面向加速度传感器人体动作识别中的张量方法研究

This project aims to investigate the effective human activity recognition algorithm based on accelerometer. To improve the accuracy of multi-class activity recognition using accelerator signal, we employ the mobile devices to develop a new multi-class human activity recognition framework, which is composed of the low-level feature extraction, middle-level representation and classification design. Signal processing methods based on tensor representation and analysis are used for low-level feature extraction, such that the intrinsic structure of signals could be exploited. Considering the general “semantic gap” between the low-level features and high-level semantics in existing activity recognition algorithms, we propose the attribute based feature representation. The attributes can be regarded as the middle-level semantic representations of the low-level features, and thus it releases the negative impact of semantic gap on activity recognition and leads to the improvement of activity recognition accuracy. To strengthen the recognition ability and robustness of the model, this project adopts the sparse coding and multinomial logistic regression techniques. Compared with the existing methods, the proposed approach can handle the massive and complex low-level data, sufficiently exploit the connections between low-level features and high-level classification tasks, and improve the activity recognition accuracy.

本课题研究面向加速度传感器的人体动作识别的有效方法。针对目前基于加速度信号的多类别动作识别精度不高的问题，拟提出一种人体动作识别整体研究框架。该框架综合了底层特征提取，中层表达和分类器设计。在信号底层特征提取过程中，拟采用基于张量表达与分析的信号处理方法，从而能有效的挖掘信号内在的结构特性。其次，在目前行为识别算法中，针对特征表达方面普遍存在的底层信号特征和高层语义之间的“语义鸿沟”问题，拟提出基于属性方法的特征表达。该属性表达是对低层特征的中层语义表达，能够有效的缓解语义鸿沟给行为识别带来的负面影响，为提高行为识别精度奠定基础。最后，为了提高行为模型的识别能力和鲁棒性，本课题拟采用稀疏编码与多元逻辑回归联合学习的识别方法。与现有方法相比，所提出的方法充分利用了底层特征与高层分类任务的联系，克服了底层数据繁多难以处理的问题，提高了行为识别的精度。

近些年来，物联网和智能设备引起研究人员越来越多的关注。利用加速度传感器产生的加速度信号，可以分析日常的人体行为，比如行走、跑步和站立。同其它模式识别应用一样，如图像标注和文字识别，特征提取和特征选择以及分类器设计是大多数面向加速度传感器人体动作识别研究主要关注的方面。本课题针对目前基于加速度信号的多类别动作识别精度不高的问题，提出了一种人体动作识别整体研究框架，并以此为基础进一步提升动作识别的准确率。该框架综合了特征提取，中层表达和特征融合等研究内容。在信号底层特征提取过程中，采用了基于张量表达与分析的信号处理方法，从而能有效的挖掘信号内在的结构特性。其次，在目前行为识别算法中，针对特征表达方面普遍存在的底层信号特征和高层语义之间的“语义鸿沟”问题，提出了基于属性方法的特征表达。该属性表达是对低层特征的中层语义表达，能够有效的缓解语义鸿沟给行为识别带来的负面影响，为提高行为识别精度奠定基础。最后，针对单一视角包含的人体信息偏差大的问题，本课题采用多视角完备空间学习算法，通过在多个视角内对完整信息进行编码从而寻找潜在完整空间的数据表达。项目执行期间培养了该方向硕士研究生6名，相关学生也取得了诸多学术成果，并在国际国内高水平学术期刊、会议上发表了多篇论文，其中论文23篇，包括SCI论文20篇，国际会议论文3篇，申请发明专利2项，其中已授权2项。所形成的研究成果被应用于中国科学院深圳先进院的柔性外骨骼项目中，该成果用于驱动柔性外骨骼装备。此外，项目成果还可广泛应用于人机交互领域特别是医疗监护、辅助康复治疗、智能机器人、运动预测等方面，从而为提升相关领域的智能化水平提供技术支撑。