多位置穿戴行為數據採集 129
5.2 MhaGNN框架和基準模型 132
5.3 多位置穿戴行為識別魯棒性特徵提取研究 134
5.3.1 多位置穿戴行為識別實驗設置 134
5.3.2 MhaGNN框架實驗結果 135
5.3.3 MhaGNN框架與其他模型對比分析 137
5.3.4 MhaGNN框架與基準模型對比分析 140
5.4 本章小結 143
參考文獻 143
第6章 基於生成對抗網絡的人體步態數據增強與預測 146
6.1 下肢康復機器人 146
6.2 時間序列數據增強與預測 149
6.2.1 時間序列數據增強方法 149
6.2.2 時間序列數據預測方法 150
6.3 步態增強與預測研究框架 152
6.3.1 人體步態動作捕獲系統 152
6.3.2 步態數據採集與預處理 153
6.3.3 生成對抗網絡 155
6.4 基於GAN網絡的人體步態數據增強 157
6.4.1 增強模型建立及實驗設置 157
6.4.2 多維時間序列步態數據增強模型 158
6.4.3 度量結果分析 162
6.5 步態軌跡預測 167
6.5.1 基於LSTM的步態軌跡預測 168
6.5.2 基於註意力機制的步態軌跡預測 168
6.5.3 軌跡預測結果分析 169
6.6 本章小結 173
參考文獻 173
第7章 結論與展望 179
7.1 本書內容總結 179
7.2 未來研究展望 181