Physical Human Activity Recognition Using Wearable Sensors

Attal, Ferhat; Mohammed, Samer; Dedabrishvili, Mariam; Chamroukhi, Faicel; Oukhellou, Latifa; Amirat, Yacine

doi:10.3390/s151229858

开放式访问审查

基于可穿戴传感器的人体物理活动识别

¹

法国维特里·苏尔·塞纳94400，保罗·阿曼戈街122号，巴黎大学（UPEC）图像、信号和智能系统实验室（LISSI）

²

信息科学与系统实验室（LSIS，CNRS-UMR7296），土伦大学，巴廷特R，BP 20132，法国La Garde Cedex 83957

^三

法国运输、发展和网络科学技术研究所（IFSTTAR），巴黎埃斯特大学，COSYS，GRETTIA，Marne la Valleée F-77447，France

^*

信件应寄给的作者。

传感器 2015,15(12), 31314-31338;https://doi.org/10.3390/s151229858

收到的提交文件：2015年9月11日/修订日期：2015年12月2日/接受日期：2015年12月8日/发布日期：2015年12月11日

（本条属于本节物理传感器)

下载

浏览地物

版本说明

摘要

:

本文综述了用于从可穿戴惯性传感器数据中识别人类活动的不同分类技术。本研究中使用了三个惯性传感器单元，健康受试者在上肢/下肢关键点（胸部、右大腿和左脚踝）佩戴。三个主要步骤描述了活动识别过程：传感器放置、数据预处理和数据分类。比较了k近邻（k-NN）、支持向量机（SVM）、高斯混合模型（GMM）和随机森林（RF）四种监督分类技术以及k均值、高斯混合模式（GMM，F-测量、召回、精确度和特异性。原始数据和提取的特征分别用作每个分类器的输入。使用基于RF算法的包装器方法进行特征选择。基于我们的实验，获得的结果表明，与其他监督分类算法相比，k-NN分类器提供了最佳的性能，而HMM分类器是无监督分类算法中获得最佳结果的分类器。这一比较突出了哪种方法在监督和非监督环境中都能提供更好的性能。应该注意的是，所获得的结果仅限于本研究的背景，该研究涉及使用放置在受试者胸部、右小腿和左脚踝的三个可穿戴加速计对主要日常人类活动进行分类。

关键词：

活动识别;可穿戴传感器;智能空间;数据分类器;加速度计;体力活动

1.简介

世界各地老龄化人口不断增加。在过去十年中，老年人积极参与社会，从社会和经济角度来看，这是一项重大挑战。目前，在老年人的日常活动中提供帮助，提高他们的安全性、幸福感和自主性，被认为是非常令人感兴趣的关键研究挑战。基于新的可穿戴技术（可穿戴传感器和配件、智能手机、，等）是这些重要挑战之一。识别和监测人类活动是向独居老人、身体或精神残疾人士以及儿童提供医疗保健和援助服务的基本功能。这些人群需要对其活动进行持续监测，以检测异常情况或防止摔倒等不可预测的事件[1]. 健康监测设备的新技术涵盖从身体上可穿戴传感器到体内传感器。例如，生物传感器通常用于监测生命体征，如心电图（ECG）、肌电图（EMG）、血压、心率和温度[2]. 癫痫、高血压、心境恶劣和哮喘等疾病可以通过生理监测进行诊断和治疗。倾角仪和测角仪是用于测量上/下肢运动的其他类型的传感器[三]. 尽管使用可穿戴传感器的远程监控系统有潜在收益，但在设计易于使用且佩戴者舒适的可穿戴传感器方面，技术进步仍然存在挑战[4]. 不断减小这些传感器的尺寸和能耗是需要解决的另一个挑战。

本文重点回顾了在对老年人或受抚养人进行远程监控的背景下，使用可穿戴传感器进行人类活动识别的研究进展(图1). 家庭支持环境使用非侵入式可穿戴传感器提供趋势数据和事件检测。这有助于快速测量和快速验收。通过实时处理和数据传输，医疗供应商将能够在日常活动中监控受试者的运动，并检测可能发生的不可预测事件，如摔倒[1]. 受试者的记录可用于医疗决策支持、预测和预防。

图1。基于可穿戴传感器的远程健康监测架构。

图1。基于可穿戴传感器的远程健康监测体系结构。

惯性传感器主要用于飞机、船舶、陆地车辆和机器人的导航，也用于几个行业的冲击和振动分析。微电子机械系统技术的快速发展促进了小型、轻型和低成本惯性传感器的发展[5]. 目前，许多制造商建议使用易于安装和磨损的惯性传感器。这些传感器允许人们在自由生活条件下和长时间内收集日常生活活动的数据。就要监测的活动种类及其分类精度而言，人体上惯性传感器的数量和位置对活动识别有直接影响。使用单个或多个摄像机的基于视觉的系统也用于识别日常生活活动。当活动主要在办公室或家庭环境等小区域进行时，这些系统适用于运动捕捉。最流行的系统是微软最近发布的Kinect传感器。它包括一个红外深度成像相机和一个标准RGB相机。这种传感器有几个优点，例如成本低、深度信息和随时操作的能力，甚至在夜间。然而，它在自然光照条件下的性能较低，导致感兴趣点的阴影[6]. Kinect的其他缺点还包括无法远距离记录移动对象，以及对表面纹理的依赖性和混乱环境中的遮挡问题。此外，与可穿戴式惯性传感器相比，图像处理产生的计算和存储成本相对较高。

本文利用可穿戴式惯性传感器对人类日常生活活动进行分类。走路、躺着、站着、，等.是这些活动的示例。在本研究中，使用三个惯性传感器收集数据集，包括12项日常生活活动，即：站立、下楼梯、坐、坐下来、坐在地面上、从坐到坐在地面、从躺到坐在地上、躺下、躺下，行走、爬楼梯和站起来。这些选定活动的选择代表了大多数日常生活活动[7]. 除了这些基本活动外，还强调了这些活动之间的动态过渡，这些活动构成了老年人更易受伤和可能跌倒的阶段，例如坐下来、站起来、从坐到坐在地上。大多数选定的活动用于与老年受试者的人类活动识别相关的近期研究[8,9]. 四种监督分类技术，即k-最近邻（k-NN）、支持向量机（SVM）、监督学习高斯混合模型（SLGMM）和随机森林（RF），以及三种非监督分类技术（k-均值、高斯混合模型和隐马尔可夫模型（HMM），在正确分类率、F度量、召回率、精确度和特异性方面进行了比较。实现几种分类技术的主要目标是使用实际数据集审查、比较和评估其性能。原始数据和提取的特征分别用作每个分类器的输入。将不同健康受试者佩戴的惯性传感器装置放置在上下肢关键点（胸部、右大腿和左脚踝）。活动识别过程包括三个主要步骤：传感器放置、数据预处理和数据分类。与本研究相同背景下的其他近期研究工作不同，本文仅使用加速度数据作为估算活动的方式[5,10]. 此外，还提供了非监督分类算法的结果并进行了分析。

本文组织如下：第2节介绍了可穿戴传感器的放置背景、数据预处理，包括特征提取/选择和分类技术在人类活动识别领域的应用。采用的方法包括数据采集过程、在监督/非监督环境中使用不同分类器以及性能评估，如第3节.第4节给出了使用真实数据集（原始数据和提取/选择的特征）获得的实验结果。最后，本文给出了结论和一些研究展望第5节.

2.传感器放置、数据预处理和分类技术的背景

在本节中，我们介绍了可穿戴传感器的放置、预处理数据（包括特征提取和选择）以及人类活动识别领域中使用的分类技术的背景。

2.1. 可穿戴传感器的放置

可穿戴传感器的放置与传感器的放置位置以及如何连接到这些位置有关。事实上，可穿戴传感器的放置对人体运动的测量有直接影响[11]，但对于特定应用来说，理想的传感器位置仍然是一个争论不休的话题[12]. 如所示图2，可穿戴传感器可以放置在人体的不同部位。特别是，传感器通常放置在胸骨上[13]，下背部[14]、和腰围[15]. 可穿戴传感器的腰部位置可以更好地代表大多数人体运动，因为它们接近人体重心[16].

各种研究将多个加速计连接在身体的不同位置（参见表1). 大多数这些研究都强调，许多传感器的放置可能会给佩戴者带来负担，这导致我们将重点放在确定传感器的最小数量及其相关位置上，同时确保足够高的活动识别率。事实上，这一速度随着可穿戴加速度计的数量而降低。如中所述表1，人类活动识别率的准确率达到83%至100%[14,17,18,19]. 在[19]通过40个随机选择的任务，对坐姿、躺姿、站立和行走等活动的识别准确率达到100%。这个结果在某种程度上是有缺陷的，因为它是在非常简单的活动上获得的，而对复杂活动的性能没有进行评估。

表1。用于人类活动识别的加速度计放置研究综述。

**表1。**用于人类活动识别的加速度计放置研究综述。
参考	加速度计的放置	检测到的活动	分类准确度的平均值（%）
卡兰托尼斯等。, 2006 [15]	腰围	行走、摔倒	90.8%
Mathie，2004年[18]	腰围	摔倒、行走、坐下、站立、躺下	98.9%
杨等。, 2008 [20]	手腕	走路、跑步、擦洗、站立、在电脑前工作、吸尘、刷牙坐着	95%
Pirttikangas，2006年[21]	大腿、项链、手腕	打字、看电视、喝酒、楼梯升降	91.5%
Parkka，2006年[17]	腕部，胸部	躺、坐、走、划船和骑自行车	83.3%
奥尔古，2006年[22]	手腕、胸部、臀部	坐、跑、走、站、躺、爬	92.13%
博诺米，2009年[14]	下背部	躺着、坐着、站着、玩电脑、走路、跑步、骑自行车	93%
Yeoh，2008年[19]	大腿、腰部	坐、卧、立和行走速度	100%
里昂，2005年[23]	大腿，躯干	坐、站、躺、动	92.25%
萨拉人等。, 2007 [24]	行李箱、柄（IMU传感器）	14项日常生活活动	-
Gjoreski，2011年[25]	大腿、腰部、胸部、脚踝	躺着、坐着、站着、四个人、过渡	91%
Chamroukhi，2013年[7]	胸部、大腿、脚踝	楼梯升降、行走、坐、站、坐在地上	90.3%
巴亚特等。, 2014 [26]	口袋，手	慢走、快走、跑步、上楼梯、下楼梯和跳舞	91.15%
Moncada-Torres，2014年[27]	胸部、大腿、脚踝	16项日常生活活动	89.08%
古普塔等。2014 [28]	腰围	步行、跳跃、跑步、坐对站/站对坐、站对膝对站和静止	98%
加西亚-凯亚等。, 2014 [29]	手腕	长期活动（购物、淋浴、晚餐、工作、通勤、刷牙）	98%
高等。, 2014 [8]	胸部、腰部、大腿、侧面	站立、坐着、躺着、行走和过渡	96.4%
弥撒等。[30]	行李箱（IMU和大气压力传感器）	坐、站、走、躺	90.4%

