计算机科学与探索 ›› 2022, Vol. 16 ›› Issue (12): 2832-2840.DOI: 10.3778/j.issn.1673-9418.2104086
王琳1, 孙倩1, 马晓娜1, 高永艳2, 刘毅1, 马宏伟1, 杨东强1,+()
收稿日期:
2021-04-13
修回日期:
2021-06-01
出版日期:
2022-12-01
发布日期:
2021-06-08
通讯作者:
+E-mail: ydq@sdjzu.edu.cn作者简介:
王琳(1975—),女,山东泗水人,硕士研究生,讲师,主要研究方向为机器学习、智慧城市等。基金资助:
WANG Lin1, SUN Qian1, MA Xiaona1, GAO Yongyan2, LIU Yi1, MA Hongwei1, YANG Dongqiang1,+()
Received:
2021-04-13
Revised:
2021-06-01
Online:
2022-12-01
Published:
2021-06-08
About author:
WANG Lin, born in 1975, M.S. candidate, lecturer. Her research interests include machine learning, intelligent city, etc.Supported by:
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消耗预测(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。
中图分类号:
王琳, 孙倩, 马晓娜, 高永艳, 刘毅, 马宏伟, 杨东强. 可穿戴传感器的人体活动能量预测模型研究[J]. 计算机科学与探索, 2022, 16(12): 2832-2840.
WANG Lin, SUN Qian, MA Xiaona, GAO Yongyan, LIU Yi, MA Hongwei, YANG Dongqiang. Research on Prediction Model of Physical Activity Energy Expenditure with Wearable Sensors[J]. Journal of Frontiers of Computer Science and Technology, 2022, 16(12): 2832-2840.
被试基本信息 | 传感器 | 速度水平/(km/h) | 采样频率/Hz | |
---|---|---|---|---|
人数 | 10人7男3女 | 臀部三轴加速度器HPA | 3.2 | 0.2 |
年龄/岁 | 49±12 | 脚踝三轴加速度器AKA | 4.8 | |
身高/cm | 178±10 | 臀部三轴陀螺仪HPG | 6.4 | |
体重/kg | 80.7±4.6 | 脚踝三轴陀螺仪AKG |
表1 实验参数
Table 1 Experimental parameters
被试基本信息 | 传感器 | 速度水平/(km/h) | 采样频率/Hz | |
---|---|---|---|---|
人数 | 10人7男3女 | 臀部三轴加速度器HPA | 3.2 | 0.2 |
年龄/岁 | 49±12 | 脚踝三轴加速度器AKA | 4.8 | |
身高/cm | 178±10 | 臀部三轴陀螺仪HPG | 6.4 | |
体重/kg | 80.7±4.6 | 脚踝三轴陀螺仪AKG |
特征分类 | 特征 | 计算方法 |
---|---|---|
时域特征 | Counts | |
均值mean | ||
标准差SD | ||
变异系数CV | ||
最小值、最大值 | Max、min | |
分位点 | 第10、25、50、75、90分位点 | |
IQR | ||
频域特征 | 主频 | 通过快速傅里叶变换获得 |
振幅 | 通过快速傅里叶变换获得 | |
光谱熵 |
表2 PAEE中的常用时域频域特征
Table 2 Time-domains and frequency-domains characteristics of PAEE
特征分类 | 特征 | 计算方法 |
---|---|---|
时域特征 | Counts | |
均值mean | ||
标准差SD | ||
变异系数CV | ||
最小值、最大值 | Max、min | |
分位点 | 第10、25、50、75、90分位点 | |
IQR | ||
频域特征 | 主频 | 通过快速傅里叶变换获得 |
振幅 | 通过快速傅里叶变换获得 | |
光谱熵 |
被试者 | 组内数据结果(F值) | |||
---|---|---|---|---|
HAcount | HGcount | AAcount | AGcount | |
被试1 | 13.165 350 | 0.646 716 | 1.983 844 | 0.635 209 |
被试2 | 4.269 025 | 0.089 645 | 1.974 077 | 0.858 583 |
表3 显著性差异检验结果
Table 3 Significant difference test results
被试者 | 组内数据结果(F值) | |||
---|---|---|---|---|
HAcount | HGcount | AAcount | AGcount | |
被试1 | 13.165 350 | 0.646 716 | 1.983 844 | 0.635 209 |
被试2 | 4.269 025 | 0.089 645 | 1.974 077 | 0.858 583 |
比较策略 | 评估结果 | |
