科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了解决可穿戴传感器特征过多与嵌入式设备计算能力和存储能力有限的矛盾问题，在多传感器（加速度传感器、陀螺仪传感器）数据融合的基础上，采用特征工程的方法选出人体运动能量预测（PAEE）的最优特征。在数据预处理阶段，使用滑动窗口技术提取传感器的时域、频域特征，对三个速度水平的数据集使用正弦曲线拟合，并通过显著性差异检验分析选出有效数据。构建了过滤式、封装式和嵌入式特征选择算法与多线性回归、回归树、支持向量机和神经网络等机器学习预测模型结合的WEKA实验平台，最后决策级融合时，通过评估每个模型的相关系数和平均绝对误差选择出最优模型。模型训练时采用带抖动的数据集作为测试集，避免出现模型的过拟合现象，提高模型的泛化能力和鲁棒性。嵌入式特征选择采用经典的弹性网络算法。实验结果表明，在PAEE中加速度计传感器的特征比陀螺仪传感器的特征更具有决定性的作用，基于相关系数方法的多传感器特征融合的神经网络模型是最优模型。
- 出版日期2021-6-8
- 单位山东建筑大学
