单传感器数据驱动的人体日常短时行为识别方法
单传感器数据驱动的人体日常 短时行为识别方法（应用于意图识别和 运动序列数据是小样本的 情况）
（旨在实际应用中缩减成本并降低算法复杂度，同时，单传感数据获取简单，便于实现）
使用短时行为的前提：
在传统行为识别中，对测试样本的要求通常包含一个运动周期以上， 即大于 1.0~1.5 s。 故在传统行为识别中， 分割的窗口大小一般在 2~10 s 之间[5-6]。 由 于 传 统特征 的 稳 定 性 依赖于长时运动下的大样本数据序列， 在小样本情况下，一般在运动序列小于 30 帧时(0.3 s），其统计特征不稳定[7]。 因此 ，面 向 窗 口 长 度 较 小 的 短 时行 为 分类识别问题，涉及到运动序列数据是小样本分类，传统的依赖大样本统计的特征提取方法并不适用。
短时行为识别方法还可以在智能下肢假肢的运动 意图识别 中得到较好应用。
步态运动意图主要分为稳态模式和转换模式的识别
稳态模式的意图识别 从 数 据 处 理 角 度 上看 ，与传统行为识别方法具有相似性。 两者都是在采集不同运动数据后进行数据训练和数据识别。 不同的是传统行为识别中， 需要长序列数据以包含更加丰富的信息，并使得其统计特征相对稳定，
而意图识别的本质是在极短的运动序列中识别行为的类别。 因此，在算法设计过程中，核心问题是及时识别短时行为， 即把稳态模式的运动意图识别问题转变为短时行为识别问题。
窗口大小为 WS，周期为 DS，滑动窗口的滑动步长为 1 ，在一个周期（WS+DS）中建立 短时行为模板库 。
短时行为 是 一个周期内的三个轴角速度组成的矩阵。
1
离散数据统计特征的稳定性依赖于特征提取的窗口大小。一般来说，训练数据的窗口长度需要大于一个运动周期。因此，针对测试数据远小于一个运动周期的短序列样本识别问题，提出了一种基于 模板匹配 的新的解决方案。
2
首先 ， 构建一个过完备的短时行为模板库；
然后， 得到相似度直方图（利用 F 范数和 2范数）
最后， 基于相似度直方图，根据投票策略得到最终分类识别结果
3 短 时 样 本 长 度 的 确 定
分析知
模板样本选取窗口长度为 30 帧(约 0.31 s)的短时行为作为样本库中的模板样本最佳。 且对于测试样本的选取，长度在10 帧(0.10 s)以 上 。
4
构建一个过完备的短时行为模板库
a 由于原始数据采集过程中不可避免地存在噪声和丢包情况，因此需要在计算前对数据进行平滑处理。 为了消除噪声对分类器的干扰， 采用移动平均滤波方法对数据进行平滑处理。
b 数据预处理过后，在一个周期内（DS+WS） 则通过滑动窗口对长时运动数据进行分割，得到不同模式的短时人体行为序列。
c 在构建短时行为模板库时， 只需提取合适的待分割的长时行为序列： 通过对长时行为运动序列样本的切割，建立一个带有标签的短时行为模板库， 其中包含了在一个运动周期内任一时刻为起始点的固定大小的短时行为模板。
测试样本也是上述 所述而得 ，但没有标签
不同行为构建不同的模板构成模板集合，测试样本利用文中的方法 挨个比较 生成 相似度直方图 投票 得出结果
5
得到 相似度直方图
测试样本与模板样本的匹配过程中，采用样本间 的 F 范 数 距 离 和 整 体 梯 度 向 量 的 2 范 数 距 离和 作 为 匹 配 度 量 准 则 。
当测试样本与模板样本不一致时
6实验
1 数据集
数据集包括三个方向的加速度和三个方向的角速度，短时样本矩阵则通过滑动窗口分割方法从原始样本矩 S 阵中分割得到，如图
WARD1.0 数 据 集[15]是由美国加州大学伯克利分校提供的公开数据集。 包括 20 位采集者(年龄从18~70 岁 ，13 位 男 性和 7 位 女 性)的 13 种 日 常 动 作 。共 1 300 个数据样本。WARD1.0 包含全身五个关节点(左手手腕、右手手腕、腰部、左脚踝、右脚踝)数据。
自采集数据集[16]收集了 8 位测试者(年龄从 17~58 岁 ，4 位 男 性 ，4 位 女 性) 的 八 种 日 常 行 为的 动 作捕捉数据，每人每种动作分别做五次，共得到 320 个样本。
区别
两者在采样设备上的一些区别，在WARD1.0 数 据 集中 每个 传感器 由 一 个 三 轴 加 速 度计和一个双轴陀螺仪构成， 即在每个时间点生成一个五维的数据向量，
而自采集数据集由一个三轴加速度计和一个三轴陀螺仪构成， 在每个时间点生成一个六维的数据向量。
并且，自采集数据集使用的设备频率高于 WARD1.0 数据集使用的设备。
通过之后实验结果和进一步分析，WARD1.0 缺少的这一维数据对上楼和带偏转的运动有着重要的区分度。
腰部作为人体的质心，基本能反映人体的运动规律。 因此，仅采用自采集数据集和 WARD1.0 数据集中腰部传感器的数据进行短时行为识别。
7结论
通过对短时行为的分析， 发现用短时行为数据代替传统的时域和频率特征来 描 述 行 为 更 加 有 效率。
在分类方法的比较中，同样条件下采用 HMM、KNN 等 算 法 和 文 中的操作步骤 对 比 。 实 验 结 果 如 图 8 所 示 。 在窗口大小不足一个周期的情况， 文中算法比传统算法在精度和稳定性上具有更好的性能。
针对短时行为识别在传统识别算法中由于特征不稳定带来的识别效果不佳，从而提出一种通过构建短时行为库的模板匹配算法。它解决了传统统计特征在短时 行 为 识 别 算 法 具 有不稳定性的局限性。
此外，与几种传统的经典算法进行了比较，结果表明文中算法在识别短时活动方面更具有优势。 同时，该算法对于测试样本长短没有限制，对于大于 0.15 s 以上样本，都有较高识别率，最后，通 过加入相似度直方图增强了算法的鲁棒性。
下一步 工作：
文中对于复杂动作的短时行为的处理还需要进一步研究。
短时行为数据是对各个维度上的角速度 使用滑动窗口 得到的 数据 该数据更能表达 样本的特性
模板匹配 (文中有 公式 步骤 )
相似直方图
TODO：
summary 论文 结构
1 摘要 ，xxx 得到众多关注，主要，， ，不同以往 研究 本文仅，，，，，，实验结果表明，。。。。。
2 引言 xxx 是研究热门，xxxx 已取得较好的效果，，但是 存在 ，，，，在xxx 上 仍需要开展进一步的研究工作，本文，，
3 数据 预处理 和 特征提取
数据集介绍
数据预处理
特征提取
4 一种改进的算法及实验（本来基算法使用的是 svm 但改进使用的是 xgboost）
改进的算法
实验（对比）
5 结论
