基于智能手机的用户行为识别技术分析与应用-analysis and application of user behavior identification technology based on smart phone.docxVIP

摘要用户行为识别技术已经在身份鉴别、生产控制和人机交互等领域得到了广泛应用，传统的行为识别研究大都采用专门定制的可穿戴式传感器或者外接式传感器，这类设备往往造价太高，不利于市场推广。而随着智能手机的日益普及和智能手机传感器技术的不断发展，本文提出了基于智能手机的用户行为识别技术的研究与应用。本文在比较中外文献中所研究的用户行为动作后，选择可以代表人类基本运动行为的5种动作作为本文将要识别的动作，分别为站立、行走、跑步、上楼和下楼。为了采集这5种动作的加速度传感器数据，本文专门开发了基于Android的传感器采集程序。通过传感器采集程序采集到的原始数据中包含高频噪声，这些噪声会影响最终分类的准确度，因此本文通过“加窗”的方法把原始信号分割为包含512个样本点的待测样本。在特征提取与特征选择模块中，本文结合加速度传感器信号的特点，通过计算加速度信号在X轴、Y轴和Z轴的均值、标准差、相关系数和峰度，作为加速度信号的特征，组成一个12维的特征向量，用这个特征向量来表示用户的行为动作。在用户行为分类识别模块中，本文使用支持向量机作为用户行为识别的分类算法，从每种动作100个特征向量中选取80个，组成一个12×400的特征矩阵用来训练SVM分类器,剩余的12×100的特征矩阵作为待测样本，用来测试训练好的SVM分类器。实验结果表明，本文基于智能手机的用户行为识别技术的整体识别率达到90.4%，其中对用户站立的识别率达到100%，行走和跑步的识别率也都达到或者超过了90%，而上楼和下楼的识别率则相对较低，分别为85%和84%。本文在仅仅采用单个加速度传感器的情况下，5种行为的平均识别率达到了90.4%，证明了本文基于智能手机加速度传感器的用户行为识别方案的可行性。本文的主要研究成果如下：1、提出了针对加速度信号特点的原始信号预处理方法，通过“加窗”的方法，把加速度信号分割成固定长度的待测样本。2、研究用户行为识别的历史和现状，分析现有用户行为识别技术并指出存在的不足，提出了一套基于智能手机加速度传感器的用户行为识别方案。3、为了证明本文提出的方案的可行性，设计并开发了一套基于智能手机加速度传感器的用户活动分析系统。关键词：行为识别，智能手机，传感器，特征提取，分类器ABSTRACTUserbehaviorrecognitiontechnologyiswidelyusedinidentification,productioncontrolandhuman-computerinteraction,etc.Traditionaluserbehaviorrecognitionresearchmostlyusesthewearablesensorsorexternalsensors.Thesesensorsaretooexoensiveandnotconducivetomarketing.Astherisingpopularityofsmartphonesanddevelopmentofsmartphonesensortechnology,thethesisproposedtheresearchandimplicationofuserbehaviorrecognitiontechnologybasedonsmartphone.Thethesisusestheaccelerationsensorofsmartphonetocollectthesignalsofstanding,walking,running,goupstairsanddownstairs.Removethehighfrequencynoiseintheoriginalsignalbydatapreprocessingmodule,thendividethesignalsintosampleswithalengthof512.Inthefeatureextractionandfeatureselectionmodule,wecalculatethemean,standarddeviation,correlationcoefficientandkurtosisoftheaccelerationsignalintheXaxis,YaxisandZaxistomakeupof12dimensionfeaturevectorasthecharacteristicsoftheaccelerationsignal.Thethesisusesthesupportvectormachineasauserbehaviorrecognitionclassifier,andselectthe80of100featurevectorstotraineit.Therestofthefeaturevectorsar