基于加速度與HGA-BP神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別

盧先領(lǐng)，徐 仙

（江南大學(xué)a.輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室；b.物聯(lián)網(wǎng)工程學(xué)院，無錫214122）

基于加速度與HGA-BP神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別

盧先領(lǐng)a，b，徐 仙a，b

（江南大學(xué)a.輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室；b.物聯(lián)網(wǎng)工程學(xué)院，無錫214122）

在基于加速度傳感器的人體行為識(shí)別中，分類器復(fù)雜度較高，易產(chǎn)生過擬合現(xiàn)象。為此，通過遞階遺傳算法（HGA）訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)作為分類器，采用三級(jí)染色體遞階結(jié)構(gòu)表示神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。設(shè)計(jì)新的適應(yīng)度函數(shù)，采用選擇、交叉和變異操作聯(lián)合優(yōu)化BP網(wǎng)絡(luò)的精確度和復(fù)雜度。測(cè)試結(jié)果表明，在基于加速度信號(hào)的行為識(shí)別系統(tǒng)中，相比基本HGA和其他常用算法，利用改進(jìn)的HGA訓(xùn)練BP網(wǎng)絡(luò)分類器可以有效控制網(wǎng)絡(luò)結(jié)構(gòu)，在保證隱層神經(jīng)元數(shù)目較少的情況下，盡可能降低輸出誤差，實(shí)現(xiàn)兩者的動(dòng)態(tài)平衡，且對(duì)測(cè)試樣本的識(shí)別正確率可達(dá)94.63%。

行為識(shí)別；加速度傳感器；遞階遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；交叉；變異

1 概述

近年來，人體行為識(shí)別受到各國學(xué)者的廣泛關(guān)注，它不僅可以獲取用戶運(yùn)動(dòng)信息，推測(cè)用戶所處環(huán)境，還可以為用戶提供智能化的服務(wù)。目前在人體行為識(shí)別的研究中，從信號(hào)的獲取渠道來分主要有基于計(jì)算機(jī)視覺的方法［1］和基于傳感器的方法［2-3］。隨著微電子與傳感器技術(shù)的迅速發(fā)展，加速度傳感器以其低功耗、高精度、可靠性強(qiáng)、攜帶方便等優(yōu)點(diǎn)，在醫(yī)療保健、體域網(wǎng)、環(huán)境智能等領(lǐng)域中廣泛應(yīng)用。

基于加速度信號(hào)的人體行為識(shí)別主要是面向軀干動(dòng)作層次的簡(jiǎn)單行為識(shí)別，一般采用統(tǒng)計(jì)模式識(shí)別的方法實(shí)現(xiàn)。其中，分類器的設(shè)計(jì)是該方法的核心內(nèi)容，常見的分類器有支持向量機(jī)［4］、隱馬爾科夫模型［5］、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Netw ork，ANN）［6-7］等。ANN模擬人腦神經(jīng)系統(tǒng)對(duì)外界信號(hào)接收、處理、存儲(chǔ)的過程，其優(yōu)點(diǎn)是容錯(cuò)性好，自適應(yīng)能力強(qiáng)，具有非線性映射能力，易于并行計(jì)算和軟硬件的編程計(jì)算。文獻(xiàn)［8］將RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于基因表達(dá)數(shù)據(jù)分類中，具有網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、收斂速度快的特點(diǎn)，而當(dāng)訓(xùn)練樣本增多時(shí)，其網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目也急劇增加，導(dǎo)致結(jié)構(gòu)過于龐大。文獻(xiàn)［9］采用反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）構(gòu)建分類器，具有很好的泛化能力以及強(qiáng)大數(shù)據(jù)識(shí)別和模擬能力，但存在誤差收斂速度慢，易陷入局部極小值的問題。文獻(xiàn)［10］將模擬退火算法、遺傳算法（Genetic Algorithm，GA）和BPNN結(jié)合，可避免BP網(wǎng)絡(luò)陷入局部解，但其收斂時(shí)間隨訓(xùn)練精度的提高大幅增加，運(yùn)算量大。本文采用改進(jìn)的三級(jí)遞階遺傳算法（Hierarchical Genetic Algorithm，HGA）［11］，同時(shí)優(yōu)化BP網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，使分類器結(jié)構(gòu)精簡(jiǎn)且誤差較小。

