本發(fā)明涉及模式識(shí)別和普適計(jì)算領(lǐng)域，具體涉及一種融合運(yùn)動(dòng)和生理傳感數(shù)據(jù)的日?；顒?dòng)識(shí)別方法。

背景技術(shù)：
隨著智能手機(jī)和可穿戴式傳感器的發(fā)展，位置、加速度、角速度、朝向等運(yùn)動(dòng)數(shù)據(jù)以及心電、呼吸、體溫等生理傳感數(shù)據(jù)的獲取變得日益便捷，如何利用這些數(shù)據(jù)和信號(hào)進(jìn)行日?；顒?dòng)識(shí)別成為了業(yè)界關(guān)注的焦點(diǎn)，相應(yīng)技術(shù)在智慧家庭、醫(yī)療保健、老年人輔助等領(lǐng)域具有廣闊的應(yīng)用前景?，F(xiàn)有活動(dòng)識(shí)別方法一般僅基于加速度傳感數(shù)據(jù)識(shí)別與運(yùn)動(dòng)有關(guān)的活動(dòng)，如站立、坐、走路、跑步、騎車等。公開(kāi)號(hào)為102707806A的專利文獻(xiàn)公開(kāi)了一種基于加速度傳感器的運(yùn)動(dòng)識(shí)別方法，屬于人機(jī)交互技術(shù)領(lǐng)域，該方法首先采集傳感器的加速度信號(hào)，在線的對(duì)加速度信號(hào)進(jìn)行平滑處理，并自動(dòng)的檢測(cè)運(yùn)動(dòng)的起點(diǎn)和終點(diǎn)，分割出運(yùn)動(dòng)片段，實(shí)現(xiàn)信號(hào)的自動(dòng)分割；為了提高識(shí)別準(zhǔn)確率，該方法采用Fused隱馬爾科夫模型算法作為分類器，在訓(xùn)練階段對(duì)每個(gè)已知運(yùn)動(dòng)進(jìn)行建模，并在識(shí)別階段估計(jì)出當(dāng)前信號(hào)表示的運(yùn)動(dòng)；為了能夠在每個(gè)運(yùn)動(dòng)完成之前給出識(shí)別結(jié)果，該方法采用一個(gè)自回歸的預(yù)測(cè)模型，用已經(jīng)采集到的已知數(shù)據(jù)對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而達(dá)到提前識(shí)別的效果。本發(fā)明的特點(diǎn)是通過(guò)少量傳感器捕捉人體運(yùn)動(dòng)，并快速準(zhǔn)確的識(shí)別出當(dāng)前人體的運(yùn)動(dòng)類別。然而，在日常生活中，同一運(yùn)動(dòng)可對(duì)應(yīng)多種活動(dòng)，如坐著可以是在工作、學(xué)習(xí)、開(kāi)會(huì)、看電視、吃飯等，現(xiàn)有基于加速度數(shù)據(jù)的活動(dòng)識(shí)別方法不能有效分辨這些活動(dòng)?；诳纱┐魇絺鞲性O(shè)備，目前出現(xiàn)了基于生理傳感數(shù)據(jù)的活動(dòng)識(shí)別方法，能識(shí)別與生理傳感數(shù)據(jù)存在相關(guān)性的活動(dòng)，如睡覺(jué)、健身等，但其僅能覆蓋日常生活中的小部分活動(dòng)。為進(jìn)一步提高活動(dòng)識(shí)別的性能，目前也出現(xiàn)了融合運(yùn)動(dòng)數(shù)據(jù)（如加速度）和生理傳感數(shù)據(jù)的活動(dòng)識(shí)別方法，在特征層面對(duì)運(yùn)動(dòng)數(shù)據(jù)和生理傳感數(shù)據(jù)進(jìn)行融合。但由于運(yùn)動(dòng)數(shù)據(jù)和生理傳感數(shù)據(jù)特性不同，運(yùn)動(dòng)數(shù)據(jù)主要體現(xiàn)瞬態(tài)變化，而生理傳感數(shù)據(jù)變化速度相對(duì)緩慢，加之日?