学校编码：10384 分类号_____密级
学号：23020101153085 UDC
硕 士 学 位 论 文
基于手机传感器的行为识别和行为习惯分
析
Research on Human Activity Recognition and Behavior
Analysis based on Smart Phone Sensor
赵 瑞
指 导 教 师：郑灵翔 高级工程师
洪景新 高级工程师
专 业 名 称：计算机应用技术
论 文提交日期：2013 年 月
论 文答辩日期：2013 年 月
学 位授予日期：2013 年 月
答辩委员会主席：
评阅人：
2013 年 月
厦门大学博硕士论文摘要库
厦门大学学位论文原创性声明
本人呈交的学位论文是本人在导师指导下，独立完成的研究成果。
本人在论文写作中参考其他个人或集体已经发表的研究成果，均在文
中以适当方式明确标明，并符合法律规范和《厦门大学研究生学术活
动规范(试行)》。
另外，该学位论文为( )课题
(组)的研究成果，获得( )课题(组)经
费或实验室的资助，在( )实验室完成。
(请在以上括号内填写课题或课题组负责人或实验室名称，未有此项
声明内容的，可以不作特别声明。)
声明人(签名)：
年 月 日
厦门大学博硕士论文摘要库
厦门大学学位论文著作权使用声明
本人同意厦门大学根据《中华人民共和国学位条例暂行实施办法》
等规定保留和使用此学位论文，并向主管部门或其指定机构送交学位
论文(包括纸质版和电子版)，允许学位论文进入厦门大学图书馆及其
数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博士、
硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘要汇
编出版，采用影印、缩印或者其它方式合理复制学位论文。
本学位论文属于：
( )1.经厦门大学保密委员会审查核定的保密学位论文，
于 年 月 日解密，解密后适用上述授权。
( )2.不保密，适用上述授权。
(请在以上相应括号内打“√”或填上相应内容。保密学位论文
应是已经厦门大学保密委员会审定过的学位论文，未经厦门大学保密
委员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认
为公开学位论文，均适用上述授权。)
声明人(签名)：
年 月 日
厦门大学博硕士论文摘要库
摘 要 Ⅰ
摘 要
近几年来，随着信息科学和传感器技术的进步，基于传感器的人体行为识别
获得了极大的发展。其中基于可穿戴传感器的行为识别作为移动式计算的重要方
面给各种上层应用提供了许多支持，例如在智能家居、老人或病人监护等领域使
用可穿戴式传感器可以实时获得用户的活动情况，从而快速准确的识别出当前用
户的行为活动。但是将传感器安装在用户身上进行长时间内的行为感知会给用户
的正常生活带来很多不便，所以手机传感器作为采集数据的载体越来越受到研究
者的关注。手机传感器的便携性和隐蔽性可以避免给用户带来不便，但是大量的
研究仅仅是使用手机进行短时间的数据采集。因此，本文基于智能手机采集用户
长时间的行为活动数据，对行为识别与分析的相关方法进行研究。
论文的主要工作有两部分：首先采用集成分类器方法对手机采集到的数据进
行行为识别，然后使用聚类算法和关联算法对行为进行分析：
在行为识别阶段，首先为了获得更好的数据预处理结果，论文对滤波算法的
有效性进行比较研究，使用高通滤波加均值滤波以及独立成分分析加小波变换两
种方法对原始数据进行预处理，从数据处理效果来看采用后一种方法能够使各项
活动状态信号之间的差异性更大，滤波效果更优。然后使用集成分类器进行行为
识别并与单一分类器的识别结果进行多方面的比较，并通过实验证明使用集成分
类器进行分类能够获得更好的识别效果。
在行为分析阶段，为了研究哪些方法适合应用于行为分析，本文在行为识别
的基础上使用相关聚类算法和关联分析方法对用户日常行为活动进行分析。首先
将基于阈值半径的自适应 K-means 算法应用于行为信息聚类分析，通过对活动热
点区域的聚类分析，说明该方法能够获得较好的聚类结果。然后将 Cramer 方法
应用于行为信息相关程度分析，通过对影响用户就餐习惯的因素进行相关程度分
析，得出就餐时间与就餐地点之间呈强相关性，说明使用 Cramer 方法能够有效
地分析出行为信息之间的相关程度。最后将 Apriori 方法应用于行为活动预测，
通过对影响用户是否去海边的因素进行分析，得出天气、工作时间等因素对活动
的影响情况，实验证明使用 Apriori 方法能够获得各因素对活动的影响情况，并
且有效的对用户的行为进行预测。
厦门大学博硕士论文摘要库
摘 要 Ⅱ
本文使用手机传感器长时间采集用户的行为数据，并通过分析数据获得用户
的活动类型和行为习惯。用户活动类型识别和行为习惯分析在广告精准投放、交
通管制、智能家居等智能环境中得到广泛的应用，根据这些信息还能够为用户提
供多样化的智能服务。本文研究的结果不仅能够更好的服务人类，同时还为相关
行业带来很多商机与利润。
关键词：行为识别；集成分类器；K-means
厦门大学博硕士论文摘要库
ABSTRACT
Ⅲ
ABSTRACT
In recent years, with the progress of computer science and sensor technology,
sensor-based human activity recognition gained great development. Wearable
sensor-based activity recognition as an important aspect of mobile computing
provides a lot of applications, such as smart home, elderly or patient monitoring. By
using wearable sensor, we can obtain the user’s activity in real time in order to
identify the behavior quickly and accurately. However, the sensors which are