克利兰等。[12]报道了他们对日常活动的调查，如步行、在电动跑步机上慢跑、坐、躺、站、爬楼梯和下楼。数据来自放置在身体不同位置（胸部、左髋、左腕、左大腿、左脚和下背部）的六个传感器。这项研究的结果表明，放置在臀部的传感器提供了识别大多数日常活动的最佳方法。

图2。可穿戴传感器放置的图示。

其他研究人员研究了用于人类活动识别的加速计的最佳位置。格约尔斯基等。[25]研究了坠落检测用加速度计的最佳位置。在胸部、腰部、脚踝和大腿处放置了四个加速计。作者指出，通过将放置在胸部或腰部和脚踝的传感器组合在一起，可以获得最佳的准确率。查姆鲁基等。[7]还评估了传感器数量及其位置对人类活动识别准确性的影响。对于胸部、大腿和脚踝上有三个传感器的配置，获得了最佳结果。这些结果表明，通过组合位于身体上部和下部的加速计，可以显著提高人类活动识别能力。

根据Karantonis的说法[15]、马西[18]、帕克卡[17]和Yang[20]从放置在腰部的传感器上获取的数据提供了许多活动的相关信息，例如坐、站、走、各种姿势的躺着、跑步、爬楼梯和爬楼梯、吸尘和擦洗。其他加速计放置位置，如腕部、胸部、臀部、下背部、，大腿和躯干也被用来识别躺着、坐着、走路、跑步、骑自行车、在电脑上工作、，等。[14,19,22,23]. 至于打字、看电视、喝酒、爬楼梯和下楼的识别，Pirttikangas等。[21]将手腕、大腿和项链用作身体上的相关传感器放置位置。

拉吉等。[31]对人类日常活动进行分类，例如步行、跑步、上下楼梯或使用带有嵌入式三轴加速度计的手表驾驶车辆。手持式加速度计也可以用来估计睡眠时间和睡眠期间的活动水平[32]. 踝关节加速计能够有效估计步长、行程、速度和能量消耗[17,33]. 位于头部顶部的加速计也用于测量行走时的平衡[34].

在[8]作者对基于加速度计的多传感器进行了评估与活动识别中的单传感器。比较了六种具有代表性的单传感器或多传感器可穿戴系统的性能。作者表明，多传感器系统具有最高的识别率。在[30]提出了一种基于事件的活动分类器，用于使用集成气压（BP）和惯性传感器的树干固定传感器监测和识别运动障碍中风患者的日常生活活动。作者提出了一种双阶段层次模糊逻辑推理系统。第一阶段处理诸如躺下或行走阶段的开始/结束等事件，并检测姿势转换，而第二阶段通过提供一种简单的方法来整合受试者的典型行为和生物力学约束来改进活动识别。

传感器与人体的连接包括将传感器直接固定在皮肤上[13]以及使用各种皮带、腰带和腕带[34,35]. 可穿戴设备也可以集成到衣服中。为了避免传感器与人体之间的相对运动，应将可穿戴传感器正确安装在人体上。否则，这些传感器的振动或位移可能会导致信号干扰，从而降低测量精度。

新技术的进步和智能手机在我们日常生活中的入侵为日常人类活动研究提供了新的机会。最近，许多系统被提议使用从手机获取的数据来识别日常生活中的人类活动[26,36]. Garcia-Ceja使用腕表收集的加速计数据等。[29]分割长期活动。根据用于人类活动识别的传感器布置组合的研究概述如下表1.

虽然传感器的类型、数量和位置对于确保相对较高的人类活动识别率很重要，但也应考虑到与接受此类传感器和佩戴者隐私相关的问题。这些方面在[37]在该研究中，作者调查了用于家庭活动监测的不同类型的监测技术及其对佩戴者的影响。

2.2. 预处理

数据预处理是数据挖掘过程中最重要的步骤之一。它包括过滤数据、替换缺失值和异常值以及提取/选择特征。为了从原始数据中提取特征，通常使用窗口技术，包括将传感器信号划分为小时间段。然后将分割和分类算法分别应用于每个窗口。通常使用三种窗口技术：（i）滑动窗口，信号被划分为固定长度的窗口；（ii）事件定义窗口，其中需要进行预处理以定位特定事件，并进一步用于定义连续的数据分区；（iii）活动定义窗口，其数据分区基于活动更改的检测。滑动窗口方法非常适合实时应用，因为它不需要任何预处理处理[三].

2.2.1. 特征计算

惯性数据中的人类活动识别通常在特征提取步骤之前进行。信号特征（如时域和频域特征）广泛用于特征计算。时域特征包括平均值、中值、方差、偏度、峰度、范围、，等频域特征通常包括峰值频率、峰值功率、不同频带上的谱功率和谱熵。用于人类活动识别的一些常见时域和频域特征如下所示：

时域功能

时域特征包括平均值、中值、方差、偏度、峰度、范围、，等这些特征广泛应用于人类活动识别领域[5,38,39]. 布滕等。[39]，应用积分方法使用惯性传感器提供能量消耗的估计。作者使用了总加速度模量积分（IMA）。该度量是指加速度计信号模块的时间积分（方程（4））：

我 M（M） {A类}_{t吨 o（o） t吨} = \int_{t吨 = 1}^{N个} | 一_{x个} | d日 t吨 + \int_{t吨 = 0}^{N个} | 一_{年} | d日 t吨 + \int_{t吨 = 0}^{N个} | 一_{z（z）} | d日 t吨

(1)

哪里

一_{x个}

,

一_{年}

,

一_{z（z）}

表示加速度的正交分量，t吨表示时间和N个表示窗口长度。

其他时域特征，如过零相关系数均方根，等.也用于[40].

频域特征

离散傅里叶变换（DFT）用于计算离散数据信号的频谱x个DFT描述如下[41]:

X（X） (（f）) = \sum_{我 = 0}^{N个 - 1} {x个}_{我} {电子}^{- j个 2 π （f） 我 / N个}

(2)

哪里X（X）表示频谱，（f）这个（f） ^第个频域中的傅里叶系数和N个滑动窗的长度。方程式（5）可以使用以下形式重写：

X（X） (（f）) = \sum_{我 = 0}^{N个 - 1} 一_{我} + j个 {b条}_{我}

(3)

具有

一_{我} = {x个}_{我} 余弦 (\frac{2 π （f） 我}{N个})

和

{b条}_{我} = {x个}_{我} 罪 (\frac{2 π （f） 我}{N个})

.

用于人类活动识别的最重要的频域特征之一是功率谱密度（PSD）。此功能已被使用[42]识别步行、骑自行车、跑步和驾驶等活动。PSD可以计算为滑动窗长度归一化的光谱系数的平方和：

P（P） (（f）) = \frac{1}{N个} \sum_{我 = 0}^{N个 - 1} 一_{我}^{2} + {b条}_{我}^{2}

(4)

峰值频率表示滑动窗口上计算出的最高功率谱密度对应的频率。峰值频率已用于多项与活动识别相关的研究[40,42,43].

熵是人类活动识别中广泛使用的另一个特征[44]. 通常，此功能有助于区分具有相同PSD但不同运动模式的活动[43]. 熵的公式如下：

小时 (（f）) = \frac{1}{N个} \sum_{我 = 0}^{N个 - 1} {c（c）}_{我} 日志 ({c（c）}_{我}), {c（c）}_{我} = \frac{\sqrt{一_{我}^{2} + {b条}_{我}^{2}}}{\sum_{k个 = 0}^{N个 - 1} \sqrt{一_{我}^{2} + {b条}_{我}^{2}}}

(5)

DC组件是另一个重要特征，也用于人类活动识别[43] . 它表示PDS频率（f）=0赫兹。它可以表示为滑动窗口长度归一化的实际光谱系数的平方和：

D类 C类 = \frac{1}{N个} \sum_{我 = 0}^{N个 - 1} 一_{我}^{2}

(6)

基于小波分析的其他频域特征也用于人类活动识别。更多信息请参考读者[40,45].

2.2.2. 功能选择

特征选择包括从原始特征集中选择相关特征的子集[46]. 为了区分样本，分类算法需要具有代表性的特征。使用不适当或冗余的特征可能会降低分类算法的性能。

这可能导致维数问题的恶化和分类器性能的降低，因此，选择数量较少的特征，这些特征在类之间具有最佳的区分能力，在数据挖掘中具有重要意义。特征选择过程定义为从原始集合中搜索适当特征子集的过程。特征选择是使用机器学习算法的一个重要步骤，因为它减少了计算时间和复杂性，同时提高了总体分类率。

线路接口单元等。[47]在三维框架中将特征选择过程分类为数据挖掘任务、评估标准和搜索策略。特征选择过程通常分为三类：过滤方法[47]，包装方法[48]和混合方法[49]. 过滤方法通过利用特征的固有属性直接对数据集进行操作。这些方法根据每个特征的估计权重对一组选定特征进行排序。应该注意的是，过滤方法在选择过程中不使用任何分类器。与过滤方法不同，包装方法通常会产生更好的结果，它使用分类器根据其预测准确性评估所选子集。最后，混合方法根据机器学习算法的一些内部参数选择最相关的子集。在这些方法中，特征选择过程中不需要验证步骤。有关在人类活动识别应用程序中使用特征选择方法的更多详细信息，请读者参考一些相关工作[50,51].