2 加速度數(shù)據(jù)采集與特征提取

2.1 加速度數(shù)據(jù)采集與預(yù)處理

基于三軸加速度傳感器的人體行為識(shí)別的結(jié)構(gòu)框圖見圖1，可穿戴數(shù)據(jù)采集模塊放置于人體腰腹位置。本文選用Freescale公司的MMA 7361L三軸加速度傳感器為核心采集數(shù)據(jù)，采樣頻率設(shè)定為30 Hz，靈敏度設(shè)置為-6.0 g～+6.0 g。傳感器的Y軸豎直向下，X軸和Z軸分別指向人體側(cè)方和前方。

圖1 基于三軸加速度傳感器的人體行為識(shí)別結(jié)構(gòu)

基于三軸加速度傳感器的人體行為識(shí)別系統(tǒng)主要包括5個(gè)步驟：數(shù)據(jù)采集，預(yù)處理，特征提取，特征選擇和分類。其中，該系統(tǒng)的核心內(nèi)容是分類器的設(shè)計(jì)。為實(shí)時(shí)處理數(shù)據(jù)，對(duì)傳感器每一軸數(shù)據(jù)進(jìn)行加窗處理，本文選取的窗長為128，窗口有50%的重疊率，由于傳感數(shù)據(jù)的采樣頻率為30 Hz，完成每個(gè)窗的處理所需時(shí)間約為4.3 s，可以滿足大部分人體行為的識(shí)別需求。

2.2 特征提取

本文對(duì)加速度信號(hào)提取了8種特征，其中，時(shí)域特征包括均值、標(biāo)準(zhǔn)差、任意兩軸數(shù)據(jù)的相關(guān)系數(shù)和四分位間距（Interquartile Range，IQR）。頻域特征包括：每窗數(shù)據(jù)FFT前64維系數(shù)，基于功率譜密度振幅的均值和標(biāo)準(zhǔn)差。此外，為了更好地表征人體運(yùn)動(dòng)特點(diǎn)，還利用db5小波提取豎直方向信號(hào)的小波能量。除相關(guān)系數(shù)、IQR和小波能量外的特征都是對(duì)每一維每個(gè)窗的數(shù)據(jù)進(jìn)行提取?？紤]到特征分布的不均衡性，對(duì)提取的特征數(shù)據(jù)進(jìn)行Z-score規(guī)范化處理［12］，來消除特征數(shù)據(jù)的差異對(duì)識(shí)別結(jié)果的影響，通過主成分分析（Principal Component Analysis，PCA）［13］的方法將特征向量降低到15維。經(jīng)過PCA降維后的特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本。

3 BP神經(jīng)網(wǎng)絡(luò)分類器及其訓(xùn)練方法

3.1 HGA-BP神經(jīng)網(wǎng)絡(luò)分類器

利用三級(jí)HGA訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，模擬遺傳選擇和自然淘汰的生物進(jìn)化過程，達(dá)到優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)目的。BP網(wǎng)絡(luò)與HGA染色體的對(duì)應(yīng)關(guān)系如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)與HGA染色體的對(duì)應(yīng)關(guān)系

采用三級(jí)染色體遞階結(jié)構(gòu)表示神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，通過HGA對(duì)該網(wǎng)絡(luò)進(jìn)行優(yōu)化求解?？刂苹蛴?層，分別控制隱層的層數(shù)和隱層中被激活的神經(jīng)元個(gè)數(shù)。參數(shù)基因被用來表示每個(gè)神經(jīng)元的連接權(quán)值和閾值。

