第1章 緒論 1
1.1 人體行為識(shí)別研究的背景及意義 1
1.2 穿戴行為識(shí)別研究 4
1.3 人體行為數(shù)據(jù)增強(qiáng)與預(yù)測(cè) 8
參考文獻(xiàn) 10
第2章 人體行為識(shí)別基礎(chǔ) 16
2.1 人體行為識(shí)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(lèi)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(yù)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(dòng)學(xué)習(xí)的特征 28
2.5.3 特征降維與特征選擇 28
2.6 人體行為識(shí)別模型 30
2.7 人體行為識(shí)別評(píng)價(jià)指標(biāo) 37
2.8 本章小結(jié) 37
參考文獻(xiàn) 38
第3章 基于傳統(tǒng)機(jī)器學(xué)習(xí)的人體行為識(shí)別研究 50
3.1 實(shí)驗(yàn)方法及設(shè)計(jì) 50
3.1.1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì) 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(shí)別模型及性能評(píng)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(píng)估擴(kuò)展特征貢獻(xiàn) 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(duì)行為識(shí)別的貢獻(xiàn)研究 77
3.3.4 mRMJR-KCCA衡量穿戴傳感器擴(kuò)展特征貢獻(xiàn) 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(shí)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(xiàn) 101
第4章 基于深度學(xué)習(xí)的腕部穿戴人體行為識(shí)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(shí)別模型的建立 108
4.3 注意力機(jī)制模型的建立 109
4.3.1 注意力機(jī)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(jī)制模型 111
4.4 腕部穿戴傳感器局部移位及補(bǔ)償研究 114
4.4.1 混合位置行為識(shí)別補(bǔ)償 116
4.4.2 基于姿態(tài)角的反饋原理行為識(shí)別補(bǔ)償 118
4.4.3 基于源位置的遷移微調(diào)行為識(shí)別補(bǔ)償 121
4.5 本章小結(jié) 126
參考文獻(xiàn) 127
第5章 基于深度學(xué)習(xí)的多位置穿戴人體行為識(shí)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(zhǔn)模型 132
5.3 多位置穿戴行為識(shí)別魯棒性特征提取研究 134
5.3.1 多位置穿戴行為識(shí)別實(shí)驗(yàn)設(shè)置 134
5.3.2 MhaGNN框架實(shí)驗(yàn)結(jié)果 135
5.3.3 MhaGNN框架與其他模型對(duì)比分析 137
5.3.4 MhaGNN框架與基準(zhǔn)模型對(duì)比分析 140
5.4 本章小結(jié) 143
參考文獻(xiàn) 143
第6章 基于生成對(duì)抗網(wǎng)絡(luò)的人體步態(tài)數(shù)據(jù)增強(qiáng)與預(yù)測(cè) 146
6.1 下肢康復(fù)機(jī)器人 146
6.2 時(shí)間序列數(shù)據(jù)增強(qiáng)與預(yù)測(cè) 149
6.2.1 時(shí)間序列數(shù)據(jù)增強(qiáng)方法 149
6.2.2 時(shí)間序列數(shù)據(jù)預(yù)測(cè)方法 150
6.3 步態(tài)增強(qiáng)與預(yù)測(cè)研究框架 152
6.3.1 人體步態(tài)動(dòng)作捕獲系統(tǒng) 152
6.3.2 步態(tài)數(shù)據(jù)采集與預(yù)處理 153
6.3.3 生成對(duì)抗網(wǎng)絡(luò) 155
6.4 基于GAN網(wǎng)絡(luò)的人體步態(tài)數(shù)據(jù)增強(qiáng) 157
6.4.1 增強(qiáng)模型建立及實(shí)驗(yàn)設(shè)置 157
6.4.2 多維時(shí)間序列步態(tài)數(shù)據(jù)增強(qiáng)模型 158
6.4.3 度量結(jié)果分析 162
6.5 步態(tài)軌跡預(yù)測(cè) 167
6.5.1 基于LSTM的步態(tài)軌跡預(yù)測(cè) 168
6.5.2 基于注意力機(jī)制的步態(tài)軌跡預(yù)測(cè) 168
6.5.3 軌跡預(yù)測(cè)結(jié)果分析 169
6.6 本章小結(jié) 173
參考文獻(xiàn) 173
第7章 結(jié)論與展望 179
7.1 本書(shū)內(nèi)容總結(jié) 179
7.2 未來(lái)研究展望 181