；顒?dòng)種類繁多，特征級(jí)融合不能有效整合特性不同的兩類特征進(jìn)行日?；顒?dòng)識(shí)別。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要解決的問(wèn)題是如何有效融合運(yùn)動(dòng)數(shù)據(jù)（如位置、加速度、角速度等）和生理傳感數(shù)據(jù)（如心電、呼吸、心跳等）對(duì)日?；顒?dòng)進(jìn)行準(zhǔn)確識(shí)別。針對(duì)運(yùn)動(dòng)數(shù)據(jù)與生理傳感數(shù)據(jù)在信號(hào)級(jí)與特征級(jí)難以有效融合的問(wèn)題，本發(fā)明方法將運(yùn)動(dòng)數(shù)據(jù)與生理傳感數(shù)據(jù)分別進(jìn)行特征提取，然后對(duì)提取的特征使用順序向前浮動(dòng)搜索策略作特征選擇，接著對(duì)得到的特征向量分別通過(guò)生成模型中的高斯混合模型與判別模型中的支持向量機(jī)建立分類子模型，最后，采用分?jǐn)?shù)級(jí)融合的方法將這些分類子模型的決策融合并輸出最終的決策。一種融合運(yùn)動(dòng)和生理傳感數(shù)據(jù)的日常活動(dòng)識(shí)別方法，包括：步驟1，采用穿戴式生理傳感設(shè)備以及智能設(shè)備采集用戶在日常活動(dòng)時(shí)的數(shù)據(jù)，并將數(shù)據(jù)進(jìn)行預(yù)處理，其中數(shù)據(jù)包括生理傳感數(shù)據(jù)以及運(yùn)動(dòng)數(shù)據(jù)；步驟2，對(duì)預(yù)處理后的數(shù)據(jù)提取所需要的若干特征向量；步驟3，將特征向量輸入識(shí)別模型中對(duì)應(yīng)的識(shí)別子模型進(jìn)行活動(dòng)判別，各個(gè)識(shí)別子模型輸出概率向量；步驟4，將每個(gè)概率向量轉(zhuǎn)換為具有活動(dòng)類別的識(shí)別子模型向量；步驟5，將所有識(shí)別子模型向量輸入經(jīng)過(guò)識(shí)別模型中的融合模型，得到最終的活動(dòng)識(shí)別結(jié)果。由于識(shí)別模型是預(yù)先訓(xùn)練好的，在識(shí)別模型的模型訓(xùn)練過(guò)程中，特征向量經(jīng)過(guò)選擇，因此，在步驟2中提取所需要的特征向量只需提取模型訓(xùn)練時(shí)經(jīng)過(guò)選擇的特征向量。識(shí)別模型的訓(xùn)練方法為：a)利用穿戴式生理傳感設(shè)備收集生理傳感數(shù)據(jù)，利用智能設(shè)備收集運(yùn)動(dòng)數(shù)據(jù)；b）對(duì)各項(xiàng)數(shù)據(jù)進(jìn)行預(yù)處理；c）根據(jù)預(yù)處理后的數(shù)據(jù)提取特征向量；d）從提取的特征向量中進(jìn)行選擇，得到目標(biāo)特征集；e）利用目標(biāo)特征集中的特征向量訓(xùn)練出對(duì)應(yīng)的識(shí)別子模型，得到對(duì)應(yīng)的概率向量；f）根據(jù)概率向量構(gòu)建對(duì)應(yīng)的識(shí)別子模型向量；g）利用步驟f）所得的全部識(shí)別子模型向量獲取融合模型。每一項(xiàng)日?；顒?dòng)包含多個(gè)種類的生理傳感數(shù)據(jù)以及運(yùn)動(dòng)數(shù)據(jù)，例如，生理傳感數(shù)據(jù)包括心電以及呼吸數(shù)據(jù)，運(yùn)動(dòng)數(shù)據(jù)包括加速度以及角速度。因此對(duì)于每項(xiàng)運(yùn)動(dòng)提取得到多個(gè)特征向量。