2.2.3. 特征提取

原始特征的组合是选择相关特征子集的另一种方法。该技术包括合并原始特征集，以定义新的相关特征集。换句话说，特征提取是将高维数据转换为降维的有意义的表示数据。特征提取的主要优点是它有助于高维数据的分类和可视化。

最流行的特征提取技术是主成分分析（PCA）[52]，这是一种线性技术，包括将原始特征（通常是互相关的）转换为新的互不相关特征。这些新功能就是所谓的主要组件。主成分分析的主要思想是将原始特征重新映射到一个低维空间中，在该空间中，主成分根据其方差（从最大到最小）进行排列。忽略了导致方差非常低的主要成分。

线性判别分析（LDA）还通过线性变换提取特征。LDA与主成分分析（PCA）密切相关，因为这两种方法都试图找到变量的线性组合，这最能代表数据[53]. LDA方法将原始特征点投影到一个新的低维空间中，该空间最大化类间可分性，同时最小化类内可变性，这与PCA不同，PCA不考虑类间差异。

独立成分分析（ICA）[54]是另一种常用于非高斯数据的特征提取技术。该技术最初是为了解决盲源分离（BSS）问题而开发的。ICA搜索原始特征的投影，以便投影数据的概率分布在统计上独立。ICA算法旨在找到独立的组件，例如可以表示为这些组件的线性组合的原始特征。

数据挖掘中使用的另一种特征提取方法是因子分析（FA）。在FA方法中，可以根据原始特征的相关性对其进行分组，然而，FA表示通过某种因素与其他组中的特征高度相关但相关性较小的每组特征。有关在人类活动识别应用程序中使用特征提取方法的更多详细信息，请读者参阅[50,51,55,56].

2.3. 分类技术

从原始传感器数据中提取/选择的特征用作分类算法的输入。在人类活动识别的情况下，输入数据的模式与所考虑的活动（类）相关联。通常，分类任务需要学习将输入数据与类关联起来的决策规则或函数。机器学习技术有两个主要方向：有监督方法和无监督方法[54,57,58]. 分类的监督学习方法，如人工神经网络[57]、支持向量机（SVM）[59]，需要完全标记的活动数据。非监督学习方法，如基于高斯混合模型（GMM）、隐马尔可夫模型（HMM）的方法[60]允许从数据中自动推断标签。

在以下章节中，我们简要介绍了本研究中使用的分类技术（GMM、k-最近邻（k-NN）、SVM、随机森林（RFs）、k-均值和HMM），以及在人类活动识别中广泛使用的其他技术，如多层感知器、朴素贝叶斯、层次分类、，等.

2.3.1. k-最近邻居

k-最近邻（k-NN）[54,58]是一种有监督的分类技术，可以看作是一种直接的分类方法，因为它不需要学习过程。它只需要存储整个数据。为了对新观测值进行分类，K-NN算法利用训练集与新观测值之间的相似性（距离）原则进行分类。新观察结果通过其k个最近邻的多数投票被分配给最常见的类。使用称为相似函数（如欧几里德距离）的距离度量来计算观测值的相邻距离。此外，应该注意，当使用K-NN方法并将新样本分配给一个类时，距离的计算(即，计算时间）随数据集中现有示例的增加而增加[61].

福斯特等。[62]第一个应用k-NN分类，利用三个单轴加速度计获得的时域特征来区分九种人类活动。在[63]Foerster和Fahrenberg将k-NN与层次决策方法相结合，使用频域特征识别九种活动。与k-NN相比，该方法在分类精度方面更有效。其他基于k-NN的人类活动识别研究也显示了较高的准确性和令人满意的分割结果[7,64].

2.3.2. 支持向量机

Vapnik推出的支持向量机（SVM）[59]是从统计学习理论中派生出来的分类器。这种众所周知的机器学习技术将经验风险最小化（作为成本函数），同时最大化所谓的分离超平面和数据之间的裕度。

在其标准公式中，SVM是线性分类器。然而，非线性分类可以通过使用核方法扩展SVM来实现[65]. 核方法的核心思想是利用给定的非线性核函数将数据从原始数据空间投影到一个称为特征空间的高维空间。然后可以使用Cover定理在生成的特征空间中实现线性分离[66]. 此外，SVM是一种二进制分类器；因此，为了确保多类分类，可以使用成对分类（对于所有优化类，一个SVM是由一个类针对所有凸类定义的），这使得它非常耗时，尤其是在数据量很大的情况下。

Huynh和Schiele[67]为了增强标准朴素贝叶斯分类器（参见第2.3.7节)使用少量训练数据。克劳斯等。[68]考虑了使用SVM识别八种常见活动，并观察到频域特征比时域特征的识别效果更好。

Doukas和Maglogiannis[69]和张等。[64]应用支持向量机技术区分跌倒和其他活动。使用麦克风和三轴加速度计识别跌倒和两种活动：行走和跑步。识别率介于84%和96%之间。

2.3.3. 随机森林

随机森林（RF）[70]由决策树的组合组成。在决策树构建中，通过将bootstrap聚合（bagging）方法与随机选择分区数据节点相结合，提高了单树分类器的分类性能。将新的观测向量分配给一个类是基于构成森林的每棵树所提供的不同决策的多数票。然而，射频需要大量的标记数据才能实现良好的性能。

在[71]作者提出了一种分类方法，通过比较不同的机器学习技术（Random Forests、SVM和Naive Bayes），利用加速度数据识别不同类别的运动，例如驾驶汽车、坐火车和行走。作者表明，随机森林算法提供了最高的平均精度，优于SVM和朴素贝叶斯。

2.3.4. 高斯混合模型

高斯混合模型（GMM）是一种概率方法，通常用于无监督分类。与基于单个高斯分量密度近似数据的标准概率模型不同，GMM使用有限高斯分量密度的加权和。使用期望最大化（EM）算法估计GMM的参数（高斯分量的比例、平均向量和协方差矩阵）[72]. 使用构建的特征进行人类活动识别，可以针对不同的活动学习不同的GMM。然后可以通过选择具有最高后验概率的GMM来进行数据分类。该模型的缺点之一是，在许多情况下，GMM不能保证收敛到全局最小值，需要特别注意EM算法的初始化。GMM已应用于人类活动识别的若干研究，如[73].

2.3.5. 聚类

K-means是一种著名的无监督分类技术，可以进行聚类n个对象到k个类。K-means聚类最大限度地减少了作为代价函数的总簇内方差的失真度量。这包括迭代查找簇质心，然后根据数据到簇质心的距离（例如，欧几里德）分配数据，直到收敛。k-means的一个已知局限性是，它在重叠簇（类）的情况下可能表现不佳，并且它没有定义数据的密度，因此无法测量数据分类的不确定性，特别是在重叠区域。关于使用K-means进行人类活动识别，读者可以参考[74,75].

2.3.6. 马尔可夫链和隐马尔可夫模型

马尔可夫链表示一个离散时间随机过程，它包含有限个状态，其中当前状态依赖于前一个状态[7]. 在人类活动识别的情况下，每个活动都用一个状态表示。马尔可夫链非常适合对序列数据进行建模，并且通常用于更通用的模型，即隐马尔可夫模型（HMM）。

HMM假设观察到的序列由隐藏状态（活动）序列控制。一旦HMM经过训练，就可以使用维特比算法确定最可能的活动序列[76]. 与GMM的情况一样，HMM的缺点之一是，在许多情况下，该模型不能保证收敛到全局最小值，需要特别注意HMM上下文中称为Baum-Welch算法的EM算法的初始化。

在[77]HMM用于两级分类方案中，以区分不同的日常生活活动。使用决策树桩的后验概率对HMM进行训练，以利用经过鉴别训练的分类器（决策树桩）的结果，并降低HMM的复杂性。

HMM也被用作人类活动识别研究的非监督学习算法的一部分[78,79,80]. 在这些研究中，使用HMM工具箱开发了具有GMM发射密度的HMM[81]. 下一节简要总结了用于人类活动识别的其他有用技术。

2.3.7. 用于活动识别的其他分类技术

为了定义给定的活动，基于阈值的分类器将不同的特征与用户通常固定的预定义阈值进行比较。这种方法足以识别静态姿势，例如站立、坐着和躺着[82,83]. 还使用传统的基于阈值的算法对姿势转换进行了分类[13,84]. 然而，这种分类方法对所选的阈值很敏感。

几项研究表明，结合不同的阈值规则可以提高跌倒检测的准确性。在[85]作者表明，使用三个基于阈值的方向、角速度和角加速度规则，可以100%准确地将跌落与日常生活活动区分开来。

人类活动识别的另一种范式是模糊逻辑方法。模糊逻辑起源于模糊集理论。它显示了活动分类问题的巨大潜力。然而，模糊逻辑需要采用构造适当隶属函数的方法，以及模糊规则的组合和解释。此外，只有少数研究在坠落检测中显示出令人满意的分类精度。在应用模糊方法进行人类活动识别的相关研究中，可以引用Salarian的研究等。[24]，马林·佩里亚努等。[86]和群众等。[30].

多层感知器（MLP）[87]是一种具有多层前馈结构的人工神经网络，通常基于对隐藏单元的非线性激活。MLP最小化了估计网络输出和期望网络输出之间的误差函数，这些输出表示分类上下文中的类标签。一些研究表明，MLP在非线性分类问题（包括人类活动识别）中是有效的。MLP已应用于人类活动识别的若干研究，例如[5,7,61].