equipped on the users will give user much inconvenience. Therefore, smart phone as a
device for data collection attracts much attention nowadays. However, lots of research
is only for a short period data collection. Therefore, we study the related methods of
behavioral recognition and analysis base on user’s long-time activity data collected by
smart phone.
In this paper, we use ensemble classifier on the user's behavior identification,
and clustering algorithms and related algorithms to analyze the user's behavior.
In the activity recognition phase, Firstly in order to obtain better data
preprocessing results, we have a comparative study of the effectiveness of the filtering
algorithm, and preprocess the original data respectively using two filtering methods,
which are high-pass filtering and mean filtering method, and independent component
analysis and wavelet transform method, the results indicate that the latter method
enables a greater difference between the activities status signal, and a better filtering
effect. Then we use the integrated classifier to identify and the results indicate that
using the latter filter can obtain a better recognition rate. Meanwhile, in order to
manifest the advantages of the integrated classifier, we make a wide range of
comparison between the integrated classifier and single classifier recognition results.
In behavior analysis phase, in order to study which method is suitable for
behavior analysis,
on the basis of activity recognition, we use the relevant clustering
algorithm and associated analysis methods to analyze the user daily behaviors.
Firstly,.
we apply the K-means algorithm based on adaptive threshold radius to behavior
information clustering, and prove that this method can get better clustering results by
clustering analyzing the hot area activity. Secondly, in
the behavior analysis, we
analyze user dining habits influencing factors by using the Cramer method. Finally, in
ABSTRACT
Ⅳ
the behavior prediction, we predict whether to go for a walk along the beach under
different conditions using the Apriori method.
In the paper, we long-time collect the user behavioral data by the mobile phone
sensor, and obtain the user activities type and behavior by analyze the behavioral data.
In intelligent environment
such as ads precise delivery, traffic control, smart home
and so on, activities type identification and behavior analysis are widely used,
Based
on these information users can be also provide with a variety of intelligence services.
The
study results in this paper not only serve human beings better, but also bring a lot
of business opportunities and profits for the relevant industry.
Keyword:
Activity recognition; ensemble classifier; K-means.