步驟a）具體方法為：步驟a-1，使用穿戴式生理傳感設(shè)備來(lái)記錄日常活動(dòng)時(shí)的各類生理傳感數(shù)據(jù)，同時(shí)使用智能設(shè)備記錄日常活動(dòng)時(shí)的各類運(yùn)動(dòng)數(shù)據(jù)，對(duì)于每一項(xiàng)日常活動(dòng)，通過(guò)智能設(shè)備手動(dòng)標(biāo)注當(dāng)前的活動(dòng)類型；步驟a-2，對(duì)收集的生理傳感數(shù)據(jù)和運(yùn)動(dòng)數(shù)據(jù)按照活動(dòng)類型的標(biāo)注進(jìn)行分割。其中采集數(shù)據(jù)時(shí)，用戶將穿戴式生理傳感設(shè)備穿戴上，并且將智能設(shè)備（例如智能手機(jī)）放置于待測(cè)位置，在進(jìn)行日?；顒?dòng)例如跑步開(kāi)始前，用戶手動(dòng)在智能設(shè)備上手動(dòng)輸入跑步，并進(jìn)行跑步，此時(shí)穿戴式生理傳感設(shè)備和智能設(shè)備實(shí)施采集對(duì)應(yīng)的數(shù)據(jù)，在運(yùn)動(dòng)完后再進(jìn)行標(biāo)注，得到該項(xiàng)日?；顒?dòng)的起止時(shí)間點(diǎn)。在進(jìn)行分割時(shí)，按照所標(biāo)注的活動(dòng)類型的起止點(diǎn)時(shí)間將各個(gè)數(shù)據(jù)進(jìn)行分割。對(duì)記錄的生理傳感數(shù)據(jù)和運(yùn)動(dòng)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理的方法包括：對(duì)運(yùn)動(dòng)數(shù)據(jù)進(jìn)行異常點(diǎn)檢測(cè)，并對(duì)其中的異常點(diǎn)進(jìn)行插值處理；對(duì)記錄的生理傳感數(shù)據(jù)進(jìn)行異位檢測(cè)與替換，并進(jìn)行趨勢(shì)消除；將預(yù)處理后的運(yùn)動(dòng)數(shù)據(jù)與生理傳感數(shù)據(jù)按時(shí)間對(duì)齊，并以相同大小的時(shí)間窗口分割運(yùn)動(dòng)數(shù)據(jù)和生理傳感數(shù)據(jù)。對(duì)運(yùn)動(dòng)數(shù)據(jù)以及生理傳感數(shù)據(jù)按時(shí)間對(duì)齊并進(jìn)行分割之后，各個(gè)日?；顒?dòng)所采集的運(yùn)動(dòng)數(shù)據(jù)與其生理傳感數(shù)據(jù)相對(duì)應(yīng)。步驟c中，每一項(xiàng)運(yùn)動(dòng)數(shù)據(jù)以及與其時(shí)間對(duì)齊的生理傳感數(shù)據(jù)所構(gòu)建的特征向量包括：時(shí)域特征、頻域特征，以及根據(jù)時(shí)序信號(hào)特點(diǎn)所提取的非線性結(jié)構(gòu)特征。對(duì)運(yùn)動(dòng)傳感數(shù)據(jù)提取常用的時(shí)域、頻域特征，生理傳感數(shù)據(jù)則根據(jù)自身特點(diǎn)（如心電數(shù)據(jù)適合做心率變異性分析），提取不同的時(shí)域、頻域特征，構(gòu)建特征向量。運(yùn)動(dòng)數(shù)據(jù)提取時(shí)域和頻域特征為常用統(tǒng)計(jì)學(xué)數(shù)據(jù)（例如加速度、角速度等）的時(shí)域特征、頻域特征。時(shí)域特征包括均值、方差、標(biāo)準(zhǔn)差、中位數(shù)、最小值、最大值、四分位距、平均絕對(duì)偏差、根均方，頻域特征包括能量、熵、離散傅里葉變換系數(shù)。