---|---|---|
选择方法 | CfsSubsetEval+bestFirst[ | |
选取特征 | 6,7,68,79,83,87∶6 | |
回归方法 | 多线性回归 | |
特征选择前 | CC | 0.291 1 |
MAE | 1.142 0 | |
特征选择后 | CC | 0.829 4 |
MAE | 0.533 8 |
表4 特征选择前后的评估结果比较(相关系数)
Table 4 Comparison of evaluation results before and after feature selection (correlation coefficient)
比较策略 | 评估结果 | |
---|---|---|
选择方法 | CfsSubsetEval+bestFirst[ | |
选取特征 | 6,7,68,79,83,87∶6 | |
回归方法 | 多线性回归 | |
特征选择前 | CC | 0.291 1 |
MAE | 1.142 0 | |
特征选择后 | CC | 0.829 4 |
MAE | 0.533 8 |
比较策略 | 评估结果 | |
---|---|---|
选择方法 | 互信息 | |
选取特征 | 3,21,27,7,6,2,69,26,114,12,28,70,68,125,61,120,10,112,22,123∶20 | |
回归方法 | 多线性回归 | |
特征选择前 | CC | 0.417 7 |
MAE | 0.428 2 | |
特征选择后 | CC | 0.905 5 |
MAE | 0.399 9 |
表5 特征选择前后的评估结果比较(互信息)
Table 5 Comparison of evaluation results before and after feature selection (MI)
比较策略 | 评估结果 | |
---|---|---|
选择方法 | 互信息 | |
选取特征 | 3,21,27,7,6,2,69,26,114,12,28,70,68,125,61,120,10,112,22,123∶20 | |
回归方法 | 多线性回归 | |
特征选择前 | CC | 0.417 7 |
MAE | 0.428 2 | |
特征选择后 | CC | 0.905 5 |
MAE | 0.399 9 |
比较策略 | 评估结果 | |
---|---|---|
选择方法 | 包装(wrapper) | |
选取特征 | 3,21,27,7,6,2,69,26,114,12,28,70,68,125,61,120,10,112,22,123:20 | |
支持向量机方法 | RBF+ranker | |
特征选择前 | CC | 0.291 1 |
MAE | 1.142 0 | |
特征选择后 | CC | 0.860 8 |
MAE | 0.470 4 |
表6 特征选择前后的评估结果比较(包装方法)
Table 6 Comparison of evaluation results before and after feature selection (wrapper)
比较策略 | 评估结果 | |
---|---|---|
选择方法 | 包装(wrapper) | |
选取特征 | 3,21,27,7,6,2,69,26,114,12,28,70,68,125,61,120,10,112,22,123:20 | |
支持向量机方法 | RBF+ranker | |
特征选择前 | CC | 0.291 1 |
MAE | 1.142 0 | |
特征选择后 | CC | 0.860 8 |
MAE | 0.470 4 |
方法 | 参数 | CC | MAE |
---|---|---|---|
ElasticNET | 0.783 4 | 0.561 6 |
表7 嵌入式方法(弹性网络)评估结果
Table 7 Evaluation results of embedded method (elastic network)
方法 | 参数 | CC | MAE |
---|---|---|---|
ElasticNET | 0.783 4 | 0.561 6 |
特征选择方法 | 机器学习算法 | CC | MAE |
---|---|---|---|
相关系数方法 | 神经网络 | 0.870 1 | 0.453 4 |
互信息方法 | 支持向量机 | 0.739 4 | 0.542 8 |
包装方法 | 支持向量机 | 0.860 8 | 0.470 4 |
嵌入式方法 | 弹性网络 | 0.783 8 | 0.560 1 |
表8 最优组合方法评估结果汇总
Table 8 Summary of evaluation results of optimal combination methods
特征选择方法 | 机器学习算法 | CC | MAE |
---|---|---|---|
相关系数方法 | 神经网络 | 0.870 1 | 0.453 4 |
互信息方法 | 支持向量机 | 0.739 4 | 0.542 8 |
包装方法 | 支持向量机 | 0.860 8 | 0.470 4 |
嵌入式方法 | 弹性网络 | 0.783 8 | 0.560 1 |
[1] |
LIU S P, GAO R X, FREEDSON P S. Computational methods for estimating energy expenditure in human physical activities[J]. Medicine and Science in Sports and Exercise, 2012, 44(11): 2138-2146.