在BP網(wǎng)絡(luò)中，神經(jīng)元用節(jié)點(diǎn)表示，網(wǎng)絡(luò)由輸入層、隱層和輸出層組成。PCA降維后特征向量的維數(shù)為輸入層節(jié)點(diǎn)個(gè)數(shù)，輸出層節(jié)點(diǎn)個(gè)數(shù)由待識(shí)別行為種類數(shù)決定。在圖2中，向量Xi（i=1，2，…，m），Yi（i=1，2，…，n）分別表示m個(gè)輸入層節(jié)點(diǎn)和n個(gè)輸出層節(jié)點(diǎn)。共t個(gè)隱層，P，q分別為第一隱層和第t隱層的節(jié)點(diǎn)個(gè)數(shù)。輸入層與第一隱層節(jié)點(diǎn)間的權(quán)值為，第一隱層節(jié)點(diǎn)的閾值為1第t隱層與輸出層節(jié)點(diǎn)間的權(quán)值為第t隱層和輸出層節(jié)點(diǎn)的閾值分別為q），bi（i=1，2，…，n）。設(shè)H為隱層節(jié)點(diǎn)總個(gè)數(shù)，在輸入層和輸出層節(jié)點(diǎn)數(shù)目確定后，H的大小直接影響網(wǎng)絡(luò)結(jié)構(gòu)，H越大網(wǎng)絡(luò)結(jié)構(gòu)越復(fù)雜，反之，越簡(jiǎn)單。

3.2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

3.2.1 初始群體

HGA中控制基因采用二進(jìn)制編碼方式隨機(jī)產(chǎn)生，以“1”和“0”表示其下級(jí)隱層神經(jīng)元是否被激活。根據(jù)對(duì)網(wǎng)絡(luò)權(quán)值的精度以及染色體編碼長度的要求，參數(shù)基因采用實(shí)數(shù)編碼方式，由一定范圍內(nèi)隨機(jī)產(chǎn)生的實(shí)數(shù)組成。分開編碼實(shí)現(xiàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的聯(lián)合優(yōu)化。

合適的群體規(guī)模對(duì)HGA的性能有重要意義，規(guī)模太大，收斂速度會(huì)降低；規(guī)模太小，搜索空間受到限制，可能會(huì)過早收斂。本文設(shè)定的群體規(guī)模為K=60。

3.2.2 適應(yīng)度函數(shù)的設(shè)計(jì)

適應(yīng)值是群體選擇個(gè)體的唯一確定性指標(biāo)，因此適應(yīng)度函數(shù)決定了群體的進(jìn)化行為。訓(xùn)練BP網(wǎng)絡(luò)的目的是使網(wǎng)絡(luò)的精確度和復(fù)雜度都達(dá)到最小，這是一個(gè)雙目標(biāo)優(yōu)化問題。網(wǎng)絡(luò)的精確度由均方誤差決定，定義如下：

其中，M為樣本總數(shù)；yi表示第i個(gè)輸入樣本對(duì)應(yīng)的網(wǎng)絡(luò)輸出；y^i為期望輸出。

而網(wǎng)絡(luò)的隱層層數(shù)和隱層節(jié)點(diǎn)個(gè)數(shù)決定網(wǎng)絡(luò)的復(fù)雜度。建立的適應(yīng)度函數(shù)如下：

其中，a，b為待定參數(shù)；t為隱層層數(shù)；H，m分別為隱層和輸入層節(jié)點(diǎn)個(gè)數(shù)；f隨著H和t的減小而逐漸增加，通過調(diào)整參數(shù)a，b，可有效降低網(wǎng)絡(luò)的復(fù)雜度。

3.2.3 選擇操作

選擇即從群體中選出優(yōu)勝個(gè)體，淘汰劣質(zhì)個(gè)體的操作。本文采用適應(yīng)值比例選擇［14］，給定群體規(guī)模為K，群體中個(gè)體均為向量，其中個(gè)體αi的適應(yīng)值為fi，則個(gè)體αi的選擇概率為：

3.2.4 交叉操作的改進(jìn)