生理傳感數(shù)據(jù)相對(duì)于運(yùn)動(dòng)傳感數(shù)據(jù)變化過(guò)程較慢，而且不同的生理傳感數(shù)據(jù)有不同的特點(diǎn)，因此本方法對(duì)每類生理傳感數(shù)據(jù)提取不同的特征：對(duì)于心率、呼吸率、呼吸振幅、呼吸間隔、體溫等生理傳感數(shù)據(jù)，提取基本均值、方差、標(biāo)準(zhǔn)差、中位數(shù)等統(tǒng)計(jì)學(xué)時(shí)域和頻域特征，對(duì)呼吸波形、心電等生理傳感數(shù)據(jù)，提取相對(duì)復(fù)雜的一些特征，如對(duì)心電數(shù)據(jù)進(jìn)行心率變異性分析所得的各項(xiàng)指標(biāo)（如LF、HF等）作為特征值。步驟d）的具體方式如下：步驟d-1，輸入所有特征向量作為候選特征集，并輸入期望選擇出的特征向量數(shù)目；步驟d-2，對(duì)于每項(xiàng)運(yùn)動(dòng)數(shù)據(jù)或者每項(xiàng)生理傳感數(shù)據(jù)，從候選特征集選擇對(duì)應(yīng)的特征向量加入到目標(biāo)特征集中，構(gòu)成新的目標(biāo)特征集，選出使得目標(biāo)準(zhǔn)則函數(shù)最大的特征向量集合；步驟d-3，通過(guò)順序向后搜索子算法從目標(biāo)特征集順序移除一個(gè)特征向量，構(gòu)成新的目標(biāo)特征集，再次選出使得目標(biāo)準(zhǔn)則函數(shù)最大的特征向量集合；步驟d-4，重復(fù)步驟d-2和d-3，在目標(biāo)特征集中的特征向量數(shù)目達(dá)到要求或重復(fù)次數(shù)達(dá)到上限時(shí)結(jié)束，得到目標(biāo)特征集。例如，作為優(yōu)選，采用目標(biāo)特征集的信息增益作為目標(biāo)準(zhǔn)則函數(shù)。在步驟d-2中，采用序列浮動(dòng)前向選擇方法進(jìn)行特征向量的選擇。該算法復(fù)雜度低、運(yùn)行速度快、效率高。步驟e方法為：根據(jù)每項(xiàng)運(yùn)動(dòng)數(shù)據(jù)和每項(xiàng)生理傳感數(shù)據(jù)的特征向量，使用支持向量機(jī)以及高斯混合模型構(gòu)建對(duì)應(yīng)的識(shí)別子模型。步驟f-1，對(duì)于該項(xiàng)日?；顒?dòng)的每個(gè)特征向量，對(duì)應(yīng)的識(shí)別子模型輸出對(duì)應(yīng)的概率向量pv=[p1p2…pn]T，步驟f-2，將所有識(shí)別子模型的概率向量組成概率矩陣，表示為：其中，k表示總的識(shí)別子模型數(shù)目，n表示總的活動(dòng)類別數(shù)目；將概率矩陣再轉(zhuǎn)化為如下表示形式：PMn×k=[vc1vc2…vcn]T其中，vci是概率矩陣的行向量(i=1,…,n)，每個(gè)vci對(duì)應(yīng)第i個(gè)類別標(biāo)簽li，得到第j項(xiàng)日常活動(dòng)對(duì)應(yīng)的識(shí)別子模型向量其中j=1,…,m，m表示日常活動(dòng)項(xiàng)數(shù)。在訓(xùn)練過(guò)程中，每種日?；顒?dòng)進(jìn)行多次，對(duì)于同一活動(dòng)類型，每進(jìn)行一次日?；顒?dòng)，均作為一項(xiàng)日常活動(dòng)。所得到的識(shí)別子模型向量為帶有活動(dòng)類別的向量。融合模型的訓(xùn)練方法為：步驟g-1，輸入所有識(shí)別子模型向量；步驟g-2，根據(jù)所有識(shí)別子模型向量訓(xùn)練邏輯回歸模型；步驟g-3，訓(xùn)練得到融合模型的參數(shù)，完成融合模型的訓(xùn)練。邏輯回歸模型的數(shù)據(jù)就是融合模型的參數(shù)。