第一章 引言 1
1.1 什么是行为识别 1
1.2 为什么需要行为识别 2
1.3 研究行为识别的工具和方法有哪些 5
1.4 我们的研究内容、研究工具、研究方法是什么 10
1.4.1 研究内容——个人日常行为识别及其流程 10
1.4.2 研究工具——行为识别中的传感器设备 14
1.4.3 研究方法——机器学习方面的研究现状 16
1.5 我们遇到的挑战有哪些 48
1.6 本书的贡献 50
第二章 行为数据采集和特征提取 54
2.1 数据采集要求 54
2.1.1 现有的公共数据集 54
2.1.2 数据采集设备的多样性 58
2.1.3 数据采集要求 62
2.2 数据采集过程 62
2.3 数据分割和标定 63
2.4 特征提取 64
2.4.1 时域特征 65
2.4.2 频域特征 67
2.5 样本集统计信息 69
2.6 小结 73
第三章 非特定传感器行为识别方法 74
3.1 问题描述 74
3.2 相关研究工作 77
3.3 面向异质加速度传感器数据的预处理方法 79
3.3.1 合成加速度的规范化方法 80
3.3.2 基于时间窗的采样频率一致化方法 81
3.4 实验及结果分析 83
3.4.1 数据准备 83
3.4.2 量纲对数据分布的影响 84
3.4.3 采样频率对数据分布的影响 87
3.4.4 方法的效果 91
3.5 小结 95
第四章 非特定位置行为识别方法 96
4.1 问题描述 96
4.2 相关研究工作 98
4.3 基于特征迁移的非特定位置行为识别模型 101
4.3.1 合成加速度数据 102
4.3.2 基于PCA的特征降维处理 103
4.3.3 极速学习机分类器 104
4.3.4 样本的自标定 108
4.3.5 模型的在线增量更新 109
4.4 实验及结果分析 111
4.4.1 分类器性能比较 113
4.4.2 未进行PCA变换时的交叉位置行为识别实验 114
4.4.3 进行PCA变换后的交叉位置行为识别实验 115
4.4.4 自适应调整后模型对新旧位置数据的识别能力实验 117
4.5 小结 120
第五章 非特定人行为识别方法 121
5.1 问题描述 121
5.2 相关研究工作 122
5.3 一种基于迁移学习的嵌入决策树算法 124
5.3.1 算法框架 125
5.3.2 二叉决策树的构建及迁移 126
5.3.3 新用户高置信度样本的筛选过程 127
5.3.4 二叉决策树模型的更新过程 130
5.4 实验及结果分析 132
5.4.1 数据准备 132
5.4.2 决策树模型对个人数据的区分能力 133
5.4.3 不同用户两两之间模型的交叉验证实验 134
5.4.4 算法性能 135
5.4.5 决策树模型和训练样本数量的关系 135
5.4.6 个性化模型和新用户样本的关系 136
5.5 小结 137
第六章 非特定类别行为识别方法 139
6.1 问题描述 139
6.2 相关研究工作 140
6.3 基于结构迁移的非特定类别行为识别方法 142
6.3.1 算法框架 142
6.3.2 具有疑似异常行为识别能力的极速学习机 143
6.3.3 新类别样本的发现和标定 145
6.3.4 极速学习机模型结构的迁移和更新 146
6.4 实验及结果分析 150
6.4.1 数据准备 151
6.4.2 模型选择 152
6.4.3 识别异常行为的实验 152
6.4.4 分类器性能VS新样本数量 153
6.4.5 行为识别模型稳定性实验 154
6.4.6 批量学习与增量学习的性能比较实验 155
6.5 小结 156
第七章 基于智能移动终端的社区老人健康感知公共服务系统 157
7.1 问题描述 157
7.2 系统架构 159
7.3 系统的基本功能 160
7.3.1 行为识别 161
7.3.2 热量消耗估计 161
7.3.3 跌倒报警 162
7.4 系统功能的设计与实现 163
7.4.1 行为识别功能的实现 163
7.4.2 行为统计分析功能的实现 167
7.4.3 热量消耗估计功能的实现 168
7.4.4 跌倒检测功能的实现 171
7.5 小结 172
第八章 结束语 173
8.1 本书工作总结 173
8.2 未来工作展望 175
参考文献 178