论文学习UCI-HAR-dataset 01：A Public Domain Dataset for Human Activity Recognition Using Smartphones
A Public Domain Dataset for Human Activity Recognition Using Smartphones
ABSTRACT
以人为中心的计算是一个新兴的研究领域，旨在了解人类行为并将用户及其社交环境与计算机系统集成。该框架中最新，具有挑战性和吸引力的应用程序之一是使用智能手机收集有关人的动作的上下文信息来感应人体运动。 在这种情况下，我们在这项工作中描述了一个活动识别数据库，该数据库是根据30名从事日常活动（ADL）的受试者的记录而建立的，同时携带了带有嵌入式惯性传感器的腰部安装在智能手机上的智能手机，该智能手机在井上公开发布 已知的在线存储库。通过使用多类支持向量机（SVM）在数据集上获得的结果也得到认可。
1 Introduction
人类活动识别（HAR）的目的是通过对自己和周围环境的一系列观察来识别一个人所执行的动作。 可以通过利用从各种来源（例如环境[1]或穿戴式传感器[2、3]）中检索到的信息来完成识别。 一些方法已经在腰部，腕部，胸部和大腿等不同身体部位采用了专用的运动传感器，以实现良好的分类性能[4]。 这些传感器通常使普通用户感到不舒服，并且不提供用于活动监测的长期解决方案（例如，穿衣后重新放置传感器[5]）。
智能手机为以人为本的应用带来了新的研究机会，其中用户是上下文信息的丰富来源，而手机是第一手的感知工具。 最新的设备带有嵌入式内置传感器，例如麦克风，双摄像头，加速度计，陀螺仪等。将智能手机与惯性传感器一起使用是HAR的替代解决方案。 这些大量销售的设备提供了一种灵活，可负担和自包含的解决方案，可以自动且毫不干扰地监视日常生活活动（ADL），同时还提供电话服务。
因此，在最近几年中，提出了一些旨在了解使用智能手机的人类行为的著作：例如，在[6]中，最早采用Android智能手机来利用其嵌入式三轴加速度计来开发用于HAR的方法之一； 在[7，8]中也提出了其他结果。 仍有望在诸如多传感器融合等主题中进行改进，以实现更好的HAR分类，标准化性能评估指标[9]并提供公共数据进行评估。
在HAR研究框架中，一些数据集已经发布到公共领域：“机会项目”之一[10]是一个示例，它使用72个环境和人体传感器在传感器丰富的环境中记录了一组ADL。 同样，其他作品也提供了公共数据，例如[11]和[12]。 公开可用的数据集提供了该领域不同学科和研究人员的免费数据源。 因此，我们提出了一个新的数据集，该数据集是使用来自智能手机加速度计和陀螺仪的惯性数据创建的，旨在识别六种不同的人类活动。 还显示了通过利用多类支持向量机（SVM）分类器[13]获得的一些结果。
2 Methodology
进行了一组实验以获得HAR数据集。 选择了30名年龄在19至48岁之间的志愿者作为该任务。 指示每个人戴着腰围安装的Samsung Galaxy S II智能手机时要遵循的活动规程。 选定的六个ADL是站立，坐着，躺下，行走，在楼下和楼上行走。 每个受试者执行两次实验方案：在第一次试验中，将智能手机固定在皮带的左侧，在第二次试验中，由用户自己将其放置为首选。 告诉每个人休息的每个任务之间还有5秒的间隔，这有助于重复性（每次活动至少要尝试两次）和通过可视界面生成地面槽。 这些任务是在实验室条件下执行的，但要求志愿者自由地执行一系列活动，以获得更加自然的数据集。 表1显示了实验协议的详细信息。
2.1 Signal Processing
我们使用手机加速度计和陀螺仪以50Hz的采样率收集了三轴线性加速度和角速度信号。 使用中值滤波器和截止频率为20 Hz的三阶低通Butter-worth滤波器对这些信号进行了预处理，以降低噪声。 该速率足以捕获人体运动，因为其能量的99％包含在15Hz以下[3]。 使用另一个巴特沃斯低通滤波器将具有重力和人体运动成分的加速度信号分离为人体加速度和重力。 假定重力仅具有低频分量，因此从实验中我们发现，对于恒定重力信号，0.3 Hz是最佳转折频率。
通过从三轴信号计算欧氏幅度和时间导数（加加速度da / dt和角加速度dw / dt），可以获得其他时间信号。然后，在2.56秒的固定宽度滑动窗口中对时间信号进行采样，它们之间有50％的重叠，因为：
•普通人的步行节奏在[90，130]步/分钟[14]以内，即 最低1.5步/秒；
•每个窗口样本至少需要一个完整的步行周期（两步）；
•节奏较慢的人（例如老年人和残疾人）也应从此方法中受益。 我们假设最低速度等于人类平均节奏的50％；
