根据手机的传感器数据，用于预测用户的运动模式.docxVIP

根据手机的传感器数据，用于预测用户的运动模式 随机智能手机的普及，在日常生活中，大多数人在做任何事情的时候，都会随身携带手机。如果开启手机中的（传感器），当用户运动时，就可以采集大量的用户信息，根据这些信息，就可以判断当前用户的运动模式，如行走、上楼梯、下楼梯、坐、站立、躺下等等。基于这些运动模式，设计不同的场景，为健身类或运动类应用(APP)增加一些有趣功能。 在智能手机中，常见的位置信息传感器就是加速度传感器(Accelerome（te）r)和（陀螺仪）(Gyroscope)。 加速度传感器：用于测量手机移动速度的变化和位置的变化; 陀螺仪：用于测试手机移动方向的变化和旋转速度的变化; 传感器 本文主要根据手机的传感器数据，训练（深度学习）模型，用于预测用户的运动模式。 技术方案： DL：DeepConvLSTM Keras：2.1.5 TensorFlow：1.4.0 数据 本例的数据来源于UCI(即UCIrvine，加州大学欧文分校)。数据由年龄在19-48岁之间的30位志愿者，智能手机固定于他们的腰部，执行六项动作，即行走、上楼梯、下楼梯、坐、站立、躺下，同时在手机中存储传感器(加速度传感器和陀螺仪)的三维(XYZ轴)数据。传感器的频率被设置为50HZ(即每秒50次记录)。对于所输出传感器的维度数据，进行噪声过滤(NoiseFilter)，以2.56秒的固定窗口滑动，同时窗口之间包含50%的重叠，即每个窗口的数据维度是128(2.56*50)维，根据不同的运动类别，将数据进行标注。传感器含有三类：身体(Body)的加速度传感器、整体(Total)的加速度传感器、陀螺仪。 以下是根据数据绘制的运动曲线，站立(红色)、坐(绿色)、躺下(橙色)的振幅较小，而行走(蓝色)、上楼梯(紫色)、下楼梯(黑色)的振幅较大。 运动曲线 以下是在行走(Walking)中，三类传感器的三个轴，共9维数据的运动曲线： 传感器-行走 以下是在坐(Sit（TI）ng)中的运动曲线： 传感器-坐 通过观察可知，不同运动模式的传感器数据曲线拥有一定的差异性，但是有些运动模式的差异性并不明显，如行走、上楼梯、下楼梯之间;相同运动模式的传感器数据曲线也各不相同。 在数据源中，70%的数据作为训练数据，30%的数据作为测试数据，生成训练数据的志愿者与生成测试数据的不同，以保证数据的严谨性，符合在实际应用中预测未知用户动作的准则。 UCI数据源 模型 模型是基于深度学习的DeepConvLSTM算法，算法融合了卷积(ConvoluTIon)和LSTM操作，既可以学习样本的空间属性，也可以学习时间属性。在卷积操作中，通过将信号与卷积核相乘，过滤波形信号，保留高层信息。在LSTM操作中，通过记忆或遗忘前序信息，发现信号之间的时序关系。 DeepConvLSTM算法的框架，如下： DeepConvLSTM 将每类传感器(身体加速度、整体加速度、陀螺仪)的3个坐标轴(XYZ)数据，合并成一个数据矩阵，即(128,3)维，作为输入数据，每类传感器均创建1个DeepConvLSTM模型，共3个模型。通过3次卷积操作和3次LSTM操作，将数据抽象为128维的LSTM输出向量。 在CNN的卷积单元中，通过卷积(1x1卷积核)、BN、MaxPooling(2维chihua)、Dropout的组合操作，连续3组，最后一组执行Dropout。通过MaxPooling的降维操作(2^3=8)，将128维的数据转为为16维的高层特征。 CNN 在RNN的时序单元中，通过LSTM操作，隐含层神经元数设置为128个，连续三次，将16维的卷积特征转换为128维的时序特征，再执行Dropout操作。 LSTM 最后，将3个传感器的3个模型输出，合并(Merge)为一个输入，即128*3=384，再执行Dropout、全连接(Dense)、BN等操作，最后使用Softmax激活函数，输出6个类别的概率。 Merged 选择概率较大的类别，作为最终预测的运动模式。 效果 在第48层中，即Concatenate层，将3个传感器的LSTM输出合并(Merge)成1个输入，不同类别的特征，效果也不同，如： MergedLayer 训练参数： epochs=100batch_size=256kernel_size=3pool_size=2dropout_rate=0.15n_classes=6 最终效果，在测试集中，准确率约为95%左右： loss:0.0131-acc:0.9962-val_loss:0.1332-val_acc:0.9535val_f1:0.953794val_precision:0.958533val_recall0.949101 如果继续调整参数，还可以提升准确率。 通过深度