基于可穿戴设备的日常活动模式挖掘-软件工程专业论文.docxVIP

基于可穿戴设备的日常活动模式挖掘摘要 基于可穿戴设备的日常活动模式挖掘 摘要 万方数据 万方数据 基于可穿戴设备的日常活动模式挖掘 摘 要 人体运动的挖掘与识别是可穿戴技术和普适计算的热门领域。主 流的人体运动计算方法通过离线机器学习的技术对人体运动进行预测。 而个性化的识别对原来的学习模式提出了新的挑战，如用户的活动类 型不一定出现在离线的训练集中。这一问题在日常活动模式（Activities of Daily Living）领域尤其凸显，因为不同职业的人群的日常活动截然 不同，这需要系统自动发现与挖掘不在离线词汇表中的活动类型，尤 其是那些占据了大部分时间的活动类型。 本文提出了从可穿戴设备的加速度数据中无监督地发现与挖掘日 常活动模式的算法，挖掘数据中频繁出现的活动模式，并为每种活动 模式进行建模。与经典的聚类算法不同的是，本文的挖掘算法（1）发 现的活动类别的数量可以动态计算而得，自适应于数据；（2）为每种 发现的活动类型建立的匿名分类器，命名后可复用；（3）可以对新的 数据进行持续地挖掘，包括识别已有的活动类型以及发现新的活动类 型。 论文的主要工作和研究成果包括： （1）设计了一套结合活动分段和聚类的日常活动挖掘算法框架， 该算法框架可动态计算活动模式的数量，并可持续进行新活 动类型的发现和挖掘。 （2）提出了基于主题分布稳定性的加速度流分段方法，该方法可 以有效地提取每种活动类型的原型数据，每个片段中的多个 样本同属于一种活动。该方法基于主题分布稳定性进行分段， 有效地将活动原型个数和主题个数解耦合，使得挖掘到的活 动原型个数可动态计算。 I （3）提出了一种通过分段结果获得训练样本（包括样本和标签） 的采样方法，该方法可以为动作原型采集数量合理并具有一 定多样性的训练样本集。 （4）提出了迭代挖掘的方法和以可复用的分类器表达聚类结果 的思想，实现了新活动的持续发现。 （5）本文的算法在 Ubicomp08 和 PAMAP2 公开数据集上做了实 验与算法验证，实验表明本算法有良好的日常活动发现与挖 掘能力。其中，在 Ubicomp08 数据集共发现了 13 种日常活 动模式，覆盖了 88%的数据，达到了 82%的灵敏度以及 80% 的聚类准确性。在 PAMAP2 的数据集上，共发现了 17 种日 常活动模式，覆盖率 67%的数据，达到了 92%的灵敏度以 及 91%的聚类准确性。另外，算法习得的匿名分类器在命名 后，对未知数据的识别率也可达到 71%的灵敏度以及 84% 的准确率。 关键词：日常活动模式，模式挖掘，可穿戴计算 II 基于可穿戴设备的日常活动模式挖掘AB 基于可穿戴设备的日常活动模式挖掘 ABSTRACT DISCOVERING FREQUENT ADL PATTERNS FROM WEARABLE ACCELEROMETERS ABSTRACT The discovering and understanding of human physical activity has long been the research interest of wearable computing and ubiquitous computing. The generally accepted approach is to use some offline machine learning techniques to map the human physical data to pre-defined labels. However, the personalized modeling raises new challenges. One of the challenges is that the user’s activity may not occur in the pre-defined label list. This issue becomes more practical when it comes to the understanding of activities of daily living (ADLs), since people perform different ADLs according to their professions. Therefore, it requires the system to automatically discover these out-of-vocabulary activities, especially those who occupy most of the time. In this thesis, we propose an unsupe