另一种著名的监督分类技术是朴素贝叶斯分类器，由于其简单性和易实现性而广受欢迎。在这种方法中，假设输入特征是独立的，而每个活动的条件似然函数可以表示为简单概率密度函数的乘积。对于人类活动识别，与其他分类方法相比，朴素贝叶斯方法显示出类似的准确性。中提出的研究[88,89]表明有时天真的贝叶斯方法优于其他分类方法，而在[7]使用朴素贝叶斯方法获得的分类准确率并不高。

分层分类方案构建了一个由多个连续节点组成的二元决策结构。根据输入特征，在每个节点进行二进制决策。根据决策结果实现活动之间的区分。在每个节点进行决策需要手动监督和分析培训数据，这使得这种方法非常耗时。时域功能用于[90]将四种不同的活动分类。通过在胸部、手腕、小腿和大腿处放置加速计，可以完全识别（100%）每项活动。同样，从腰部加速计收集的数据用于[91]确定四个静态活动和五个动态活动。在[17,92]采用基于阈值的分级分类方案来区分不同的动态活动。此外，在[92]将该分级方法的性能与其他标准分类技术进行了比较。在[18]作者将概率方法和信号形态学技术相结合，在每个节点生成一个分类决策。结果表明，这种方法能够区分多种人类活动。在[15]，使用附加节点检测坠落事件。

2.4. 讨论

很明显，由于许多原因，比较不同研究中的算法性能是一项困难的任务。这一困难主要与：（i）实验方案的可变性（招募的受试者人数、公认活动的性质和数量——燃烧、运输、日常活动、锻炼/健身——不同活动的持续时间和顺序，等.); （ii）人类活动识别背后的应用目标（监测、跌倒检测、家庭康复，等.); （iii）使用的传感器类型（加速计、足底压力传感器、陀螺仪）及其与身体的连接（腕部、胸部、臀部、大腿、项链）；（iv）性能评估标准（准确性、F-measure、召回率、精确度、特异性，等.); （v）验证程序（P-fold、漏掉一个、重复随机子抽样、引导、，等。). 在[14,15,18,20,28,29]，一个加速度计用于识别诸如坐、站、躺、走、跑、擦洗、吸尘、刷牙、摔倒、，等。平均分类率在90.8%和98.9%之间变化，当使用加速计放置在腰部时可以获得[15,18,28]或手腕水平[20,29]. 在[17,19,23,26]，两个加速计用于识别慢走、快走和划船等活动。在大多数这些研究中，活动的数量不超过十项。考虑了大量活动[27]（16项活动）和[7]（十二项活动）。在这些研究中，分类率从89%到90.3%不等。在其他研究中，三个加速计分别放置在大腿、项链和腕部[24]腕部、胸部和臀部[22]. 与在[7,27]实现于[21,22]. 在[8]，作者评估了单加速计的使用与一个多加速度计，用于识别五种活动（站立、坐着、躺着、行走和过渡）。在胸部、腰部、大腿和侧面使用多个加速度计时，识别率达到96.4%。在[24]IMU传感器包括加速计和陀螺仪，置于躯干和小腿水平，用于识别帕金森病（PD）患者的14种日常活动。帕金森病患者的敏感性为83.8%。在[30]作者将IMU和压力传感器结合起来，以提高中风患者日常生活活动的识别率。对躺、坐、站、走等基本活动的识别，以及对平躺、升降、升降、上下楼梯和上楼梯等身体高度的区分，分类率达到90.4%。

图3。人类活动识别的步骤。

3.方法

在本节中，我们介绍了所建议的方法，包括数据采集、使用的分类器和使用10倍交叉验证方法的性能评估。图3总结了所采用方法的不同步骤。

3.1. 数据采集

在本研究中，使用来自Xsens（荷兰恩斯切德）的Xbus Kit对人类活动进行评估，该工具能够对人体运动进行动态测量。它由一个便携式系统组成，该系统包括一个Xbus主机和三个MTx惯性装置，分别放置在受试者的胸部、右大腿和左脚踝上，参见图4每个MTx单元配备一个三轴加速度计来测量三维加速度，一个陀螺仪来测量三维角速度，一个磁强计来测量局部地球磁场矢量。位于胸部、大腿和脚踝的MTx装置与Xbus Master串联。收集的数据通过蓝牙链接从Xbus主机传输到主机PC。使用蓝牙通信协议时，五个MTx单元的功耗为2.7W。包括四块镍氢AA 2500毫安时可充电电池，供远程使用。对于使用蓝牙通信协议的五个MTx，测量的最大持续时间为3小时。该系统的采样频率设置为25 Hz，足以测量人类的日常体力活动[39].基于IMU的人体运动分析中的一个基本问题是IMU局部坐标轴和生理意义轴之间的对齐。实际上，传感器的微小倾斜或错位将导致测量数据的巨大变化。应该注意的是，一些研究工作完全忽略了这个问题，因为它们假设IMU可以精确地安装在朝向关节的预定义方向上[93,94]. 在这项研究中，IMU传感器使用Xsens公司提供的特殊皮带牢牢固定在参与者的身体上。这些带子可避免可穿戴传感器和相关身体构件之间的任何相对运动和错位。此外，传感器到分段的安装方向和位置分别由关节轴和关节位置的局部坐标表示。在本研究中，外部操作员在每次实验测试之前手动验证了这两个数量。

图4。MTx-Xbus惯性跟踪器和传感器布置。

数据收集于LISSI实验室/巴黎大学-埃斯特克雷泰尔分校（UPEC）。六名不同侧面的健康受试者（平均年龄：26岁，平均体重：65公斤）参与了实验。受试者被指示以自己的方式进行活动，没有特定的限制。每个受试者总共进行了十二项活动。数据采集在办公室环境中进行了大约30分钟。不同的活动及其描述见表2。采集的数据由独立操作员手动标记。

表2。所选活动列表（A1…A12）。

**表2。**所选活动列表（A1…A12）。
活动参考	活动描述
A1类	楼梯下降
A2级	站立
A3号	坐下
A4（A4）	坐
第5页	从坐到坐在地上
A6级	坐在地上
答7	躺下来
A8类	撒谎
A9	从躺到坐在地上
A10号机组	站起来
答11	行走
答12	楼梯上坡

数据集由六个测试组成，每个测试都按照以下顺序进行：A2 A1 A2 A3 A4 A5 A6 A7 A8 A9 A6 A10 A2 A11 A2 A12。图5显示每个序列的每个类（每个活动对应一个类）中的样本数。可以注意到，不同的类并不是均匀分布的。与其他活动相比，过渡活动A3、A5、A7、A9、A6和A10的代表性较弱。我们还注意到，大多数序列由某种持续活动组成（约占整个数据集的32%）。

图5。表示每个序列的每个类别中的样本数。

图5。表示每个序列的每个类中的样本数。

如前所述，使用了两种不同的（监督和非监督）技术来识别十二种人类活动。比较了四种有监督的机器学习技术，即k-NN、SVM、SLGMM和RF，以及三种无监督的机器学习技术，即k-means、GMM和HMM在人类活动识别率方面的性能。根据输入数据考虑了两个案例：

原始数据
从原始数据中提取/选择的特征集。

3.2. 分类器

3.2.1. 监督机器学习技术

在本研究中，LIBSVM工具箱[95]使用径向基函数核实现非线性SVM模型。使用网格搜索方法估计超参数C和Ɣ。最佳值为C=2和Ɣ=−5。
对于RFs算法，唯一需要调整的参数是树的数量，可以通过将树的数量从1到100进行调整，并确定提供最佳准确率的树。最好的树数是20棵。
对于SLGMM，使用12个对角线高斯的混合。在训练阶段，使用适当的EM算法估计高斯分量的比例、平均向量和协方差矩阵。
在K-NN方法的情况下，由于要调整的唯一参数是K，将K从1变为20会导致最佳值K=1，从而获得最佳精度。

3.2.2. 无监督机器学习技术

在本研究中，使用HMM工具箱开发了具有GMM发射概率的HMM[81]. 然而，两个超参数被调整：状态数和混合数。首先，由于数据集由12个活动组成，因此使用遍历拓扑将状态数设置为12。然后，混合物的数量从1到4不等。基于最佳准确率，使用2个对角高斯混合模型对状态进行建模。
在K-means算法的情况下，要估计的唯一参数是与活动数相对应的簇数（K=12）。
在GMM算法的情况下，与K-means算法的情况一样，唯一要估计的参数是混合物的数量，它对应于活动的数量。使用了12个对角高斯函数的混合物。

在本研究中，使用10倍交叉验证程序创建训练集和测试集。在监督方法的情况下，使用训练集训练模型。在测试步骤中，将估计类与真实类进行比较，以计算分类错误率。在无监督方法的情况下，只使用原始数据训练模型，而不考虑标签。标签仅用于评估分类性能。在测试步骤中，分类器输出（估计标签）与真实标签进行匹配，以评估分类器的性能。

3.3. 评价

精度度量用于评估分类器的性能。事实上，这个指标衡量了正确分类的示例的比例。在二进制分类的情况下，精度可以表示为：

准确性 = \frac{{T型}_{第页} + {T型}_{n个}}{{T型}_{第页} + {T型}_{n个} + {F类}_{第页} + {F类}_{n个}}

(7)

哪里

{T型}_{n个}

（真否定）表示否定示例的正确分类，

{T型}_{第页}

（真阳性）表示阳性示例的正确分类。

{F类}_{n个}

（假阴性）和

{F类}_{第页}

（假阳性）分别表示被错误地分类为阴性类别的阳性示例和被错误地分类为阳性类别的阴性示例。

精度测量未考虑不平衡数据集。在这种情况下，准确度尤其偏向于大多数类。在这项研究中，由于转换活动样本的比例太小，班级比例没有很好地平衡(图5). 因此，考虑了以下评价标准：准确率（R）及其标准偏差（std）的平均值、F测量值、召回率、精密度和特异性。

F度量被定义为两个标准的组合，即精确度和召回率，定义如下：

精度 = \frac{{T型}_{第页}}{{T型}_{第页} + {F类}_{第页}}

(8)

召回 = \frac{{T型}_{第页}}{{T型}_{第页} + {F类}_{n个}}

(9)

F测量值计算如下：

F类_测量 = \frac{(1 + β^{2}) . 回忆 . 精确度}{β^{2} 召回 + 精度}

(10)

其中，β是控制召回/准确度重要性程度的权重因子。此参数为正实数。在本研究中，

β

设置为1，则召回率和准确率的重要性相同。

特异性（SPC）也用于评估不同算法的性能，计算如下：

特异性 = \frac{{T型}_{n个}}{{T型}_{n个} + {F类}_{第页}}

(11)

4.实验结果

在本节中，我们回顾并比较了标准的有监督和无监督机器学习方法的性能，以识别上一节中介绍的日常生活活动。这一比较突出了不同算法在平均准确率（R）及其标准偏差（std）、F度量、召回率、精确度和特异性方面的性能。在这项比较研究中，考虑了两种情况：

