[发明专利]改进朴素贝叶斯算法基于手机传感器的用户行为识别方法

说明书

本发明提出了一种改进朴素贝叶斯算法基于手机传感器的用户行为识别方法，利用手机传感器采集的原始数据来训练改进的朴素贝叶斯机器学习模型，然后对数据进行分类识别，总体流程包括以下步骤：S1，数据采集与处理；S2，特征提取；S3，分类识别。首先利用智能手机所集成的传感器，采集不同行为下的数据信息并且进行预处理；然后对传感器单轴数据提取标准差、均值、波峰波谷、波峰间隔、相关系数等特征属性，对两轴间数据提取均值比和绝对差均值特征属性；其次利用改进的朴素贝叶斯算法，该算法将属性加权和实例加权相结合，核心是将属性权重纳入朴素贝叶斯分类公式，利用实例加权训练数据估计先验概率和条件概率。最后根据训练集得到各分类的先验概率，然后获得未知类别样本的后验概率，通过比较概率大小得到未知类别样本的分类实现对行为的分类。

技术领域：

本发明涉及用户行为识别方法，尤其是涉及一种改进朴素贝叶斯算法基于手机传感器的用户行为识别方法。

技术背景：

用户行为识别技术是通过对用户的外在行为进行分析从而得到用户行为模式的过程，在人工智能、模式识别等领域有着广泛的应用前景。由于传感器数据能够反映出人体行为的不同特征，目前有大量可穿戴传感器的相关研究，比如采用三轴加速度传感器和陀螺仪结合的方式构造了老年人活动感知设备，两个加速度传感器佩戴在右手臂前后来解决交互式游戏中的上肢动作识别问题。但是研究者需要在在不同的身体部位，如臂膀、腰部、大腿、手腕、脚踝等，设置专用运动传感器来捕获行为数据，这些传感器对佩戴者日常生活工作造成影响，不能为活动监督或行为预测提供长期有效的解决方案，同时可穿戴设备存在市场价格昂贵，日常穿戴不便等不足随后研究热点转移到智能手机传感器上。

随着手机终端制造水平的不断提高，人们对行为识别理论研究的深入，智能手机自身集成了各种传感器，利用加速度计、陀螺仪、磁力计等传感器采集人体行为模式下的多种数据信息，结合机器学习的能力，可以识别出用户的行为。目前，手机作为人们日常生活工作中不可或缺的通讯设备，智能手机的随身携带的特性解决了数据采集的难题，智能手机中传感器可产生并记录大量运动相关的数据和信息。本文提出一种基于智能手机传感器并采用朴素贝叶斯机器学习算法识别用户行为的方法。

发明内容：

本发明针对现有基于手机传感器的用户行为识别方法提出了一种改进朴素贝叶斯算法的行为识别方法。本发明利用手机传感器采集的原始数据来训练改进的朴素贝叶斯机器学习模型，然后对数据进行分类识别，总体流程包括原始数据采集与处理、特征提取、分类识别三大部分。首先利用智能手机中含有的加速度传感器、陀螺仪、方向传感器、磁场传感器等，采集不同行为下的数据信息并且进行预处理；然后对数据提取标准差、均值、极差、波峰波谷、波峰间隔、相关系数等不同特征值，得到特征向量；其次利用改进的朴素贝叶斯算法，该算法将属性加权和实例加权相结合，核心是将属性权重纳入朴素贝叶斯分类公式，利用实例加权训练数据估计先验概率和条件概率。最后根据训练集得到各分类的先验概率，然后获得未知类别样本的后验概率，通过比较概率大小得到未知类别样本的分类实现对行为的分类。

一种改进朴素贝叶斯算法基于手机传感器的用户行为识别方法，

S1:通过用户手机内置的加速度传感器、陀螺仪、方向传感器、磁场传感器采集数据，并对数据进行噪声去除、数据分离、数据加窗处理；

S2:以均值、标准差、极差、波峰波谷、波峰间隔、相关系数作为提取单轴数据的特征对步骤S1的数据进行特征提取，采用均值比、绝对差均值作为提取三轴中两两数据之间的相关性特征；

S3:基于步骤S2的特征对用户行为进行识别,具体包括

S31:对数据特征选择并对数据进行预分类，确定实验训练数据集和测试数据集；

S32：将步骤S31中的已知实验训练数据集通过公式(16)-(20)得到先验概率，构建AIWNB分类器：