交叉在遺傳算法中起核心作用，是指把2個(gè)父代個(gè)體的部分結(jié)構(gòu)加以替換重組而生成新的個(gè)體的操作?？紤]到人體行為的多樣性和復(fù)雜性，加速度數(shù)據(jù)特征的取值范圍相對(duì)較大，傳統(tǒng)的算術(shù)交叉搜索空間有限，影響分類器的進(jìn)化效率。本文對(duì)控制基因采用單點(diǎn)交叉的方式，對(duì)于參數(shù)基因，采用算術(shù)交叉的方式將2個(gè)個(gè)體的編碼串按某一規(guī)則進(jìn)行線性組合產(chǎn)生新的個(gè)體，并通過四分位間距來改進(jìn)交叉方式，達(dá)到自動(dòng)確定交叉后代與編碼空間邊界距離的效果，2種交叉方式共同產(chǎn)生后代，擴(kuò)大搜索范圍，提高了后代中優(yōu)秀個(gè)體的生成效率。

給定規(guī)模為K的群體A=｛α1，α2，…，αK｝，從中隨機(jī)選取2個(gè)個(gè)體αi和αj，則算術(shù)交叉的后代為：

其中，λ是［0，1］范圍內(nèi)均勻分布的一個(gè)隨機(jī)數(shù)。

其中，符號(hào)“·”為Hadamard乘積；向量E與η維數(shù)相同且元素全為1，有：

如式（8）所示，η為IQR與最大搜索區(qū)間對(duì)應(yīng)位置元素的比值。αmax-αmin為最大搜索區(qū)間，γ由極小正實(shí)數(shù)組成。Λ1=［Λ11，Λ21，…，Λr1，…，ΛR1］，Λ3=［Λ13，Λ23，…，Λr3，…，ΛR3］，將全部個(gè)體的第r位基因從小到大排列分成四等分，四分位數(shù)即處于3個(gè)分割點(diǎn)位置的基因值，所得集合為Λr1表示第3個(gè)和第1個(gè)四分位數(shù)之差，即為IQR。結(jié)合算術(shù)交叉，后代集合為，其中適應(yīng)值最大的2個(gè)個(gè)體為最終交叉后代。

3.2.5 變異操作的改進(jìn)

變異的目的是維持群體的多樣性和局部的隨機(jī)搜索能力。對(duì)控制基因，變異操作采用基本位變異，對(duì)參數(shù)基因，采用均勻變異和非均勻變異2種方式，結(jié)合兩者優(yōu)勢(shì)提高進(jìn)化效率。均勻變異在整個(gè)編碼空間中均勻搜索，從對(duì)應(yīng)基因位的取值范圍內(nèi)任取一個(gè)隨機(jī)數(shù)替代原有基因，有利于提高群體的多樣性。而非均勻變異是對(duì)原有基因值作一個(gè)隨機(jī)擾動(dòng)，以擾動(dòng)后的結(jié)果作為變異后的新基因，有利于產(chǎn)生優(yōu)秀后代。選個(gè)體αi的第r位基因βri為變異位，其基因取值范圍為［βi，min，βi，max］，即：

其中，λ1為［0，1］之間均勻分布的隨機(jī)數(shù)。均勻變異產(chǎn)生的后代為

設(shè)個(gè)體αj的第s位基因非均勻變異，其基因取值范圍為［βj，min，βj，max］，即：

其中，λ2為［0，1］之間的隨機(jī)數(shù)；t和T分別為當(dāng)前和最大進(jìn)化代數(shù)；b為系︵統(tǒng)參數(shù)，本文中b=︵1，非均勻變異產(chǎn)生的后代為因此，變異后代集合為其中適應(yīng)值最大的個(gè)體作為最終變異后代。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

本文在Matlab環(huán)境下對(duì)數(shù)據(jù)進(jìn)行仿真處理。為驗(yàn)證本文方法的有效性，10名實(shí)驗(yàn)者參與了樣本數(shù)據(jù)的采集。將可穿戴數(shù)據(jù)采集模塊佩戴于實(shí)驗(yàn)者腰腹位置，10名實(shí)驗(yàn)者各自完成上樓、下樓、站立、行走、躺臥、騎車和跑步7種日常行為。選擇每種行為連續(xù)的3 m in數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。由于傳感數(shù)據(jù)的采樣頻率為30 Hz，每軸可采集5 400個(gè)數(shù)據(jù)，本文選取窗長為128，窗口有50%的重疊率，因此，共有83個(gè)窗口，計(jì)算每個(gè)窗的多種特征構(gòu)成特征向量，則每種行為有830個(gè)特征向量。將其中410個(gè)特征向量作為訓(xùn)練樣本，用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，檢驗(yàn)樣本和測(cè)試樣本各包含210個(gè)特征向量。通過檢驗(yàn)樣本對(duì)BP網(wǎng)絡(luò)進(jìn)行評(píng)估，而測(cè)試樣本在迭代完成后，計(jì)算網(wǎng)絡(luò)的輸出誤差和行為識(shí)別正確率。樣本標(biāo)簽以“0”和“1”表示所屬行為，7種行為的樣本標(biāo)簽如表1所示。