4.1. 案例1：原始数据

原始数据情况下获得的结果如下所示表3和表4.表3总结了使用监督方法时获得的性能结果。可以观察到，不同技术得到的正确分类率均高于84%。k-NN算法在全局正确分类率、F-测度、召回率和精度方面的结果最好，其次是RF，然后是SVM，最后SLGMM算法的结果相对较差。

表3。使用原始数据的监督算法的性能。

**表3。**使用原始数据的监督算法的性能。
	精度±标准	F-测量	召回	精密度	特异性
k-NN（%）	96.53 ± 0.20	94.60	94.57	94.62	99.67
射频（%）	94.89 ± 0.57	82.87	82.28	83.46	99.43
支持向量机（%）	94.22 ± 0.28	90.66	90.98	90.33	99.56
SLGMM（%）	84.54 ± 0.30	69.94	69.99	69.88	98.39

表4。使用原始数据的无监督算法的性能结果。

**表4。**使用原始数据的无监督算法的性能结果。
	精度±标准	F-测量	召回	精密度	特异性
HMM（%）	80.00 ± 2.10	67.67	65.02	66.15	97.68
K平均值（%）	68.42 ± 5.05	49.89	48.67	48.55	93.21
GMM（%）	73.60 ± 2.32	57.68	57.54	58.82	96.45

表4总结了使用不同的无监督学习方法时获得的结果。与无监督分类器K-means和GMM相比，HMM方法在全局正确分类率、F-measure、召回率和精确度方面取得了最佳结果。HMM方法考虑了本研究中所用数据的时间方面，这一事实可以解释这些结果。表3和表4表明有监督方法优于无监督方法。然而，无监督方法显示出非常令人鼓舞的结果，主要是在HMM的情况下。这些性能是在没有任何耗时的标记的情况下获得的。

此外，所使用的监督分类器在训练模型阶段需要标记数据。此外，这些方法在模型公式中没有考虑数据的顺序维。事实上，在学习阶段和测试阶段，活动之间的依赖性都被忽略了。此外，值得指出的是，在基于k-NN的方法的情况下，由于将新样本分配给一个类需要与数据集中的示例一样多的距离，因此需要相当长的计算时间。

为了识别难以识别的模式，下面给出了全局混淆矩阵表5和表6在k-NN和HMM的情况下。我们可以观察到，在大多数情况下，混淆发生在过渡活动之间，例如（A₉，A₇)和动态活动，如（A₁，A₁₁)，（A₁，A₁₂)和（A₁₁，A₁₂). 对于HMM来说，这些混淆更为重要。我们还可以观察到基本活动，如A₂，A₄，A₈比过渡活动（如A）更容易识别_三，A₅和A₇.

表5。使用原始数据通过k-NN获得全局混淆矩阵。

**表5。**使用原始数据通过k-NN获得全局混淆矩阵。
						获得	课程
		A类₁	A类₂	A类_三	A类₄	A类₅	A类₆	A类₇	A类₈	A类₉	A类₁₀	A类₁₁	A类₁₂
	A类₁	88.98	0.41	0.04	0	0.04	0	0	0	0	0.78	4.34	5.41
	A类₂	0.40	98.52	0.08	0	0	0	0	0	0	0.21	0.56	0.23
	A类_三	0.21	0.64	95.73	0.53	0.64	0	0	0	0	0.96	0.85	0.43
	A类₄	0	0	0.77	98.92	0.31	0	0	0	0	0	0	0
真的	A类₅	0.08	0	0.55	0.16	97.98	0.47	0.08	0	0.16	0.55	0	0
课程	A类₆	0	0	0	0	0.22	99.41	0.03	0	0.25	0.08	0	0
	A类₇	0	0	0	0	0.22	0.15	95.71	1.53	2.33	0.07	0	0
	A类₈	0	0	0	0	0	0	1.58	97.62	0.80	0	0	0
	A类₉	0	0	0	0	0.25	0.34	3.96	0.67	94.44	0.34	0	0
	A类₁₀	1.58	0.46	0.19	0	0.65	0.28	0	0	0.19	94.07	0.93	1.67
	A类₁₁	4.07	0.41	0.03	0	0	0	0	0	0	0.55	92.57	2.37
	A类₁₂	5.05	0.43	0	0	0	0	0	0	0	1.03	3.08	90.42

表6。使用原始数据通过HMM获得的全局混淆矩阵。

**表6。**使用原始数据通过HMM获得全局混淆矩阵。
						获得	课程
		A类₁	A类₂	A类_三	A类₄	A类₅	A类₆	A类₇	A类₈	A类₉	A类₁₀	A类₁₁	A类₁₂
	A类₁	55.33	1.70	1.08	0	0.62	0	0	0	0	3.19	23.52	14.57
	A类₂	2.83	86.22	0.47	0	0	0	0	0	0	1.50	6.97	2.01
	A类_三	0.12	0	39.86	32.82	12.53	0	0	0	0	10.62	0.24	3.82
	A类₄	0.10	0	9.58	87.21	3.11	0	0	0	0	0	0	0
真的	A类₅	0.67	0	7.20	0.29	73.61	0.10	1.06	0	1.44	15.55	0	0.10
课程	A类₆	0	0	0	0	3.15	91.63	0.88	0	2.18	2.16	0	0
	A类₇	0	0	0	0	2.24	0.50	29.74	35.33	27.95	4.25	0	0
	A类₈	0	0	0	0	0	0	13.14	81.38	5.48		0	0
	A类₉	0	0	0	0	2.13	0	37.03	16.70	33.75	10.39	0	0
	A类₁₀	0	0	0	0	9.20	0	0	0	1.15	89.66	0	0
	A类₁₁	19.59	1.38	2.53	0	0	0	0	0	0	2.38	56.95	17.17
	A类₁₂	16.65	0	3.72	0	2.44	0	0	0	0	5.75	11.10	60.34

4.2. 案例2：从原始数据中提取/选择的要素集

为了改进上述结果，执行了由特征提取和选择组成的预处理步骤。从三个MTx IMU获取九个加速度计信号，并且针对每个信号；计算以下时域和频域特征：

提取了11个时域特征，即：均值、方差、中位数、四分位范围、偏斜度、峰度、均方根、过零、峰-峰、峰值因子和范围。
提取了FFT谱中的直流分量、能量谱、熵谱、小波系数和、小波系数平方和和和和以及小波系数能量的六个频域特征。

此外，还计算了各加速度信号范数的均值和方差的相关系数。因此，计算了一组九个相关系数、六个平均值和每个加速度信号范数的方差。

每个滑动窗口总共计算了168个特征，样本大小为25个（每个1s），重叠率为80%。选择窗口大小是为了确保计算特征的统计显著性。窗口覆盖率的选择是为了保证过渡活动的满意特性，这些活动是短暂的。在我们的例子中，过渡活动大约需要2秒，因此使用25个样本的窗口而不重叠会导致仅用两个样本提取特征，这不足以正确描述这些过渡。在特征提取步骤之后，将执行一个过程，以找到必要且足以充分描述不同活动的最小特征子集。如上所述，在特征选择过程中查找所有特征中的最佳子集。在本研究中，一种基于随机森林特征选择算法的包装器方法[70]用于在提取的特征中选择最佳特征。该算法根据特征的相关性百分比对特征进行重新排序。选择了一组代表80%以上相关性的12个特征作为分类器输入。图6描述了使用选定功能的活动识别过程的不同步骤。

图6。使用特征提取和选择的活动识别过程的步骤。

使用提取/选择特征的监督方法获得的结果报告于表7.不同技术得到的正确分类率大于85%。与原始数据的情况类似，k-NN算法在正确分类率及其标准推导、F-测度、召回和精度方面取得了最好的结果，其次是RF，然后是SVM，最后是SLGMM。如图所示，可以观察到一些算法的显著改进（平均改进3%，略微减少标准对于k-NN和RF）。在支持向量机和SLGMM的情况下，正确率可以略微提高约1%。在F度量、召回率和精确度方面，SVM和SLGMM的平均改进率分别为10%和4%。在选定特征的情况下，使用非监督机器学习技术获得的结果报告于表8这些结果表明，在正确分类率、F-测度、召回率和精确度方面都有所提高。此外，在HMM的情况下，全球比率提高了3%标准可以观察到（约0.8%），而F-measure、召回率和精确度分别提高了约3%。GMM的性能也有改进。在K-means的情况下，全局正确率分类和召回率分别提高了4.53%和3.53%标准可以观察到。在F测量和精度上也可以分别观察到约0.4%和2.67%的轻微改善。最后，即使在使用所选特征作为不同算法的输入时，可以观察到性能方面的改进，但特征提取/选择步骤需要实现其他模型和例程，以提取和选择最佳特征。此外，特征提取过程需要额外的计算时间，这对于实时应用来说可能具有挑战性。

表7。使用提取特征的监督算法的性能。

**表7。**使用提取特征的监督算法的性能。
	精度±标准	F-测量	召回	精密度	特异性
k-NN（%）	99.25 ± 0.17	98.85	98.85	98.85	99.96
射频（%）	98.95 ± 0.09	98.27	98.24	98.25	99.90
支持向量机（%）	95.55 ± 0.30	93.02	93.15	92.90	99.92
SLGMM（%）	85.05 ± 0.57	73.44	74.44	73.61	99.88

表8。使用提取特征的无监督算法的性能。

**表8。**使用提取特征的无监督算法的性能。
	精度±标准	F-测量	召回	精密度	特异性
HMM（%）	83.89 ± 1.30	69.19	68.27	67.74	98.38
K平均值（%）	72.95 ± 2.80	50.29	52.20	51.22	97.04
GMM（%）	75.60 ± 1.25	65	66.29	64.30	97.12

