基于穿戴傳感器的人體行為識別技術(shù)在輔助老年人日常生活和患者康復訓練方面展現(xiàn)出巨大潛力。本書主要介紹該技術(shù)在健康領域的研究與應用，涵蓋方法流程、數(shù)據(jù)預處理、特征提取與融合、識別模型構(gòu)建等內(nèi)容，書中詳細探討了腕部和多位置穿戴傳感器的行為識別、步態(tài)數(shù)據(jù)的增強與預測、魯棒性特征提取等關(guān)鍵問題。本書可作為高等院校人工智能相關(guān)專業(yè)本科生和研究生的參考教材，也可供從事人工智能、模式識別、神經(jīng)網(wǎng)絡應用等領域的技術(shù)和研究人員閱讀。
王燕，中原工學院副教授，近年來一直從事基于傳感器的行為識別和機器人控制等方向的研究，在傳感器數(shù)據(jù)處理與融合、特征提取與降維、傳統(tǒng)機器學習及深度學習在數(shù)據(jù)科學中的研究與應用等方面打下了堅實的基礎。目前擔任多個人工智能相關(guān)的主流國際期刊的論文審稿人，與領域內(nèi)多位卓越的學者保持交流與合作。
第1章 緒論 1
1.1 人體行為識別研究的背景及意義 1
1.2 穿戴行為識別研究 4
1.3 人體行為數(shù)據(jù)增強與預測 8
參考文獻 10
第2章 人體行為識別基礎 16
2.1 人體行為識別的一般流程 16
2.2 傳感器形式 18
2.3 穿戴傳感器及其布局 18
2.3.1 穿戴傳感器類型 18
2.3.2 穿戴傳感器的布局方式 21
2.4 穿戴傳感器數(shù)據(jù)預處理 24
2.5 特征提取與選擇 25
2.5.1 人工提取的特征 25
2.5.2 自動學習的特征 28
2.5.3 特征降維與特征選擇 28
2.6 人體行為識別模型 30
2.7 人體行為識別評價指標 37
2.8 本章小結(jié) 37
參考文獻 38
第3章 基于傳統(tǒng)機器學習的人體行為識別研究 50
3.1 實驗方法及設計 50
3.1.1 實驗系統(tǒng)設計 50
3.1.2 混合感知與布局 53
3.1.3 特征提取與選擇方法 57
3.1.4 識別模型及性能評估 58
3.2 數(shù)據(jù)采集和數(shù)據(jù)處理 61
3.2.1 行為定義和穿戴行為數(shù)據(jù)采集 61
3.2.2 環(huán)境數(shù)據(jù) 64
3.2.3 人工特征集 65
3.2.4 穿戴行為數(shù)據(jù)窗口分割 68
3.2.5 互信息特征選擇方法評估擴展特征貢獻 70
3.3 核典型相關(guān)分析特征選擇mRMJR-KCCA 70
3.3.1 互信息和核典型相關(guān)分析（KCCA） 71
3.3.2 mRMJR-KCCA特征選擇 73
3.3.3 不同穿戴傳感器對行為識別的貢獻研究 77
3.3.4 mRMJR-KCCA衡量穿戴傳感器擴展特征貢獻 82
3.4 穿戴感知數(shù)據(jù)和環(huán)境感知數(shù)據(jù)融合研究 87
3.4.1 PIR傳感器識別日常行為規(guī)律 88
3.4.2 互信息特征選擇衡量穿戴行為數(shù)據(jù)與環(huán)境數(shù)據(jù)融合 89
3.4.3 mRJMR-KCCA衡量混合感知數(shù)據(jù)融合 94
3.5 本章小結(jié) 100
參考文獻 101
第4章 基于深度學習的腕部穿戴人體行為識別研究 106
4.1 腕部行為數(shù)據(jù)采集 106
4.2 多層LSTM行為識別模型的建立 108
4.3 注意力機制模型的建立 109
4.3.1 注意力機制 109
4.3.2 注意力分布 110
4.3.3 加權(quán)平均 111
4.3.4 多階段注意力機制模型 111
4.4 腕部穿戴傳感器局部移位及補償研究 114
4.4.1 混合位置行為識別補償 116
4.4.2 基于姿態(tài)角的反饋原理行為識別補償 118
4.4.3 基于源位置的遷移微調(diào)行為識別補償 121
4.5 本章小結(jié) 126
參考文獻 127
第5章 基于深度學習的多位置穿戴人體行為識別研究 129
5.1 多位置穿戴行為數(shù)據(jù)采集 129
5.2 MhaGNN框架和基準模型 132
5.3 多位置穿戴行為識別魯棒性特征提取研究 134
5.3.1 多位置穿戴行為識別實驗設置 134
5.3.2 MhaGNN框架實驗結(jié)果 135
5.3.3 MhaGNN框架與其他模型對比分析 137
5.3.4 MhaGNN框架與基準模型對比分析 140
5.4 本章小結(jié) 143
參考文獻 143
第6章 基于生成對抗網(wǎng)絡的人體步態(tài)數(shù)據(jù)增強與預測 146
6.1 下肢康復機器人 146
6.2 時間序列數(shù)據(jù)增強與預測 149
6.2.1 時間序列數(shù)據(jù)增強方法 149
6.2.2 時間序列數(shù)據(jù)預測方法 150
6.3 步態(tài)增強與預測研究框架 152
6.3.1 人體步態(tài)動作捕獲系統(tǒng) 152
6.3.2 步態(tài)數(shù)據(jù)采集與預處理 153
6.3.3 生成對抗網(wǎng)絡 155
6.4 基于GAN網(wǎng)絡的人體步態(tài)數(shù)據(jù)增強 157
6.4.1 增強模型建立及實驗設置 157
6.4.2 多維時間序列步態(tài)數(shù)據(jù)增強模型 158
6.4.3 度量結(jié)果分析 162
6.5 步態(tài)軌跡預測 167
6.5.1 基于LSTM的步態(tài)軌跡預測 168
6.5.2 基于注意力機制的步態(tài)軌跡預測 168
6.5.3 軌跡預測結(jié)果分析 169
6.6 本章小結(jié) 173
參考文獻 173
第7章 結(jié)論與展望 179
7.1 本書內(nèi)容總結(jié) 179
7.2 未來研究展望 181
書單推薦