表1 7種行為的樣本標(biāo)簽

4.2 實(shí)驗(yàn)分析

本文共識(shí)別7種日常行為，首先提取2.2節(jié)中的8種加速度特征，每種行為的特征向量維數(shù)為209，這種高維數(shù)據(jù)包含大量冗余信息，提高空間復(fù)雜度，因此，利用PCA將特征降到15維。本文算法的主要參數(shù)設(shè)定如下：輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)分別為m=15，n=7，式（4）、式（9）和式（10）中λ= 0.3，λ1=λ2=0.4，群體規(guī)模K=60，最大進(jìn)化代數(shù)為100，交叉概率為0.8，變異概率為0.001。

式（2）中適應(yīng)度函數(shù)需設(shè)置合理的參數(shù)，a，b的取值會(huì)影響最終生成的網(wǎng)絡(luò)結(jié)構(gòu)和識(shí)別率。為此，分別固定a，b，通過計(jì)算機(jī)仿真研究另一參數(shù)取不同值時(shí)所獲得的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度和輸出誤差。大量仿真結(jié)果表明，a，b分別取值為3和0.8時(shí)，獲得了誤差較小，網(wǎng)絡(luò)結(jié)構(gòu)較為精簡(jiǎn)的分類器。通過3種不同算法訓(xùn)練BP網(wǎng)絡(luò)，利用檢驗(yàn)樣本分別計(jì)算網(wǎng)絡(luò)的輸出誤差和隱層神經(jīng)元個(gè)數(shù)，圖3和圖4為兩者的進(jìn)化曲線。本文算法最終獲得的網(wǎng)絡(luò)隱層數(shù)為2，分別包括24和13個(gè)隱層神經(jīng)元。

圖3 不同算法的誤差進(jìn)化曲線

圖4 不同算法的隱層神經(jīng)元個(gè)數(shù)進(jìn)化曲線

由圖3可知，由于GA是一種全局優(yōu)化算法，在迭代過程中，始終向著誤差較小的方向不斷優(yōu)化，然而采用不同的方法，通過HGA訓(xùn)練BP網(wǎng)絡(luò)的輸出誤差明顯較低。而采用三級(jí)染色體遞階結(jié)構(gòu)優(yōu)化網(wǎng)絡(luò)時(shí)，不但保留了GA的優(yōu)點(diǎn)，且將控制基因分為2層，可有效控制網(wǎng)絡(luò)隱層數(shù)目和隱層神經(jīng)元個(gè)數(shù)，對(duì)網(wǎng)絡(luò)權(quán)值和閾值優(yōu)化求解的同時(shí)還優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)。分析圖4可知，采用GA-BP算法獲得的隱層神經(jīng)元個(gè)數(shù)較多，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜。而采用本文算法不僅輸出誤差較低，其網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)也更為精簡(jiǎn)，在人體行為識(shí)別系統(tǒng)中具有良好的健壯性。

如圖5所示為僅采用普通算術(shù)交叉和均勻變異的基本HGA-BP算法與本文算法的輸出誤差進(jìn)化曲線，2種算法相應(yīng)的參數(shù)設(shè)定相同。與基本HGA-BP算法相比，采用本文改進(jìn)的交叉擴(kuò)大搜索范圍，增加了后代中優(yōu)秀個(gè)體的生成率，并結(jié)合2種變異方式提高進(jìn)化效率，分類器的輸出誤差更低，最終收斂于0.363 3。2種算法隱層神經(jīng)元個(gè)數(shù)的進(jìn)化曲線如圖6所示，采用本文算法雖然網(wǎng)絡(luò)結(jié)構(gòu)略為復(fù)雜，但其收斂速度更快，而且輸出誤差小。基本HGA-BP算法和本文算法的隱層神經(jīng)元個(gè)數(shù)分別在進(jìn)化到第69代和第53代收斂于31和37。

