基于启发式集成特征选择的人体活动识别

针对人为提取的冗余特征集和无关特征集导致可穿戴传感器的人体活动识别分类性能降低的问题,提出一种基于启发式集成特征选择的人体活动识别方法。该方法首先选取了包含功率谱密度(Power spectrum density,PSD)的特征集用于识别易混淆的活动,在此基础上借助皮尔逊系数法(Pearson correlation coefficient,PCC)筛选出低相关的特征子集,然后使用改进的正余弦优化算法(Sine cosine algorithm,SCA)进行特征优化,通过两次特征筛选得到最优特征子集。实验结果表明,在实验室采集的数据集中使用该方法后的特征子集维数为34,识别准确率达到了98.21%。在公开的SCUT-NAA数据集中进行对比实验,特征子集维数为39,低于以往基于该数据集研究方法的特征维数,并且识别准确率达到了96.51%。

基于多特征融合的活动识别算法

基于可穿戴传感器的人体活动识别技术在许多领域应用广泛,从人体活动信号中提取丰富的特征是提高活动识别准确率的关键技术之一。为此,提出基于傅里叶描述子(FDs)、局部二值特征(LBP)和小波能量谱(WES)的融合特征提取人体活动的详细信息。为提高识别系统的可靠性,去除对识别精度没有影响的冗余特征,引入过滤式选择算法Relief-F进行特征选择,筛选对不同活动具有较高区分度的特征,然后利用随机森林分类器对多种不同活动进行精确识别。基于Python3.6平台,在公开的WISDM和ADL数据集上验证该算法的有效性。实验结果表明,多特征融合算法对WISDM和ADL数据集分别取得了94.5%和95.3%的识别准确率,识别效果明显优于单一特征算法,具有很强的鲁棒性。