基于穿戴传感器和机器学习的人体行为识别

第1章 绪论 1 1.1 人体行为识别研究的背景及意义 1 1.2 穿戴行为识别研究 4 1.3 人体行为数据增强与预测 8 参考文献 10 第2章 人体行为识别基础 16 2.1 人体行为识别的一般流程 16 2.2 传感器形式 18 2.3 穿戴传感器及其布局 18 2.3.1 穿戴传感器类型 18 2.3.2 穿戴传感器的布局方式 21 2.4 穿戴传感器数据预处理 24 2.5 特征提取与选择 25 2.5.1 人工提取的特征 25 2.5.2 自动学习的特征 28 2.5.3 特征降维与特征选择 28 2.6 人体行为识别模型 30 2.7 人体行为识别评价指标 37 2.8 本章小结 37 参考文献 38 第3章 基于传统机器学习的人体行为识别研究 50 3.1 实验方法及设计 50 3.1.1 实验系统设计 50 3.1.2 混合感知与布局 53 3.1.3 特征提取与选择方法 57 3.1.4 识别模型及性能评估 58 3.2 数据采集和数据处理 61 3.2.1 行为定义和穿戴行为数据采集 61 3.2.2 环境数据 64 3.2.3 人工特征集 65 3.2.4 穿戴行为数据窗口分割 68 3.2.5 互信息特征选择方法评估扩展特征贡献 70 3.3 核典型相关分析特征选择mRMJR-KCCA 70 3.3.1 互信息和核典型相关分析（KCCA） 71 3.3.2 mRMJR-KCCA特征选择 73 3.3.3 不同穿戴传感器对行为识别的贡献研究 77 3.3.4 mRMJR-KCCA衡量穿戴传感器扩展特征贡献 82 3.4 穿戴感知数据和环境感知数据融合研究 87 3.4.1 PIR传感器识别日常行为规律 88 3.4.2 互信息特征选择衡量穿戴行为数据与环境数据融合 89 3.4.3 mRJMR-KCCA衡量混合感知数据融合 94 3.5 本章小结 100 参考文献 101 第4章 基于深度学习的腕部穿戴人体行为识别研究 106 4.1 腕部行为数据采集 106 4.2 多层LSTM行为识别模型的建立 108 4.3 注意力机制模型的建立 109 4.3.1 注意力机制 109 4.3.2 注意力分布 110 4.3.3 加权平均 111 4.3.4