人类行为识别是对于专用设备或者智能手机记录的人类行为数据做的分类,对于这一问题的经典方法有基于固定窗口和训练机器学习模型的特征的分类,例如决策树。困难时这一特征构建需要很强的专业技能。
近来,深度学习方法如循环神经网络如LSTMs和其一维循环神经网络(CNNs)的变种已经可以对人类行为识别问题做到很少或者没有特征构建,取而代之的是使用原始数据进行特征学习。
本文档包含三种循环神经网络对行为识别时间序列进行分类
智能手机数据集的行为识别
人类行为识别,即HAR,是使用传感器基于人的一系列动作预测这个人正在做什么。标准人类行为识别数据集是2012年的‘Activity Recognition Using Smart Phones Dataset’ 。这一数据集是Davide Anguita, et al在2013年的论文“A Public Domain Dataset for Human Activity Recognition Using Smartphones.”
这一数据集可以在UCI机器学习仓库下载。
数据集涉及30个主体由19到48岁的进行六个标准动作之一,他们在腰部穿戴着智能手机记录动作数据。
六个动作包括以下:
1行走
2上楼梯
3下楼梯
4坐下
5站立
6躺下
记录的动作数据是智能手机的x,y和z加速器数据(线性数据)和陀螺仪,数据是50Hz记录。每一个主体执行两次,一次是左手侧的设备,一次是右手侧的设备。
原始数据不可获得但是处理之前版本数据可以获得,处理步骤包括:
*使用噪声过滤方法对加速器和陀螺仪数据处理
*将数据分成50重叠的2.56秒的固定窗口(128个数据点)。将加速器数据分成重力(total)和身体动作部分
特征构建应用于窗口数据,同时也将这一特征构建数据备份。应用于人类行为识别的大量时间和频率特征也从每个窗口提取。结果是561个元素向量特征。基于主体数据将数据集分成70%的训练集和30%的测试集。
实验结果(固定点算法)应用于支持向量机得到的模型在测试集上运行准确率为89%,与未修改SVM得到相似的结果。
1LSTM网络模型
这一节我们建立长短期记忆网络模型(LSTM),LSTM网络模型是一种