范琳　王勁松

摘要：針對不同用戶攜帶手機的位置和習(xí)慣，分析基于手機傳感器獲取的三軸加速度信息，分別將三軸加速度和合成加速度繪制曲線圖，將圖片輸入CNN進行分類，結(jié)果顯示，三軸加速度曲線能有效的區(qū)分人體日常行為。

關(guān)鍵詞：人體行為識別；加速度曲線；CNN；手機位置無關(guān)；

中圖分類號：TP274+.2 文獻標志碼： A 文章編號：1009-3044（2018）19-0191-02

隨著人們生活質(zhì)量的提高，工作壓力的增大，越來越多的人開始尋求健康的生活方式。各種智能手機、智能手環(huán)和智能穿戴系統(tǒng)興起，能督促用戶每天進行適量的運動。目前的智能手機APP或智能手環(huán)，能進行計步，或者在用戶告知的情況下記錄用戶的跑步時間，越來越多的研究者提倡一種不被察覺的行為識別，利用智能手機的感知和計算能力以及合適的算法來進行移動用戶行為識別。

本文擬采用深度學(xué)習(xí)方法，基于手機內(nèi)置的加速度計采集三軸加速度信息，針對不同用戶攜帶手機的習(xí)慣，從人體不同位置的獲取加速度數(shù)據(jù)，繪制三軸加速度與合成加速度曲線后，輸入CNN網(wǎng)絡(luò)的卷積層、池化層和soft-max分類器進行處理，構(gòu)建一種基于深度學(xué)習(xí)的人體行為識別模型。

1 已有研究

1.1 基于傳統(tǒng)機器學(xué)習(xí)算法的人體行為識別研究

國內(nèi)外在基于智能終端的人體行為識別方面已有若干研究，使用智能終端采集加速度、陀螺儀、麥克風(fēng)等信息，基于傳統(tǒng)機器學(xué)習(xí)方法進行建模。論文[2-7]分別論述了使用多傳感器及傳統(tǒng)機器學(xué)習(xí)算法進行人體行為識別的研究。

1.2 基于深度學(xué)習(xí)算法的人體行為識別研究

深度學(xué)習(xí)動機在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解釋數(shù)據(jù)。隨著深度學(xué)習(xí)的興起，國內(nèi)外展開了基于深度學(xué)習(xí)的人體行為識別研究，因為深度學(xué)習(xí)對圖像和聲音的識別效果非常好，一部分學(xué)者利用深度學(xué)習(xí)中的CNN或DBN算法進行圖像、聲音和視頻處理，來進行智能家居中的人體行為識別。

基于加速度信息的人體行為識別，其中論文[8]提出一種基于加速度計的人體行為識別方法，使用了深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)。構(gòu)建了一種CNN模型，改變了卷積核以適應(yīng)三軸加速度信號的特點。同時在同一數(shù)據(jù)集上將廣泛使用的機器學(xué)習(xí)算法跟深度學(xué)習(xí)比較，包含了8種典型行為，實驗結(jié)果顯示CNN工作良好，不使用特征提取也能達到平均準確率93.8%。論文[9]提出一種腕戴式裝置Wristocracy用于感應(yīng)識別人的用戶（特別是老年人）的行為，用于日常生活行為識別。從多個用戶收集詳盡的家庭為基礎(chǔ)的日常生活活動和IADLs數(shù)據(jù)，基于深度學(xué)習(xí)的監(jiān)督網(wǎng)絡(luò)進行分類。能夠識別22種的日?；顒?。

本文擬采用深度學(xué)習(xí)方法，基于手機內(nèi)置的加速度計采集三軸加速度信息，構(gòu)建一種基于深度學(xué)習(xí)的人體行為識別模型，設(shè)計不同的數(shù)據(jù)組織方式，將人體行為加速度數(shù)據(jù)輸入深度神經(jīng)網(wǎng)絡(luò)，比較在不同數(shù)據(jù)組織方式下的行為識別率，構(gòu)建最優(yōu)深度行為識別模型。

2 基于CNN的人體行為識別模型

課題基于ARM處理器的智能手機作為嵌入式系統(tǒng)硬件平臺，基于Android2.3系統(tǒng)，搭建輕量級行為數(shù)據(jù)采集器，能實時采集加速度信息。在不同手機穿戴位置的情況下，對不同行為進行數(shù)據(jù)采集。實驗設(shè)計如下：采集15名用戶的行為數(shù)據(jù)，其年齡分布為：20-30歲5人，30-40歲8人，40-50歲2人，基本覆蓋智能手機用戶群；采集的行為信息分為5種，分別是靜止、走路、跑步、上樓、下樓；針對每種行為，用戶的手機穿戴位置細分為3種，分別是（a）包里、（b）褲兜、（c）手中，其中手機在包里放置的情況，不區(qū)分圖1中的三種包的情況；每個用戶針對每種行為和位置采集10次運動過程中的加速度信息，每次采集10秒。課題組采集多人運動加速度信息，共包含不同行為不同位置的樣本1973份。