•信号还通过快速傅里叶变换（FFT）在频域中映射，该信号已针对两个矢量的幂进行了优化（2.56sec×50Hz = 128cycles）。
因此，用这种方法获得了总共17个信号，这些信号在表2中列出。
2.2 Feature Mapping
从上面描述的每个采样窗口中，获得了特征向量。 特征映射采用了先前在HAR文献[15]中使用的标准度量，例如均值，相关性，信号幅度区域（SMA）和自回归系数[16]。 为了改善学习性能，还采用了一组新的功能，包括不同频带的能量，频率偏度和向量之间的角度（例如平均身体加速度和y向量）。 表3列出了适用于时域和频域信号的所有度量的列表。
总共提取了561个特征来描述每个活动窗口。 为了简化性能评估，该数据集还被随机分为两个独立的集合，其中70％的数据被选择进行训练，其余30％的数据被选择进行测试。 人类活动识别数据集已经可供公众使用，并以原始惯性传感器信号以及每种模式的特征向量的形式呈现。 它已作为UCI机器学习存储库中的“使用智能手机进行人类活动识别”数据集提交[17]，并且可以通过以下链接访问（有关数据许可和使用的信息可以从随附的自述文件中检索）：http://archive.ics.uci.edu/ml/datasets/Human+Activity+Recognition+Using+Smartphones
3 Experimental results
我们在HAR数据集上进行了一些实验，以期对未来的用户有所认可。 为此，我们利用了众所周知的最先进的支持向量机（SVM）[13]二进制分类器，这些分类器通过“一对多”（OVA）方法推广到多类情况：SVM 通过10倍交叉验证过程选择超参数，并且将高斯核用于我们的实验。
表4给出了使用6类ADL的多类SVM（MC-SVM）进行分类的结果。对于由2947个模式组成的测试数据，其总体准确性为96％。 使用专用传感器在HAR上进行的类似工作已显示出可比的性能（90％-96％），例如在[3]中，该系统通过使用提供的腰部安装三轴加速度计从6名志愿者收集的数据对12 ADL的分类进行了开发 准确度达到90.8％，在[18]中类似地使用胸部安装式加速度计对5种ADL进行分类，其识别性能为93.9％。 这可以证明，与其他专用解决方案（例如可穿戴式传感器）相比，智能手机的使用不仅更具吸引力且侵入性小，而且是步行以有效执行HAR的可行方式。 还值得强调的是，MC-SVM模型的性能比在我们在[19]中描述的先前数据集中学习的分类器的性能要高7％，在该数据集中，仅将来自智能手机的加速度数据用于识别：这表明新功能， 如第2.2节所述，将其引入可公开获得的数据集可简化学习过程。
4 Conclusions
在本文中，我们介绍了使用智能手机的HAR的新的公开可用数据集，并使用多类支持向量机方法确认了一些结果。用于对智能手机惯性数据进行分类的多类SVM显示出与以前使用特殊用途传感器的工作类似的识别性能，因此加强了这些设备在HAR方面的应用。 我们还重点介绍了使用该新数据集相对于以前版本（具有减少的功能集）对学习模型的分类性能的改进。
但是，存在改进的空间：尽管由于已发布数据集中新引入的功能，可以对动态活动进行有效分类，但非动态操作仍然存在错误分类重叠的情况。 这需要对可用输入进行进一步研究，并对HAR过程管道阶段进行修订。 最后，将在我们即将进行的工作中评估计算复杂性方面，例如电池寿命和应用程序的实时处理。
Acknowledgments. This work was supported in part by the Erasmus Mundus Joint Doctorate in Interactive and Cognitive Environments, which is funded by the EACEA Agency of the European Commission under EMJD ICE FPA n 2010-0012.
References
[1] R. Poppe. Vision-based human motion analysis: An overview. Computer Vision and Image Understanding,
108(1-2):4–18, 2007.
[2] P. Lukowicz, J.A.Ward, H. Junker, M. St¨ager, G. Tr¨oster, A. Atrash, and T. Starner. Recognizing workshop
activity using body worn microphones and accelerometers. Proceedings of the 2nd Int Conference
Pervasive Computing, pages 18–22, 2004.