DOI PMID |
[2] |
MIGUELES J H, CADENAS-SANCHEZ C, EKELUND U, et al. Accelerometer data collection and processing criteria to assess physical activity and other outcomes: a systematic review and practical considerations[J]. Sports Medicine, 2017, 47(9): 1821-1845.
DOI PMID |
[3] | 范江江, 陈庆果. 加速度计测量体力活动的算法研究进展[J]. 湖北体育科技, 2016, 35(7): 595-598. |
FAN J J, CHEN Q G. Study of the calculating methods on physical activities with acceleration[J]. Hubei Sports Science, 2016, 35(7): 595-598. | |
[4] | 陈庆果, 袁川, 范江江, 等. 智能手机内置加速度传感器监测走跑运动能量消耗的研究[J]. 首都体育学院学报, 2018, 30(5): 473-480. |
CHEN Q G, YUAN C, FAN J J, et al. Assessment of energy expenditure of walking and running using built-in accelerometer of smartphones[J]. Journal of Capital University of Physical Education and Sports, 2018, 30(5): 473-480. | |
[5] | 陈庆果, 李翔. 佩戴部位对加速度计能耗监测准确性的影响: 算法的调节效应[J]. 中国体育科技, 2019, 55(3): 73-81. |
CHEN Q G, LI X. Effects of wearing sites of accelerometer on accuracy prediction of energy expenditure: moderating effect of algorithm[J]. China Sport Science and Technology, 2019, 55(3): 73-81. | |
[6] |
HAMID A. Predicting children’s energy expenditure during physical activity using deep learning and wearable sensor data[J]. European Journal of Sport Science, 2021, 21(6): 918-926.
DOI URL |
[7] |
钱慧芳, 易剑平, 付云虎. 基于深度学习的人体动作识别综述[J]. 计算机科学与探索, 2021, 15(3): 438-455.
DOI URL |
QIAN H F, YI J P, FU Y H. Review of human action recognition based on deep learning[J]. Journal of Frontiers of Computer Science and Technology, 2021, 15(3): 438-455.