手機被不同的用戶攜帶在不同地方，手機方位在運動過程中是時刻變化的，由此所采集到的三軸加速度中，三個方向的加速度中某一個的變化規(guī)律并不能說明人體運動的規(guī)律。為了消除手機方位的影響，論文將三軸加速度合成，合成加速度[a]能體現(xiàn)人體運動的劇烈程度。

卷積神經(jīng)網(wǎng)絡(luò)在圖片識別領(lǐng)域已經(jīng)獲得了非常好的分類識別效果。借鑒卷積神經(jīng)網(wǎng)絡(luò)在圖片識別領(lǐng)域中的應(yīng)用，提出一種基于加速度圖片的數(shù)據(jù)構(gòu)造方式用于卷積神經(jīng)網(wǎng)絡(luò)在人體行為識別領(lǐng)域中的應(yīng)用。繪制三軸加速度的曲線，并作為圖片輸入CNN。

圖1給出了基于三軸加速度曲線的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)架，網(wǎng)絡(luò)輸入層是經(jīng)過歸一化處理過的大小為28×28的三軸加速度圖片，其中三種不同顏色的線條分別代表x、y、z軸的加速度信息。卷積神經(jīng)網(wǎng)絡(luò)中的池化層由前一層中的局部小矩陣與卷積核卷積得到，輸出為下一層的卷積層；卷積層由前一層池化層中的局部小矩陣經(jīng)過池化過程得到，輸出為下一層的池化層。通過局部感知器能夠抽取到信息源中的局部細微信息，然后將這些局部信息與一個卷積核作卷積計算得到一個特征矩陣，即特征集。在卷積的過程中可以多設(shè)幾組卷積核，每個卷積核的權(quán)值各不相同，這樣就可以獲取到多個特征矩陣，從而能夠通過平均多個特征矩陣的方式較為準確地標識信息源。

3 實驗結(jié)果與分析

采集到的行為信息包括走路、上樓、下樓、靜止和跑步五種行為，合計為1973個樣本。分別基于1973個樣本的三軸加速度計算合成加速度，按照2：1的比例分配訓(xùn)練集和測試集，然后將訓(xùn)練集和測試集對應(yīng)加速度數(shù)據(jù)與合成加速度數(shù)據(jù)畫成像素大小為48×48的方形圖片；最后獲取方形圖片的像素點信息作卷積神經(jīng)網(wǎng)絡(luò)的輸入項輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試。

對于區(qū)別度較大的跑步和靜止而言，基于三軸加速度的測試集分類結(jié)果正確率為85.5和90.1，基于合成加速度的分類結(jié)果正確率為80.6和89.9，而對于區(qū)別度較小的走路、上樓和下樓分類結(jié)果不太理想。深度學(xué)習(xí)對數(shù)據(jù)量大的信息，分類效果更好：對于三軸加速度和合成加速度而言，三軸加速度包含的信息更多，因此分類效果更好；而原始加速度數(shù)據(jù)構(gòu)造的矩陣，其矩陣內(nèi)部都是有效信息值，而繪制成圖片后，在圖片中大量信息為空白，只有中間的曲線包含有效值，為稀疏矩陣，因此識別準確率不高。

4 結(jié)論

針對不同用戶攜帶手機的位置和習(xí)慣，分析基于手機傳感器獲取的三軸加速度信息，分別將三軸加速度和合成加速度繪制曲線圖，將圖片輸入CNN進行分類，并將原始三軸加速度數(shù)據(jù)構(gòu)造矩陣送入CNN，結(jié)果顯示，三軸加速度數(shù)據(jù)構(gòu)造的矩陣分類效果要優(yōu)于曲線圖，基于三軸加速度構(gòu)建的人體行為識別模型能有效地區(qū)分五種人體日常行為。

參考文獻：

[1] Hinton，Geoffrey E，Ruslan R.Reducing the Dimensionality of Data with Neural Networks[J].Science，2006，313（5786）：504-507.

[2] Bao L.and Intille S.，Activity recognition from user annotated acceleration data[J].Pervasive Computing.LNCS vol 3001，2004：1-17.

[3] N Ravi，N.Dandekar，P.Mysore，and M.L.Littman. Activity recognition from accelerometer data[C].In Proceedings of AAAI，2005：1541-1546.