圖5 不同遺傳操作的誤差進(jìn)化曲線

圖6 不同遺傳操作的隱層神經(jīng)元個(gè)數(shù)進(jìn)化曲線

4.3 識(shí)別結(jié)果

通過本文算法，利用改進(jìn)的HGA訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)對(duì)7種人體行為的測(cè)試樣本進(jìn)行識(shí)別。針對(duì)每個(gè)輸入向量，分別計(jì)算網(wǎng)絡(luò)輸出與7種行為樣本標(biāo)簽的輸出誤差，選擇誤差最小的行為類別作為所屬行為，達(dá)到行為識(shí)別的目的。其混淆矩陣如表2所示，每一行對(duì)應(yīng)行為的識(shí)別精度分別為92.38%， 93.33%，100.00%，94.26%，100.00%，90.48%，91.90%。

表2 7種不同行為的混淆矩陣

上樓和下樓的識(shí)別正確率較高，僅有少數(shù)特征向量發(fā)生混淆；而210個(gè)騎車測(cè)試樣本僅有20個(gè)識(shí)別錯(cuò)誤，跑步樣本也僅有17個(gè)識(shí)別出錯(cuò)，識(shí)別正確率分別為90.48%和91.90%。在運(yùn)動(dòng)行為識(shí)別中，行走的識(shí)別正確率最高，可達(dá)94.26%。另外，由于站立和躺臥是2種靜止的行為，它們的加速度數(shù)據(jù)與其他行為的區(qū)分度較大，其識(shí)別難度較低，采用本文方法，檢測(cè)結(jié)果均全部正確。最終結(jié)果顯示，1 470個(gè)測(cè)試樣本中有1 391個(gè)識(shí)別正確，平均識(shí)別率高達(dá)94.63%。

5 結(jié)束語

本文采用單個(gè)三軸加速度傳感器識(shí)別人體行為，提出了三級(jí)HGA訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)分類器，通過改進(jìn)適應(yīng)度函數(shù)和遺傳操作來優(yōu)化網(wǎng)絡(luò)的精確度和復(fù)雜度。實(shí)驗(yàn)結(jié)果表明，與目前常用的算法相比，本文算法獲得的分類器輸出誤差更低，網(wǎng)絡(luò)結(jié)構(gòu)精簡(jiǎn)，測(cè)試樣本的平均識(shí)別率高達(dá)94.63%。在今后的工作中，將進(jìn)一步研究優(yōu)化分類器的方法，提高行為識(shí)別的正確率。

［1］ 梅 雪，張繼法，許松松，等.基于運(yùn)動(dòng)方向的視角無關(guān)行為識(shí)別方法［J］.計(jì)算機(jī)工程，2012，38（15）：159-161.

［2］ ?zdemir A T，Barshan B.Detecting Falls with Wearable Sensors Using Machine Learning Techniques［J］. Sensors，2014，14（6）：10691-10708.

［3］ 劉 蓉，劉 明.基于三軸加速度傳感器的手勢(shì)識(shí)別［J］.計(jì)算機(jī)工程，2011，37（24）：141-143.

［4］ Daniel R M，A lbert S，Carlos P，et al.SVM-based Posture Identification with a Single Waist-located Triaxial Accelerometer［J］.Expert System s with Applications，2013，18（40）：7203-7211.

［5］ Sarkar A M J.Hidden Markov M ined Activity Model for Human Activity Recognition［J］.International Journal of Distributed Sensor Netw orks，2014，10（1）：1-8.

［6］ Zhao Dongya，Ni W ei，Zhu Quanm in.A Framework of Neural Networks Based Consensus Contro l for Multiple Robotic Manipulators［J］.NeuroComputing，2014，140：8-18.

