基于可穿戴式传感网络的人体异常行为识别-计算机应用技术专业论文.docx

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 作为普适计算一个重要的研究领域，人体行为识别可以了解人体的活动行为、运动强度 和能量消耗等状态信息。而随着传感技术和低功耗无线通信技术的发展，利用无线可穿戴技 术进行人体行为识别，进一步推进了人体行为识别在智能家居、老人监护、病人监护和运动 员康复训练等领域的广泛应用。 当前利用可穿戴技术识别人体行为，主要集中于计步、老年人跌倒等日常活动，而对于 特殊人群的异常活动，如监狱囚犯，特殊对象的打架斗殴等暴力行为的监控研究较少。对于 这类人群的异常行为监控，在异常行为发生时及时告警，可以在短时间内采取合适措施，阻 止危险事故进一步发生。本论文基于无线可穿戴技术，利用三轴加速度传感器，实时监测人 体行走、站立时的活动信息，采用时域的均值、方差、标准差作为各类行为的特征值，判断 人体异常行为。具体工作包括如下内容： （1）分析比较离线状态下支持向量机(Support Vector Machine, SVM)、K-近邻算法 (K-Nearest Neighbors, KNN)、决策树算法(Decision Tree, DT)和朴素贝叶斯(Na?ve Bayes, NB) 等分类算法进行异常行为识别时的准确率和计算复杂度，结果表明 KNN 算法的异常行为识 别效果最好。重点分析了 KNN 算法中不同 K 值下的行为识别准确率，当 K 等于 5、7、9、 11 时，其准确率达到 95%以上。 （2）为适用于可穿戴设备，重点分析了 KNN 算法实现时，不同训练样本数对算法行为 识别时的准确率和计算复杂度影响。发现在减少训练样本时，行为识别准确率影响不是很大。 如训练样本从 479 减少到 128 时，异常行为识别的准确率减少 5%左右，而训练样本从 128 减少到 64 时，异常行为识别的准确率减少 2%左右。并采用 ReliefF 算法计算各维特征的权重， 对小样本下的 KNN 算法进行改进。 （3）在可穿戴式传感器平台 Shimmer 上，验证了 KNN 算法。发现在可穿戴平台上，受 限于节点处理能力和内存，需对算法进行优化。将训练样本中均值、方差、标准差组成的 9 维特征矩阵，减少为只有均值的 3 维特征矩阵后，在线异常行为识别的准确率在 60%左右。 本文的研究工作在异常行为识别领域具有一定的学术价值，在社会或监狱的特殊人群异 常行为监控领域具有一定的应用前景。 关键词: 行为检测，活动识别，可穿戴，传感器，分类算法 I Abstract Abstract Behavior detection is one of important research fields of ubiquitous computing, which might understand the status of human such as behavior, activity strength and energy consumption. With the development of sensor technique and low power wireless communication technique, behavior detection with wireless wearable technique extends its wide applications such as smart home, elder person monitoring, patient monitoring and rehabilitation training of athletes, etc.. Currently, behavior detection with w