[发明专利]基于自动特征选择和集成学习算法的人体动作识别方法

说明书

本发明公开了一种基于自动特征选择和集成学习算法的人体动作识别方法，包括以下步骤：A，获得人体动作的数据信息集；B，对人体动作的数据信息集进行重采样，利用重采样点数据、窗口数据对应的时域特征、窗口数据对应的频域特征构建样本特征空间；C，利用基于卡特树的特征评价算法和集成学习算法对样本特征空间中的样本数据进行训练，得到训练好的双层模型，其中该双层模型包括特征选择层和动作识别层；D，用训练好的双层模型对人体动作进行分类识别，实现自动特征选择和人体动作识别。本发明能够自动选择出对模型有利的特征，减少了额外的人为操作，提高了工程效率；使用集成学习算法进行人体动作识别，训练时间少，识别率高。

技术领域

本发明涉及运动科学及人工智能领域，特别涉及一种基于自动特征选择和集成学习算法的人体动作识别方法。

背景技术

随着物联网技术的发展，可穿戴健身和医疗传感设备正在迅猛兴起，它可以用于人体生理数据的采集和数据共享，在云端就可以进行数据处理和分析，最后将其结果发送给医生从而给出诊断和康复建议。这个“闭环”可以每日持续进行，经过对人体的日常动作进行识别和记录，掌握其行为习惯，更好地分析日常作息和运动强度，从而为每个人建立健康的活动计划。在此之中一项最关键的技术就是人体动作识别技术，它已应用于疾病防控、康复训练、能耗预测和健康指导等诸多方面。

传统的人体动作识别技术采用“Cut Point(分割点)”的方法，但是该方法的识别精度较低，尤其是偏静态的动作，分割点的选取准确性对识别精度影响较大。随着人工智能技术的发展，机器学习方法被引入到人体动作识别中来。目前在人体动作识别技术中使用较多的机器学习算法主要有决策树、人工神经网络、隐马尔科夫模型、支持向量机等。但是在这些研究当中，特征选择过程和动作识别过程是完全分开独立的，有的甚至根本没有特征选择的过程。我们知道数据和特征会决定模型识别效果的上限，而算法只是调整这个上限，所以特征选择相对于人体动作识别技术至关重要。此外，在动作识别模型方面，已有的研究证明了机器学习中类似决策树或者支持向量机这种单一学习器，不能保证在任何给定的人体动作识别问题上表现良好，而且只要有足够的数据，弱学习算法可以通过集成的方式生成任意高精度的强学习方法，并且目前研究已经证明了集成学习的算法模型的识别效果优于单一的学习器。然而独立的特征选择过程是人为操作，往往都是按照个人经验和已有的研究结果进行特征选择，可能会导致筛选出对识别模型无用的冗余特征，或者去掉了对识别模型影响较大的重要特征，这种现象都会影响识别模型的识别率。如果模型能够自动对原始数据进行特征选择，根据某种评价机制选择出重要度较高的特征，不仅能提升模型的识别率，还可以减少人为操作带来的不便，从而可以提高工程效率。目前还没有使用自动特征选择和动作识别算法结合在一起的模型进行人体动作识别的研究。

本发明的目的就是利用可穿戴设备采集的人体动作数据来训练一个基于卡特树特征评价算法和集成学习算法的人体动作识别模型，该模型可以自动进行特征选择和人体动作识别。

发明内容

现有技术中基于机器学习算法的人体动作识别方法中，特征选择过程和动作识别过程为两个分开独立的过程，都是独立地和人为地进行特征选择，凭靠主观和经验选择出的特征会影响模型的识别效果。本发明的目的在于，针对现有技术中的不足，提供一种基于自动特征选择和集成学习算法的人体动作识别方法，能够实现自动特征选择和人体动作识别，能够自动选择出对模型有利的特征，能获得较高的识别率，减少了额外的人为操作，提高了工程效率。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于自动特征选择和集成学习算法的人体动作识别方法，其特点是包括以下步骤：

步骤A，获得人体动作的数据信息集；

步骤B，在人体动作的数据信息集中设置一个滑动窗口，在该滑动窗口中对人体动作的数据信息集进行重采样，利用重采样点数据、窗口数据对应的时域特征、窗口数据对应的频域特征构建样本特征空间；