［7］ Wang Lei，Tuo Xianguo，Yan Yucheng，et al.A Geneticalgorithm-based Neural Network Approach for Radioactive Activity Pre-diction［J］.Nuclear Science and Techniques，2013，24（6）：1-5.

［8］ Chandra B，Babu K.Classification of Gene Expression Data Using Spiking Wavelet Radial Basis Neural Network［J］.Expert System s with Applications，2013，41（4）：1326-1330.

［9］ Huang Yanquan，Zhang Jie，Li Xu，et al.Thermal Error Modeling by Integrating GA and BP Algorithm s for the Highspeed Spindle［J］.The International Journal of Advanced Manufacturing Technology，2014，71（9-12）：1669-1675.

［10］ Zhuo Li，Zhang Jing.An SA-GA-BP Neural Networkbased Color Correction Algorithm for TCM Tongue Images［J］.NeuroComputing，2014，134（S1）：111-116.

［11］ Tarek M H，Won J M，Alimiam，et al.Hierarchical Genetic Algorithm with New Evaluation Function and Bicoded Representation for the Selection of Features Considering Their Confidence Rate［J］.Applied Soft Computing，2011，11（2）：2501-2509.

［12］ Han Jiawei，Kam ber M.Data Mining：Concepts and Techniques［M］.Waltham，USA：Morgan Kaufmann Publishers，2011.

［13］ David N O，Iván G C，XoséA V S.Eigenspace-based Fall Detection and Activity Recognition from Motion Templates and Machine Learning［J］.Applied Soft Computing，2012，39（5）：5935-5945.

［14］ 王小平，曹立明.遺傳算法ˉˉˉ理論、應(yīng)用與軟件實(shí)現(xiàn)［M］.西安：西安交通大學(xué)出版社，2002.

編輯 顧逸斐

Hum an Activity Recognition Based on Acceleration and HGA-BP Neural Network

LU Xianlinga，b，XU Xiana，b
（a.Key Laboratory of Advanced Control of Light Industry Process，Ministry of Education；b.School of Internet of Things Engineering，Jiangnan University，Wuxi214122，China）

The human activity recognition system based on accelerometer，referring to solve the problem s such as high complexity and over fitting phenomenon，a Back Propagation（BP）neural network classifier trained via the Hierarchical Genetic Algorithm（HGA）is utilized.A three-layer chromosome hierarchical structure is used to optimize the structure and parameters of BP neural network simultaneously.A new fitness function is proposed，meanwhile，im proved selection，crossover and mutation operator is beneficial to joint optimizing the complexity and accuracy of network.Results of tests show that it is better than the traditional HGA and other widely used algorithm s in human body activity recognition system based on accelerometer.The BP neural network classifier based on HGA can effectively control the network structure and parameters.The average accuracy rate of test data is 94.63%.

activity recognition；acceleration sensor；Hierarchical Genetic Algorithm（HGA）；BP neural network；crossover；mutation

盧先領(lǐng)，徐 仙.基于加速度與HGA-BP神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別［J］.計(jì)算機(jī)工程，2015，41（9）：220-224，232.

英文引用格式：Lu Xianling，Xu Xian.Human Activity Recognition Based on Acceleration and HGA-BPNeural Network［J］. Computer Engineering，2015，41（9）：220-224，232.

1000-3428（2015）09-0220-05

A

TP393

10.3969/j.issn.1000-3428.2015.09.041

江蘇省產(chǎn)學(xué)研聯(lián)合創(chuàng)新資金前瞻性聯(lián)合研究基金資助項(xiàng)目（BY2014023-31）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程基金資助項(xiàng)目；江蘇省“六大人才高峰”高層次人才基金資助項(xiàng)目（W LW-007）。

盧先領(lǐng)（1972-），男，副教授、博士，主研方向：神經(jīng)網(wǎng)絡(luò)，無線傳感器網(wǎng)絡(luò)；徐 仙，碩士研究生。

2014-09-18

2014-10-18 E-m ail：jnluxl@gmail.com