DOI URL |
|
[8] | 陆姣姣, 邱俊. 加速度计在能量消耗预测中的应用研究综述[J]. 南京体育学院学报, 2014, 13(4): 24-29. |
LU J J, QIU J. A review of accelerometer for activity energy expenditure estimating[J]. Journal of Nanjing Sports Institute, 2014, 13(4): 24-29. | |
[9] | SCHULDHAUS D, DORN S, LEUTHEUSER H, et al. An adaptable inertial sensor fusion-based approach for energy expenditure estimation[C]// Proceedings of the 15th International Conference on Biomedical Engineering, Singapore, Dec 4-7, 2013. Berlin, Heidelberg: Springer, 2013: 124-127. |
[10] | 赵蕊. 基于WEKA平台的决策树算法设计与实现[D]. 长沙: 中南大学, 2007. |
ZHAO R. Design and implementation of decision tree algorithm based on WEKA platform[D]. Changsha: Central South University, 2007. | |
[11] | 袁梅宇. 数据挖掘与机器学习——WEKA应用技术与实践[M]. 2版. 北京: 清华大学出版社, 2019. |
YUAN M Y. Data mining and machine learning—WEKA application technology and practice[M]. 2nd ed. Beijing: Tsinghua University Press, 2019. | |
[12] | 黄仁, 田丰, 田维兴. 基于加速度传感器的运动模式识别[J]. 计算机工程与应用, 2015, 51(6): 235-239. |
HUANG R, TIAN F, TIAN W X. Motion pattern recognition using acceleration transducer[J]. Computer Engineering and Applications, 2015, 51(6): 235-239. | |
[13] | 张昕阳. 运动方式识别和能量消耗模型的研究[D]. 上海: 华东师范大学, 2015. |
ZHANG X Y. Research on motion pattern recognition and energy consumption model[D]. Shanghai: East China Normal University, 2015. | |
[14] | 梁志国, 孟晓风. 正弦波形参数拟合方法述评[J]. 测试技术学报, 2010, 24(1): 1-8. |
LIANG Z G, MENG X F. Review of sine wave curve-fit methods[J]. Journal of Test and Measurement Technology, 2010, 24(1): 1-8. | |
[15] | 齐国清, 吕健. 正弦曲线拟合若干问题探讨[J]. 计算机工程与设计, 2008, 29(14): 3677-3680. |
QI G Q, LV J. Investigation of sine wave fitting algorithms[J]. Computer Engineering and Design, 2008, 29(14): 3677-3680. | |
[16] | 姚旭, 王晓丹, 张玉玺, 等. 特征选择方法综述[J]. 控制与决策, 2012, 27(2): 161-166. |
YAO X, WANG X D, ZHANG Y X, et al. Summary of feature selection algorithms[J]. Control and Decision, 2012, 27(2): 161-166. | |
[17] |
HANCER E, XUE B, ZHANG M J. A survey on feature selection approaches for clustering[J]. Artificial Intelligence Review, 2020, 53(6): 4519-4545.
DOI URL |
[18] | 刘毛溪, 万鸣华, 孙成立, 等. 无监督的稀疏差分嵌入特征提取方法[J]. 小型微型计算机系统, 2017, 38(5): 1134-1138. |
LIU M X, WAN M H, SUN C L, et al. Unsupervised sparse difference embedding for feature extraction[J]. Journal of Chinese Computer Systems, 2017, 38(5): 1134-1138. | |
[19] | 田冰. 经典统计学与机器学习中变量选择方法的比较分析[D]. 济南: 山东大学, 2019. |
TIAN B. Comparative analysis of variable selection methods in classical statistics and machine learning[D]. Jinan: Shandong University, 2019. | |
[20] |
GJORESKI H, KALUŽA B, GAMS M, et al. Context-based ensemble method for human energy expenditure estimation[J]. Applied Soft Computing, 2015, 37: 960-970.
DOI URL |
[21] |
MONTOYE A H K, BEGUM M, HENNING Z, et al. Comparison of linear and non-linear models for predicting energy expenditure from raw accelerometer data[J]. Physiological Measurement, 2017, 38(2): 343-357.
DOI PMID |
[22] |
郑增威, 杜俊杰, 霍梅梅, 等. 基于可穿戴传感器的人体活动识别研究综述[J]. 计算机应用, 2018, 38(5): 1223-1229.
DOI |
ZHENG Z W, DU J J, HUO M M, et al. Review of human activity recognition based on wearable sensors[J]. Journal of Computer Applications, 2018, 38(5): 1223-1229.
DOI |
|
[23] |
DE CRAEMER M, DE DECKER E, SANTOS-LOZANO A, et al. Validity of the Omron pedometer and the actigraph step count function in preschoolers[J]. Journal of Science and Medicine in Sport, 2015, 18(3): 289-293.