[3] D.M. Karantonis, M.R. Narayanan, M. Mathie, N.H. Lovell, and B.G. Celler. Implementation of a
real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring. IEEE
Transactions on Information Technology in Biomedicine, 10(1):156–167, 2006.
[4] R. Nishkam, D. Nikhil, M. Preetham, and M.L. Littman. Activity recognition from accelerometer
data. In Proceedings of the Seventeenth Conference on Innovative Applications of Artificial Intelligence,
pages 1541–1546, 2005.
[5] L. Bao and S.S. Intille. Activity recognition from user-annotated acceleration data. In T. Kanade,
J. Kittler, J.M. Kleinberg, F. Mattern, J.C. Mitchell, O. Nierstrasz, C. Pandu Rangan, B. Steffen, D. Terzopoulos,
D. Tygar, M.Y. Vardi, and A. Ferscha, editors, Pervasive Computing, pages 1–17. 2004.
[6] J.R. Kwapisz, G.M. Weiss, and S.A. Moore. Activity recognition using cell phone accelerometers.
SIGKDD Explorations Newsletter, 12(2):74–82, 2011.
[7] T. Brezmes, J.L. Gorricho, and J. Cotrina. Activity recognition from accelerometer data on a mobile
phone. Distributed Computing, Artificial Intelligence, Bioinformatics, Soft Computing, and Ambient
Assisted Living, pages 796–799, 2009.
[8] W.Wu, S. Dasgupta, E.E. Ramirez, C. Peterson, and G.J. Norman. Classification accuracies of physical
activities using smartphone motion sensors. Journal of Medical Internet Research, 14(5), 2012.
[9] M.F.A. bin Abdullah, A.F.P. Negara, M.S. Sayeed, D.J. Choi, and K.S. Muthu. Classification algorithms
in human activity recognition using smartphones. International Journal of Computer and Information
Engineering, 6:77–84, 2012.
[10] D. Roggen, A. Calatroni, M. Rossi, T. Holleczek, K. F¨orster, G. Tr¨oster, P. Lukowicz, D. Bannach,
G. Pirkl, and A. Ferscha. Collecting complex activity data sets in highly rich networked sensor environments.
In Proceedings of the 7th International Conference on Networked Sensing Systems 2010,
2010.
[11] E.M. Tapia, S.S. Intille, L. Lopez, and K. Larson. The design of a portable kit of wireless sensors for
naturalistic data collection. In Proceedings of PERVASIVE 2006, pages 117–134, 2006.
[12] S. Dernbach, B. Das, N.C. Krishnan, B.L. Thomas, and D.J. Cook. Simple and complex activity recognition
through smart phones. In 2012 8th International Conference on Intelligent Environments, pages
214–221, 2012.
[13] C. Cortes and V. Vapnik. Support-vector networks. Machine learning, 20(3):273–297, 1995.
[14] C. BenAbdelkader, R. Cutler, and L. Davis. Stride and cadence as a biometric in automatic person
identification and verification. In Proceedings of the Fifth IEEE International Conference on Automatic
Face and Gesture Recognition, pages 372–377, 2002.
[15] J.Y. Yang, J.S. Wang, and Y.P. Chen. Using acceleration measurements for activity recognition: An
effective learning algorithm for constructing neural classifiers. Pattern recognition letters, 29(16):2213–
2220, 2008.
[16] A.M. Khan, Y.-K. Lee, S.Y. Lee, and T.-S. Kim. Human activity recognition via an accelerometerenabled-
smartphone using kernel discriminant analysis. In Proceedings of the 5th International Conference
on Future Information Technology, pages 1–6, 2010.
[17] A. Frank and A. Asuncion. UCI machine learning repository, 2010.
[18] Y. Hanai, J. Nishimura, and T. Kuroda. Haar-like filtering for human activity recognition using 3d
accelerometer. In Digital Signal Processing Workshop and 5th IEEE Signal Processing Education
Workshop, 2009. DSP/SPE 2009. IEEE 13th, pages 675 –678, jan. 2009.
[19] D. Anguita, A. Ghio, L. Oneto, X. Parra, and J.L. Reyes-Ortiz. Human activity recognition on smartphones
using a multiclass hardware-friendly support vector machine. In Proceedings of the International
Workshop of Ambient Assited Living, 2012.