表9和表10表示使用选定特征用k-NN和HMM获得的混淆矩阵。

表9。使用所选特征用k-NN获得全局混淆矩阵。

**表9。**使用所选特征用k-NN获得全局混淆矩阵。
						获得	课程
		A类₁	A类₂	A类_三	A类₄	A类₅	A类₆	A类₇	A类₈	A类₉	A类₁₀	A类₁₁	A类₁₂
	A类₁	99	0.32	0	0	0	0	0	0	0	0.08	0.48	0.12
	A类₂	0.06	99.75	0.04	0	0	0	0	0	0	0.03	0.07	0.04
	A类_三	0	0.43	99.15	0.43	0	0	0	0	0	0	0	0
	A类₄	0	0	0.11	99.79	0.11	0	0	0	0	0	0	0
真的	A类₅	0	0	0	0.23	99.38	0.23	0	0	0.08	0.08	0	0
课程	A类₆	0	0	0	0	0.07	99.78	0.07		0.03	0.05	0	0
	A类₇	0	0	0	0	0	0.21	99.65	0.14	0	0	0	0
	A类₈	0	0	0	0	0		0.15	99.79	0.06		0	0
	A类₉	0	0	0	0	0.08	0.17		0.33	99.42	0	0	0
	A类₁₀	0.35	0.18	0	0	0.09	0.09	0	0	0	99.20	0.09
	A类₁₁	0.22	0.17	0	0	0	0	0	0	0	0	99.34	0.28
	A类₁₂	0.08	0.17	0	0	0	0	0	0	0	0.04	0.25	99.45

表10。使用所选特征通过HMM获得全局混淆矩阵。

**表10。**使用所选特征通过HMM获得的全局混淆矩阵。
						获得	课程
		A类₁	A类₂	A类_三	A类₄	A类₅	A类₆	A类₇	A类₈	A类₉	A类₁₀	A类₁₁	A类₁₂
	A类₁	57.74	0.06	0.43	0	0.31	0	0	0	0	4.07	20.17	17.21
	A类₂	1.36	94.66	0.31	0	0	0	0	0	0	0.89	1.98	0.80
	A类_三	3.82	0	55.30	5.69	15.42	0	0	0	0	1.64	4.91	13.24
	A类₄	0	0	2.85	96.31	0.83	0	0	0	0	0	0	0
真的	A类₅	2.05	0	1.80	0.66	71.62	4.35	2.21	0	5.50	11.48	0	0.33
课程	A类₆	0	0	0	0	1.39	97.09	0.30	0	0.94	0.28	0	0
	A类₇	0	0	0	0	1.54	0	59.91	4.25	32.30	1.99	0	0
	A类₈	0	0	0	0	0	0	3.30	94.69	2.01		0	0
	A类₉	0	0	0	0	4.02	1.75	32.68	0.10	50.41	11.03	0	0
	A类₁₀	13.56	0	1.51	0	6.44	0	1.92	0	2.19	60.68	7.12	6.58
	A类₁₁	19.87	4.45	1.50	0	0	0	0	0	0	3.45	57.02	13.73
	A类₁₂	16.37	0.17	0	0	0.34	0	0	0	0	1.90	17.26	63.97

可以进行与使用原始数据作为输入分类器时相同的观察。然而，与使用原始数据时获得的结果相比，可以观察到显著的改进。这可以解释为，提取/选择的特征很好地描述了不同的人类活动。如上所述，由于许多原因，比较不同算法在不同研究中的性能是一项艰巨的任务，例如实验方案的差异、人类活动识别背后的应用目标、使用的传感器类型及其对身体的附着，绩效评估和验证以及认可活动的性质/数量。在准确率方面获得的结果几乎与在相关研究中获得的结果相似（例如[7,25,26,27]). 例如，在k-NN的情况下，在[7]和[5]分别是。在SVM、SLGMM和RF的情况下，在[5,7,70,73,75]. 对于无监督的基于分类器，如K-means、GMM和HMM，准确率在60.2%到84%之间([7,75,78,79,80]). 应该指出，使用特征提取/选择作为分类器输入的研究显示出更好的性能，例如[5,62,63]. 这些结果在本研究中也得到了证实。

5.结论和未来工作

我们回顾了用于从可穿戴式惯性传感器数据中识别人类活动的不同分类技术。本文描述了识别检测过程的整体结构，从数据采集到分类。首先解决了与可穿戴传感器的特性和在人体上的位置相关的问题。显示了特征计算、选择和提取过程，然后对用于日常人类活动分类的各种有监督和无监督学习方法进行了文献综述比较。最后，我们对一个实际数据集应用了著名的基于监督和非监督的方法（k-最近邻、监督和非监视方法中的高斯混合模型、支持向量机、随机森林、k-均值和隐马尔可夫模型）进行了比较研究。原始数据和提取/选择的特征都用作分类器的输入。使用放置在胸部、右大腿和左脚踝的三个MTx惯性IMU的数据，比较了不同分类方法对12种活动（包括静态、动态和过渡活动）的识别。

当使用原始数据或提取/选择的特征时，监督方法与非监督方法相比更准确，但后者计算效率更高，不需要任何标签（非监督分类技术能够直接从未标记的数据创建模型）。

实际数据集的结果表明了k-NN方法的有效性，与其他方法相比，该方法的结果最好。RF和SVM给出了几乎相同的结果，在RF情况下，尤其是在使用提取/选择的特征时，效果稍好。基于SLGMM的算法在监督方法的情况下给出的结果最低。在无监督方法的情况下，HMM给出了最佳结果，其次是GMM和K-means。HMM相对于其他技术的主要优势在于，HMM中使用的统计模型包括数据的顺序方面和时间演变。除HMM外，其他算法将数据视为多维空间中的几个实现，而不考虑活动之间的可能依赖性。

我们还发现，提取/选择的特征提高了分类精度，但牺牲了计算时间，这可能会造成惩罚，尤其是对于实时应用。这项工作可以扩展到几个方向：多个分类器的组合是一种很有前途的方法，因为应用于同一数据集的多个分类器有可能生成不同的决策边界，从而能够显示不同的模式。因此，合并分类技术将提供补充决策并提高准确度。如上所述，在有监督和无监督的环境下，对六名参与者的不同机器学习方法进行了评估。未来的步骤包括通过增加更多的参与者，特别是老年受试者来扩展数据集。另一点值得充分和进一步评估，这与佩戴者的隐私和可穿戴传感器的可接受性有关。然而，与使用相机相比，使用惯性传感器对佩戴者隐私的侵犯更少，文献中很少有研究调查这些传感器在与用户密切接触时的可接受性。

