6、利用移动传感器识别日常生活中的人类活动以进行健康监测

利用移动传感器识别日常生活中的人类活动以进行健康监测

1. 引言

如今，人类活动识别（HAR）已成为健康监测系统中不可或缺的一部分。不健康的日常活动可能会引发许多不治之症。利用健康监测系统在早期预测这些活动，对人类有益，而HAR研究在准确识别日常生活活动中起着重要作用。

HAR 利用电子设备的研究始于 20 世纪 90 年代末。随着技术的进步，对 HAR 和数据采集方法的需求也在增加。HAR 可以从各种输入数据源进行，如人类活动的静态图像、视频或基于传感器的类时间设备的时间序列数据。本文考虑使用时间序列智能手机传感器数据。

目前，获取传感器数据并不困难，因为基于传感器的智能手机设备或物联网设备对大多数人来说都能负担得起。智能手机的普及和物联网技术的发展，使医疗设备能够进行实时分析，不同的基于传感器的可穿戴设备和物联网设备有助于患者和医疗专业人员远程识别人类活动，从而更有效地处理各种健康问题。因此，来自各种设备的数据可用于人类活动识别。

传感器数据具有高度动态性，因人而异。HAR 的主要目标是从动态数据中预测活动，它包括过渡动作和基本动作两种类型。过渡动作的研究在人类活动识别中起着关键作用，准确划分过渡动作可以提高识别率。传统的活动识别方法存在手动特征提取等缺陷，而深度学习模型在 HAR 领域显示出巨大优势。本文使用迁移学习训练三种广泛使用的基于卷积神经网络（CNN）的模型。主要目标如下：
- 读取加速度计和陀螺仪传感器数据，并将其转换为图像以训练深度学习模型。实验使用了公开可用的 “MobiAct v2” 数据集，该数据集包含智能手机的陀螺仪、方向和加速度计传感器的 11 种日常生活活动（ADL）和 4 种跌倒类型的数据。
- 使用转换后的