基于半监督学习的自适应运动识别算法研究.pdfVIP

基于半监督学习的自适应运动识别算法研究

摘要

近年来，随着电子元器件的价格下降和智能手机的普及，基于可穿戴传感器或智能

手机的人类活动识别应运而生，被广泛应用在老年护理、健康监测、医疗保健和游戏娱

乐等多个领域。传统的基于监督学习的人类活动识别通过对原始数据进行降噪、特征提

取等一系列处理后，训练出一个可靠的人类活动识别模型。

不同的分类器具有不同的分类性能。选择更好的分类器会使识别精度更高、性能表

现更优越。另外，数据集对模型的性能表现起着根本性和决定性的影响。由于不同受试

者的运动习惯各不相同，为了能够更好地覆盖更多人的运动习惯，需要大量的有标数据

作为支撑。然而有标数据的采集需要消耗大量的人力物力，这为人类活动识别带来障碍。

近年来，众包数据收集是一种收集数据的有效方式。但众包所收集的海量传感器数据通

常是未标记的，传统的监督学习方法无法利用这些数据。如何充分利用未标记数据来丰

富数据集，成为近年来的研究热点之一。

半监督学习是丰富数据集的一种有效方法，它利用少量的标记数据来标记大量的未

标记数据。然而，经过半监督学习的丰富数据集可能包含了一些错误的数据标签。在这

种情况下，一些分类器由于其鲁棒性和泛化能力较差，使得活动识别精度较低。因此，

如何设计一种半监督学习方法，以较低的训练强度、较高的鲁棒性和准确性来实现人类

活动识别是我们必须要考虑的问题。

本文基于智能手机的人类活动识别研究工作如下：

（1）提出了基于LightGBM算法的人类活动识别方法。实验数据集包含20个受试

者，其中每个受试者有五种室内活动（走路、静立、爬楼梯、乘扶梯和乘电梯）和四种

智能手机放置位置（背包、裤子口袋、平端和手握）。本文首先可视化分析了不同受试

者以及同一个受试者不同活动的原始数据，为分类提供依据。在分类阶段，实现了

LightGBM算法在人类活动识别领域的应用，并通过10折交叉验证对算法的关键参数

进行调参实验。实验结果表明，LightGBM相比其它分类器表现出了更加优越的人类活

动识别性能。

（2）针对有标数据采集困难和数据集丰富度不够的问题，设计了一种基于半监督

LightGBM的人类活动识别解决方案。在半监督LightGBM中，首先采用标签扩散算法

来对无标数据进行标记来构建一个完备和丰富的数据集。基于此数据集，LightGBM训

练出一个鲁棒的分类模型。实验结果表明，标记准确率可以达到97%，该方法能很好地

丰富数据集。相比传统的监督学习方法和其它的半监督方法，我们所提出的半监督

I

LightGBM算法具有更高的鲁棒性和精确性。针对不同位置和不同活动分类，半监督

LightGBM的F分数分别能够达到86.06%和85.24%。

关键词：人类活动识别，半监督学习，LightGBM，智能手机

II

StudyonAdaptiveActivityRecognitionAlgorithmBasedon

Semi-SupervisedLearning

Abstract

Inrecentyears,withthedeclineinthepriceofelectroniccomponentsandthepopularity

ofsmartphones,humanactivityrecognitionbasedonwearablesensorsorsmartphoneshas

emergedasthetimesrequire,andhasbeenwidelyusedinmanyfields,suchaselderlycare,

healthmonitoring,medicalcareandg