利益冲突

作者声明没有利益冲突。

工具书类

Chan，M。；Estève，D。；Fourniols，J.-Y。；埃斯克里巴，C。；Campo，E.智能可穿戴系统：现状和未来挑战。Artif公司。英特尔。医学。 2012,56, 137–156. [谷歌学者] [交叉参考] [公共医学]
滕，X.-F。；张义堂。；Poon，首席执行官。；Bonato，P.用于P-health的可穿戴医疗系统。IEEE Rev.生物识别。工程师。 2008,1, 62–74. [谷歌学者] [交叉参考] [公共医学]
Preece，S.J.公司。；古勒马斯，J.Y。；肯尼，L.P。；霍华德，D。；Meijer，K。；Crompton，R.使用车载传感器进行活动识别——分类技术综述。生理学。测量。 2009,30. [谷歌学者] [交叉参考] [公共医学]
帕特尔，S。；帕克，H。；博纳托，P。；陈，L。；Rodgers，M.可穿戴传感器和系统在康复中的应用综述。神经学杂志。康复。 2012,9. [谷歌学者] [交叉参考] [公共医学]
阿尔顿，K。；Barshan，B。；Tunçel，O。使用微型惯性和磁性传感器对人类活动进行分类的比较研究。模式识别。 2010,43, 3605–3620. [谷歌学者] [交叉参考] [绿色版本]
吉尔·T。；Keller，J.M。；D.T.安德森。；Luke，R.使用Microsoft Kinect传感器在体素空间中进行变化检测和人类识别的系统。2011年10月11日至13日，美国华盛顿特区，应用图像模式识别研讨会（AIPR）会议记录。
Chamroukhi，F。；穆罕默德，S。；特拉贝尔西，D。；Oukhellou，L。；Amirat，Y.多变量时间序列的联合分割与隐藏过程回归用于人类活动识别。神经计算 2013,120, 633–644. [谷歌学者] [交叉参考]
高，L。；布尔克，A。；Nelson，J.基于加速计的多传感器与单传感器活动识别系统的评估。医学工程物理。 2014,36, 779–785. [谷歌学者] [交叉参考] [公共医学]
Chernbumroong，S。；苍，S。；阿特金斯，A。；Yu，H.用于辅助生活应用的老年人活动识别和分类。支出系统。申请。 2013,40, 1662–1674. [谷歌学者] [交叉参考]
阿尔顿，K。；Barshan，B.使用惯性/磁性传感器单元进行人类活动识别。在人类行为理解; 施普林格：德国柏林，2010年；第38-51页。[谷歌学者]
麦克亚当斯，E.T。；Gehin，C。；努里，N。；拉蒙，C。；诺库亚，R。；Massot，B。；奥利维拉。；Dittmar，A。；Nugent，C.D。；McLaughlin，J.《环境辅助生活用生物医学传感器》。在生物医学传感、测量、仪器和系统的进展; 施普林格：德国柏林，2010年；第240-262页。[谷歌学者]
克莱兰德，I。；基基亚，B。；Nugent，C。；Boytsov，A。；Hallberg，J。；Synnes，K。；麦克莱恩，S。；Finlay，D.用于检测日常活动的加速计的最佳位置。传感器 2013,13, 9183–9200. [谷歌学者] [交叉参考] [公共医学]
纳杰菲，B。；Aminian，K。；Paraschiv-Ionescu，A。；Loew，F。；布拉，C.J。；Robert，P.使用运动传感器进行人体运动分析的走动系统：监测老年人的日常身体活动。IEEE传输。生物识别。工程师。 2003,50, 711–723. [谷歌学者] [交叉参考] [公共医学]
博诺米，A.G。；A.戈利斯。；尹，B。；Westerterp，K.R.使用加速计检测体力活动的类型、持续时间和强度。医学科学。体育锻炼。 2009,41, 1770–1777. [谷歌学者] [交叉参考] [公共医学]
Karantonis，D.M。；Narayanan，M.R。；马蒂，M。；新罕布什尔州洛弗尔。；Celler，B.G.使用三轴加速度计实现实时人体运动分类器，用于动态监测。IEEE传输。技术信息。生物识别。 2006,10, 156–167. [谷歌学者] [交叉参考] [公共医学]
杨，C.-C。；Hsu，Y.-L.基于加速计的可穿戴运动检测器用于身体活动监测的综述。传感器 2010,10, 7772–7788. [谷歌学者] [交叉参考] [公共医学]
Parkka，J。；埃姆斯，M。；科尔皮帕，P。；Mantyjarvi，J。；佩尔托拉，J。；Korhonen，I.使用可穿戴传感器的真实数据进行活动分类。IEEE传输。技术信息。生物识别。 2006,10, 119–128. [谷歌学者] [交叉参考] [公共医学]
马蒂，M。；切勒，B.G。；新罕布什尔州洛弗尔。；Coster，A.使用三轴加速度计对日常基本运动进行分类。医学生物学。工程计算。 2004,42, 679–687. [谷歌学者] [交叉参考] [公共医学]
Yeoh，W.S。；佩克，I。；Yung，Y.-H。；陈，X。；Waluyo，A.B.使用可穿戴加速度传感器对人体姿势和行走速度进行动态监测。2008年8月20日至25日，美国不列颠哥伦比亚省温哥华市，2008年EMBS第30届IEEE国际年会，医学和生物学会工程学报；第5184-5187页。
Yang，J.-Y。；Wang，J.-S。；Chen，Y.-P.使用加速度测量进行活动识别：构建神经分类器的有效学习算法。模式记录。莱特。 2008,29, 2213–2220. [谷歌学者] [交叉参考]
Pirttikangas，S。；藤波，K。；Nakajima，T.可穿戴传感器的特征选择和活动识别。在无处不在的计算系统; 施普林格：德国柏林，2006年；第516–527页。[谷歌学者]
Olguín，D.O。；Pentland，A.S.人类活动识别：可穿戴传感器通用位置的准确性。2006年10月11日至14日，瑞士蒙特勒，第十届IEEE可穿戴计算机国际研讨会论文集。
Lyons，G。；库哈内，K。；希尔顿。；格雷斯·P。；Lyons，D.基于加速度计的机动性监测技术的描述。医学工程物理。 2005,27, 497–504. [谷歌学者] [交叉参考] [公共医学]
Salarian，A。；Russmann，H。；芬格霍茨，F.J。；Burkhard，P.R。；Aminian，K。帕金森病患者体力活动的动态监测。IEEE传输。生物识别。工程师。 2007,54, 2296–2299. [谷歌学者] [交叉参考] [公共医学]
Gjoreski，H。；卢斯特雷克，M。；Gams，M.用于姿势识别和坠落检测的加速计位置。2011年7月25日至28日，英国诺丁汉，2011年第七届智能环境国际会议（IE）会议记录；第47-54页。
巴亚特，A。；彭普伦，M。；Tran，D.A.使用智能手机的加速度计数据进行人类活动识别的研究。已处理。计算。科学。 2014,34, 450–457. [谷歌学者] [交叉参考]
Moncada-Torres，A。；Leuenberger，K。；Gonzenbach，R。；卢夫特，A。；Gassert，R.根据不同解剖位置的惯性和气压传感器进行活动分类。生理学。测量。 2014,35. [谷歌学者] [交叉参考] [公共医学]
古普塔，P。；Dallas，T.使用单三轴加速度计的特征选择和活动识别系统。IEEE传输。生物识别。工程师。 2014,61, 1780–1786. [谷歌学者] [交叉参考] [公共医学]
Garcia-Ceja，E。；布伦娜，R.F。；卡拉斯科·希门尼斯，J.C。；Garrido，L.从腕表加速计数据进行长期活动识别。传感器 2014,14, 22500–22524. [谷歌学者] [交叉参考] [公共医学]
马萨诸塞州，F。；Gonzenbach，R.R。；Arami，A。；Paraschiv-Ionescu，A。；卢夫特，A.R。；Aminian，K。使用可穿戴式气压传感器改善活动受损中风患者的活动识别。《神经科学杂志》。雷哈比尔。 2015,12. [谷歌学者] [交叉参考] [公共医学]
Raj，A。；Subramanya，A。；福克斯，D。；Bilmes，J.Rao-Blackwellized粒子过滤器，用于识别可穿戴传感器的活动和空间背景。在实验机器人; 施普林格：德国柏林，2008年；第211-221页。[谷歌学者]
莫里洛，D.S。；Ojeda，J.L.R。；Foix，L.F.C.公司。；Jiménez，A.L.一种基于加速计的睡眠呼吸暂停筛查设备。IEEE传输。技术信息。生物识别。 2010,14, 491–499. [谷歌学者] [交叉参考] [公共医学]
Kuo，Y.-L。；库哈内，K.M。；托马森，P。；Tirosh，O。；Baker，R.测量脑瘫儿童的步行距离和步数：两个便携式活动监测仪的评估。步态 2009,29, 304–310. [谷歌学者] [交叉参考] [公共医学]
H.B.Menz。；S.R.勋爵。；Fitzpatrick，R.C.行走稳定性的年龄相关差异。年龄老化 2003,32, 137–142. [谷歌学者] [交叉参考] [公共医学]
朴智星。；Kim，H.J。；Kang，S.-J.AMP331监测仪用于评估自由活动的能量消耗的验证。Res.Quart公司。行使。体育 2006,77，A40。[谷歌学者]
罗诺，C.A。；Cho，S.-B.使用带有两阶段连续隐马尔可夫模型的智能手机传感器进行人类活动识别。2014年8月19日至21日，中国厦门，2014年第十届国际自然计算会议（ICNC）会议记录；第681-686页。
Peetoom，K.K。；Lexis，文学硕士。；Joore，M。；德克森，C.D。；De Witte，L.P.关于独立生活老年人监测技术及其结果的文献综述。解除武装、康复、协助。Technol公司。 2014,10, 271–294. [谷歌学者] [交叉参考] [公共医学]
法林顿，J。；A.J.摩尔。；Tilbury，N。；Church，J。；Biemond，P.D.穿戴式传感器徽章和传感器夹克，用于环境感知。第三届可穿戴计算机国际研讨会论文集，1999年论文摘要，1999年10月18日至19日，美国加利福尼亚州旧金山；第107–113页。
Bouten，C.V.公司。；Koekkoek，K.T。；Verduin，M。；柯德，R。；Janssen，J.D.用于评估日常体力活动的三轴加速度计和便携式数据处理装置。IEEE传输。生物识别。工程师。 1997,44, 136–147. [谷歌学者] [交叉参考] [公共医学]
菲戈，D。；P.C.迪尼兹。；费雷拉博士。；Cardoso，J.M.从加速计数据进行上下文识别的预处理技术。个人无处不在的计算。 2010,14, 645–662. [谷歌学者] [交叉参考]
奥本海姆公司。；R.W.Schafer。；巴克，J.R。离散时间信号处理; 普伦蒂斯大厅：美国新泽西州上鞍河，1989年。[谷歌学者]
Nham，B。；Siangluue，K。；杨，S。从Iphone加速度计数据预测传输模式; 技术报告；斯坦福大学：美国加利福尼亚州斯坦福，2008年。[谷歌学者]
Ho，J.J.C.中断：使用活动转换触发主动消息。麻省理工学院硕士论文，马萨诸塞州坎布里奇，美国，2004年8月。[谷歌学者]
Bao，L。；Intille，S.S.根据用户公布的加速度数据进行活动识别。在普适计算; 施普林格：德国柏林，2004年；第1-17页。[谷歌学者]
Preece，S.J.公司。；古勒马斯，J.Y。；肯尼，L.P。；Howard，D.从加速度计数据中分类动态活动的特征提取方法的比较。IEEE传输。生物识别。工程师。 2009,56, 871–879. [谷歌学者] [交叉参考] [公共医学]
盖恩，I。；Elisseeff，A.变量和特征选择简介。J.马赫。学习。物件。 2003,三, 1157–1182. [谷歌学者]
刘，H。；Yu，L.走向将特征选择算法集成到分类和聚类中。IEEE传输。知识。数据工程。 2005,17, 491–502. [谷歌学者]
Kohavi，R。；John，G.H.Wrappers，用于特征子集选择。Artif公司。英特尔。 1997,97, 273–324. [谷歌学者] [交叉参考]
Das、S.过滤器、包装器和基于增强的混合功能用于特征选择。2001年6月28日至7月1日在美国马萨诸塞州威廉斯敦举行的第十八届国际机器学习会议（ICML 2001）的会议记录；第74-81页。