目 录 V
目 录
第 1 章 绪论
... 11.1 背景及研究意义
... 11.2 国内外研究现状
... 21.3 论文的主要工作及章节安排
... 4第 2 章 行为识别与分析相关工作介绍
... 52.1 概述
... 52.1.1 基于环境传感器的行为识别 ... 5
2.1.2 基于可穿戴或手机传感器的行为识别 ... 5
2.2 行为识别与分析相关方法介绍
... 62.2.1 行为识别相关算法介绍
... 62.2.2 行为分析相关算法介绍
... 72.3 小结
... 9第 3 章 基于手机传感器的行为识别
... 113.1 行为识别概述
... 113.1.1 问题描述
... 113.1.2 行为识别工作流程
... 113.2 基于手机传感器行为识别的实现过程
... 123.2.1 滤波算法与特征构造
... 123.2.2 基于集成分类器的行为识别
... 213.3 基于手机传感器行为识别的实验和结果分析
... 263.3.1 评价标准
... 263.3.2 识别结果分析
... 283.4 小结
... 35第 4 章 基于手机传感器的行为分析
... 374.1 行为分析概述
... 374.1.1 问题描述
... 374.1.2 行为分析工作流程
... 374.2 基于 K-means 算法的行为信息聚类
... 384.2.1 K-means 聚类算法描述
... 384.2.2 K-means 算法在行为信息聚类分析中的应用
... 394.2.3 基于阈值半径的自适应 K-means 算法
... 404.2.4 实验结果及分析
... 414.3 基于 Cramer 方法的行为信息相关程度分析
... 504.3.1 Cramer 方法描述
... 50厦门大学博硕士论文摘要库
目 录 VI
4.3.2 Cramer 方法在行为信息相关程度分析中的应用
... 514.3.3 实验结果及分析
... 524.4 基于 Apriori 算法的行为活动预测分析
... 544.4.1 Apriori 算法描述
... 544.4.2 Apriori 算法在行为活动预测中的应用
... 564.4.3 实验结果及分析
... 574.5 小结
... 62第 5 章 总结与展望
... 635.1 论文总结
... 635.2 研究展望
... 64参考文献
... 65攻读硕士学位期间发表论文及科研情况
... 73致 谢
... 75厦门大学博硕士论文摘要库
CONTENTS
VII
CONTENTS
Chapter 1 Introduction
... 11.1 Background and significance
... 11.2 Research status at home and abroad
... 21.3 Objectives and content arrangement of this paper
... 4Chapter 2 Activity recognition and behavior analysis
... 52.1 Overview
... 52.1.1 Activity recognition based on environmental sensor ... 5
2.1.2 Activity recognition based on wearable sensor or smart phone ... 5
2.2 Workflow and related methods
... 62.2.1 Activity recognition related algorithm
... 62.2.2 Behavior analysis related algorithm
... 72.3 Summary
... 9Chapter 3 Activity recognition based on smart phone
... 113.1 Overview
... 113.1.1 Description of the problem
... 113.1.2 Activity recognition workflow
... 113.2 Implementation process of activity recognition
... 123.2.1 Filtering algorithm and feature construction
... 123.2.2 Activity recognition based on ensemble classifier
... 213.3 Experiments and results analysis
... 263.3.1 Assessment criteria
... 263.3.2 Results analysis
... 283.4 Summary
... 35Chapter 4 Behavior analysis based on smart phone
... 374.1 Overview
... 374.1.1 Description of the problem
... 374.1.2 Workflow of behavior analysis
... 374.2 Behavioral information clustering based on K-means
... 384.2.1 Description of K-means
... 384.2.2 Application of K-means in the behavioral information cluster analysis
... 394.2.3 K-means algorithm based on adaptive threshold radius
... 404.2.4 Experiments and results analysis
... 414.3 Behavioral information analysis based on Cramer
... 504.3.1 Description of Cramer
... 504.3.2 Cramer in Behavioral information analysis
... 514.3.3 Experiments and results analysis
... 524.4 Prediction of the behavioral information based on Apriori algorithm
... 544.4.1 Description of Apriori algorithm
... 54厦门大学博硕士论文摘要库
CONTENTS
VIII
4.4.2 Apriori algorithm in prediction of behavioral information
... 564.4.3 Experiments and results analysis
... 574.5 Summary
... 62Chapter 5 Summary and outlook
... 635.1 Summary
... 635.2 Outlook
... 64References
... 65Papers and projects during the Master
... 73Acknowledgements
... 75Degree papers are in the “Xiamen University Electronic Theses and Dissertations Database”. Full texts are available in the following ways:
1. If your library is a CALIS member libraries, please log on http://etd.calis.edu.cn/ and submit requests online, or consult the interlibrary loan department in your library.
2. For users of non-CALIS member libraries, please mail to [email protected] for delivery details.