DOI PMID |
[24] | 卢颖. 广义线性模型基于Elastic Net的变量选择方法研究[D]. 北京: 北京交通大学, 2011: 86-123. |
LU Y. Research on variable selection method for generalized linear models based on Elastic Net[D]. Beijing: Beijing Jiaotong University, 2011: 86-123. | |
[25] | 樊振宇. BP神经网络模型与学习算法[J]. 软件导刊, 2011, 10(7): 66-68. |
FAN Z Y. BP neural network model and learning algorithm[J]. Software Guide, 2011, 10(7): 66-68. | |
[26] | FAN J, LV J. A selective overview of variable selection in high dimensional feature space[J]. Statistical Sinica, 2010, 20(1): 101-148. |
[27] | 王三保, 陈浩. 人体运动能量消耗测量的方法学分析[J]. 体育时空, 2013(9): 128-129. |
WANG S B, CHEN H. Methodological analysis of measurement of human sports energy consumption[J]. Sports Time and Space, 2013(9): 128-129. | |
[28] | ZHANG C H. Nearly unbiased variable selection under minimax concave penalty[J]. The Annals of Statistics, 2010, 38(2): 894-942. |
[1] | 孙水发, 李小龙, 李伟生, 雷大江, 李思慧, 杨柳, 吴义熔. 图神经网络应用于知识图谱推理的研究综述[J]. 计算机科学与探索, 2023, 17(1): 27-52. |
[2] | 王仕宸, 黄凯, 陈志刚, 张文东. 深度学习的三维人体姿态估计综述[J]. 计算机科学与探索, 2023, 17(1): 74-87. |
[3] | 皮洪, 罗川, 李天瑞, 陈红梅. 面向单调特征选择的改进模糊排序互信息[J]. 计算机科学与探索, 2023, 17(1): 108-115. |
[4] | 马涪元, 王英, 李丽娜, 汪洪吉. 融合结构和特征的图层次化池化模型[J]. 计算机科学与探索, 2023, 17(1): 179-186. |
[5] | 高仰, 刘渊. 融合社交关系和知识图谱的推荐算法[J]. 计算机科学与探索, 2023, 17(1): 238-250. |
[6] | 吕晓琦, 纪科, 陈贞翔, 孙润元, 马坤, 邬俊, 李浥东. 结合注意力与循环神经网络的专家推荐算法[J]. 计算机科学与探索, 2022, 16(9): 2068-2077. |
[7] | 安凤平, 李晓薇, 曹翔. 权重初始化-滑动窗口CNN的医学图像分类[J]. 计算机科学与探索, 2022, 16(8): 1885-1897. |
[8] | 黄浩, 葛洪伟. 强化类间区分的深度残差表情识别网络[J]. 计算机科学与探索, 2022, 16(8): 1842-1849. |
[9] | 于慧琳, 陈炜, 王琪, 高建伟, 万怀宇. 使用子图推理实现知识图谱关系预测[J]. 计算机科学与探索, 2022, 16(8): 1800-1808. |
[10] | 李玉轩, 洪学海, 汪洋, 唐正正, 班艳. 引入激活加权策略的分组排序学习方法[J]. 计算机科学与探索, 2022, 16(7): 1594-1602. |
[11] | 张雁操, 赵宇海, 史岚. 融合图注意力的多特征链接预测算法[J]. 计算机科学与探索, 2022, 16(5): 1096-1106. |
[12] | 欧阳柳, 贺禧, 瞿绍军. 全卷积注意力机制神经网络的图像语义分割[J]. 计算机科学与探索, 2022, 16(5): 1136-1145. |
[13] | 程卫月, 张雪琴, 林克正, 李骜. 融合全局与局部特征的深度卷积神经网络算法[J]. 计算机科学与探索, 2022, 16(5): 1146-1154. |
[14] | 童敢, 黄立波. Winograd快速卷积相关研究综述[J]. 计算机科学与探索, 2022, 16(5): 959-971. |
[15] | 裴利沈, 赵雪专. 群体行为识别深度学习方法研究综述[J]. 计算机科学与探索, 2022, 16(4): 775-790. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||