张，M。；Sawchuk，A.A.使用可穿戴多模式传感器进行人类活动识别的基于特征选择的框架。第六届身体区域网络国际会议论文集：ICST（计算机科学、社会信息和通信工程研究所），中国北京，2011年11月7日至8日；第92-98页。
鱼类，B。；A.Khan。；新罕布什尔州切哈德。；Chien，C。；Pottie，G.基于互信息的特征选择用于人类活动识别。2012年3月25日至30日，在日本京都举行的2012年IEEE声学、语音和信号处理国际会议（ICASSP）论文集；第1729-1732页。
Chau，T.步态数据分析技术综述。第1部分：模糊、统计和分形方法。步态姿势 2001,13, 49–66. [谷歌学者] [交叉参考]
马丁内斯，A.M。；卡克，A.C.Pca与lda。IEEE传输。模式分析。机器。英特尔。 2001,23, 228–233. [谷歌学者] [交叉参考]
杜达，R.O。；哈特，体育。；D.G.斯托克。模式分类; 约翰·威利父子公司：美国马萨诸塞州马尔登，1999年。[谷歌学者]
克劳斯，A。；Siewiorek，D.P。；Smailagic，A。；Farringdon，J.可穿戴计算中生理和活动背景的无监督动态识别。《2012年第16届可穿戴计算机国际研讨会论文集：IEEE计算机学会》，美国纽约州怀特普莱恩斯，2003年10月21日至23日；第88页。
胡ỳnh，T。；Schiele，B.使用多特征空间对活动数据中的结构进行无监督发现。在位置和上下文意识; 施普林格：德国柏林，2006年；第151-167页。[谷歌学者]
A.R.韦伯。统计模式识别; 约翰·威利父子公司：美国马萨诸塞州马尔登，2003年。[谷歌学者]
西奥多里迪斯，S。；Pikrakis，A。；Koutroumbas，K。；卡沃拉斯，D。模式识别导论：Matlab方法; 学术出版社：Waltham，NA，USA，2010年。[谷歌学者]
瓦普尼克，V。统计学习理论的本质; 施普林格：德国柏林，2000年。[谷歌学者]
关于语音识别中隐藏马尔可夫模型和选定应用的教程。程序。电气与电子工程师协会 1989,77, 257–286. [谷歌学者] [交叉参考]
Trabelsi博士。；穆罕默德，S。；Chamroukhi，F。；Oukhellou，L。；Amirat，Y.一种基于隐马尔可夫模型回归的无监督自动活动识别方法。IEEE传输。自动。科学。工程师。 2013,10, 829–835. [谷歌学者] [交叉参考]
Foerster，F。；Smeja，M。；Fahrenberg，J.通过加速计检测姿势和运动：动态监测的验证研究。计算。嗯。行为。 1999,15, 571–583. [谷歌学者] [交叉参考]
Foerster，F。；Fahrenberg，J.运动模式和姿势：通过校准的加速计进行正确评估。行为。研究方法。仪器。计算。 2000,32, 450–457. [谷歌学者] [交叉参考]
张，T。；Wang，J。；徐，L。；Liu，P.使用可穿戴传感器和NMF算法实现动态坠落检测。在自然计算的进展; 施普林格：德国柏林，2006年；第488-491页。[谷歌学者]
肖尔科夫，B。；A.J.斯莫拉。使用内核学习：支持向量机、正则化、优化及其他; 麻省理工学院出版社：剑桥，马萨诸塞州，美国，2001年。[谷歌学者]
Cover，T.M.线性不等式组的几何和统计性质及其在模式识别中的应用。IEEE传输。电子。计算。 1965,EC-14型, 326–334. [谷歌学者] [交叉参考]
Huynh，T。；Schiele，B.减少可穿戴传感器对活动识别的监督。2006年10月11日至14日在瑞士蒙特勒举行的第十届IEEE可穿戴计算机国际研讨会论文集；第3-10页。
克劳斯，A。；伊米格，M。；兰金，E。；Leong，D。；古普塔，S。；Siewiorek，D。；Smailagic，A。；Deisher，M。；Sengupta，U.权衡上下文可穿戴计算的预测精度和功耗。2005年10月18-21日，日本大阪，2005年第九届IEEE可穿戴计算机国际研讨会论文集；第20-26页。
杜卡斯，C。；Maglogiannis，I.基于动作和声音数据的高级患者或老年人跌倒检测。2008年1月30日至2月1日，斐兰德坦佩雷，PervasiveHealth，2008年第二届医疗保健普及计算技术国际会议论文集；第103–107页。
布雷曼，L。；弗里德曼，J。；斯通，C.J。；奥申，R.A。分类和回归树; CRC出版社：美国佛罗里达州博卡拉顿，1984年。[谷歌学者]
贝多尼，L。；Di Felice，M。；博诺尼，L.坐火车还是开车？通过智能手机传感器数据检测用户的运动类型。2012年11月21日至23日，爱尔兰都柏林，2012年IFIP无线日（WD）会议记录；第1-6页。
邓普斯特，A.P。；新墨西哥州莱尔德。；Rubin，D.B.通过EM算法获得不完整数据的最大似然。J.Royal Stat.Soc.系列。B（方法学） 1977,39, 1–38. [谷歌学者]
Mannini，A。；Sabatini，A.M.从体内加速计中分类人类体力活动的机器学习方法。传感器 2010,10, 1154–1175. [谷歌学者] [交叉参考] [公共医学]
Ong，W.-H。；Koseki，T。；Palafox，L.人类活动检测和识别的无监督方法。国际期刊模拟。系统。科学。Technol公司。 2013,14. [谷歌学者] [交叉参考]
科通，P。；关于G.L。；Maida，G。；Morana，M.环境智能场景中用于活动识别的运动传感器。2013年3月18日至22日，美国加利福尼亚州圣地亚哥，IEEE普及计算和通信研讨会（PERCOM研讨会）会议记录；第646–651页。
Forney，G.D.，Jr.维特比算法。IEEE程序。 1973,61, 268–278. [谷歌学者] [交叉参考]
Lester，J。；乔杜里，T。；科恩，N。；博列洛，G。；Hannaford，B.人类活动建模的一种混合判别/生成方法。2005年7月30日至8月5日在英国爱丁堡举行的IJCAI'05第19届国际人工智能联合会议记录；第766–772页。
K.V.拉尔霍温。；盖勒森，H.-W。；Malliaris，Y.G.使用可穿戴传感器节点进行长期活动监测。2006年4月3日至5日，美国马萨诸塞州剑桥市，2006年BSN 2006年可穿戴和可植入人体传感器网络国际研讨会论文集。
Lukowicz，P。；Ward，J.A。；Junker，H。；Stäger，M。；Tröster，G。；阿特拉什，A。；Starner，T.使用身体磨损的麦克风和加速计识别车间活动。在普适计算; 施普林格：德国柏林，2004年；第18-32页。[谷歌学者]
Ward，J.A。；Lukowicz，P。；Troster，G。；Starner，T.E.使用车载麦克风和加速计对装配任务进行活动识别。IEEE传输。模式分析。机器。英特尔。 2006,28, 1553–1567. [谷歌学者] [交叉参考] [公共医学]
用于matlab的隐马尔可夫模型（hmm）工具箱。在线可用：网址：http://wwwai-mit教育/~murphyk/Software/HMM/HMM html（2015年12月9日查阅）。
Boyle，J。；卡鲁纳内蒂，M。；Wark，T。；Chan，W。；Colavitti，C.量化慢性病管理的功能性活动进展。2006年8月30日至9月3日在美国纽约州纽约市举行的2006年第28届医学和生物学会工程国际年会（EMBS’06）会议记录；第5916–5919页。
库哈内，K。；莱昂斯，G。；希尔顿。；格雷斯，P。；Lyons，D.在临床环境中使用加速计对老年人进行长期运动监测。临床。雷哈比尔。 2004,18, 335–343. [谷歌学者] [交叉参考] [公共医学]
纳杰菲，B。；Aminian，K。；Loew，F。；布兰科，Y。；Robert，P.A.使用微型陀螺仪测量站立和坐姿转换及其在老年人跌倒风险评估中的应用。IEEE传输。生物识别。工程师。 2002,49, 843–851. [谷歌学者] [交叉参考] [公共医学]
布尔克，A。；O'donovan，K。；Olaighin，G.使用惯性传感器识别垂直速度剖面，以研究坠落的碰撞前检测。医学工程物理。 2008,30, 937–946. [谷歌学者] [交叉参考] [公共医学]
Marin-Perianu，M。；Lombriser，C。；Amft，O。；Havinga，P。；Tröster，G.使用模糊无线传感器网络进行分布式活动识别。在传感器系统中的分布式计算; 施普林格：德国柏林，2008年；第296–313页。[谷歌学者]
麦克莱兰，J.L。；Rumelhart，D.E。；集团，P.R。并行分布式处理：认知微观结构的探索; 麻省理工学院出版社：剑桥，马萨诸塞州，美国，1986年；第2卷。[谷歌学者]
Maurer，美国。；罗，A。；Smailagic，A。；Siewiorek，D.使用eWatch进行位置和活动识别：可穿戴传感器平台。在日常生活中的环境智能; 施普林格：德国柏林，2006年；第86–102页。[谷歌学者]
拉维，N。；北丹德卡。；迈索尔，P。；Littman，M.L.加速度计数据的活动识别。2005年7月9日至13日在美国马萨诸塞州匹兹堡举行的IAAI'05第17届人工智能创新应用会议记录；第1541–1546页。
法伦伯格，J。；马勒，W。；Foerster，F。；Smeja，M.对体力活动的多渠道调查。《心理生理学杂志》。 1996,10, 209–217. [谷歌学者]
Lee，S。；帕克，H。；洪，S。；Lee，K。；Kim，Y.使用三轴加速度计进行活动分类的研究。2003年9月17日至21日在墨西哥坎昆举行的第25届医学和生物学会工程国际年会论文集；第2941–2943页。
埃姆斯，M。；帕克卡，J。；Mantyjarvi，J。；Korhonen，I.在受控和非受控条件下使用可穿戴传感器检测日常活动和运动。IEEE传输。技术信息。生物识别。 2008,12, 20–26. [谷歌学者] [交叉参考] [公共医学]
刘凯。；刘，T。；柴田，K。；Inoue，Y.使用可穿戴传感器系统对下肢3D姿势进行动态测量和分析。2009年8月9日至12日在中国长春举行的2009年ICMA机电一体化和自动化国际会议记录；第3065-3069页。
法夫尔，J。；卢蒂，F。；Jolles，B。；Siegrist，O。；纳杰菲，B。；Aminian，K。一种用于前交叉韧带损伤的三维膝关节运动学比较评估的新型步行系统。膝关节外科。运动创伤。关节。 2006,14, 592–604. [谷歌学者] [交叉参考] [公共医学]
Chang，C.-C。；Lin，C.-J.LIBSVM：支持向量机库。ACM事务处理。英特尔。系统。Technol公司。（TIST） 2011,2. [谷歌学者] [交叉参考]

分享和引用

MDPI和ACS样式

阿塔尔，F。；穆罕默德，S。；Dedabrishvili，M。；Chamroukhi，F。；Oukhelou，L.公司。；阿米拉特，Y。使用可穿戴传感器进行人体活动识别。传感器 2015,15, 31314-31338.https://doi.org/10.3390/s151229858

AMA风格

Attal F、Mohammed S、Dedabrishvili M、Chamroukhi F、Oukhelou L、Amirat Y。使用可穿戴传感器进行人体活动识别。传感器. 2015; 15(12):31314-31338.https://doi.org/10.3390/s151229858

芝加哥/图拉比安风格

阿塔尔（Attal）、费哈特（Ferhat）、萨默尔·穆罕默德（Samer Mohammed）、玛丽亚姆·德达布里什维利（Mariam Dedabrishvili）、费塞尔·查姆鲁基（Faicel Chamroukhi）、拉蒂法·乌克赫卢（Latifa Oukhellou）和亚辛·阿米拉特（Yacine Amirat）。2015年，“使用可穿戴传感器进行人体活动识别”传感器15，编号12:31314-31338。https://doi.org/10.3390/s151229858

文章菜单