本發(fā)明的優(yōu)點(diǎn)包括：1)先針對(duì)不同的特征集訓(xùn)練若干識(shí)別子模型，然后再進(jìn)行分?jǐn)?shù)級(jí)融合，解決不同傳感器數(shù)據(jù)類型不兼容的問(wèn)題，能充分整合運(yùn)動(dòng)數(shù)據(jù)和生理傳感數(shù)據(jù)對(duì)活動(dòng)識(shí)別的表征能力；2)建立的模型能夠有效識(shí)別類型豐富的日常活動(dòng)，實(shí)用性高，普適性好。附圖說(shuō)明圖1為本發(fā)明一個(gè)實(shí)施例的識(shí)別方法流程圖；圖2為本發(fā)明當(dāng)前實(shí)施例所采用的數(shù)據(jù)獲取平臺(tái)架構(gòu)；圖3為本發(fā)明當(dāng)前實(shí)施例數(shù)據(jù)預(yù)處理流程圖；圖4為本發(fā)明當(dāng)前實(shí)施例特征選擇流程圖；圖5為本發(fā)明當(dāng)前實(shí)施例識(shí)別子模型訓(xùn)練流程圖；圖6為本發(fā)明當(dāng)前實(shí)施例構(gòu)建子模型向量流程圖。具體實(shí)施方式本發(fā)明提出了融合運(yùn)動(dòng)和生理傳感數(shù)據(jù)的日?；顒?dòng)識(shí)別方法，流程如圖1所示，本發(fā)明當(dāng)前實(shí)施例中日?；顒?dòng)識(shí)別方法如下：本發(fā)明分為兩個(gè)部分：模型訓(xùn)練部分和活動(dòng)識(shí)別部分?；顒?dòng)識(shí)別部分主要是對(duì)運(yùn)動(dòng)和生理傳感數(shù)據(jù)進(jìn)行采集，特征處理以及根據(jù)模型進(jìn)行活動(dòng)識(shí)別?；顒?dòng)識(shí)別的步驟包括數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、特征提取、根據(jù)子模型識(shí)別活動(dòng)、構(gòu)建子模型向量、根據(jù)融合模型融合子模型向量六個(gè)步驟，其中數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理以及構(gòu)建子模型向量三個(gè)步驟和模型訓(xùn)練模塊一致。本發(fā)明當(dāng)前實(shí)施例的識(shí)別方法如下：步驟1，采用穿戴式生理傳感設(shè)備以及智能設(shè)備采集用戶在日?；顒?dòng)時(shí)的數(shù)據(jù)，并將數(shù)據(jù)進(jìn)行預(yù)處理，其中數(shù)據(jù)包括生理傳感數(shù)據(jù)以及運(yùn)動(dòng)數(shù)據(jù)。步驟2，對(duì)預(yù)處理后的數(shù)據(jù)提取所需要的若干特征向量。由于特征向量是在模型訓(xùn)練中經(jīng)過(guò)選擇的，因此在識(shí)別階段的特征提取只需提取模型訓(xùn)練模塊中已特征選擇選擇出來(lái)的特征即可。步驟3，利用經(jīng)過(guò)模型訓(xùn)練的識(shí)別子模型對(duì)特征向量進(jìn)行活動(dòng)判別，得到活動(dòng)子模型輸出結(jié)果。在得到運(yùn)動(dòng)和生理傳感數(shù)據(jù)的特征向量之后，使用訓(xùn)練好的識(shí)別子模型進(jìn)行活動(dòng)判別，即可得到識(shí)別子模型輸出結(jié)果。其中識(shí)別子模型通過(guò)模型訓(xùn)練得到。模型訓(xùn)練模塊用于對(duì)運(yùn)動(dòng)和生理傳感數(shù)據(jù)進(jìn)行采集，并進(jìn)行特征處理與模型訓(xùn)練，可以分為數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、特征提取、特征選擇、訓(xùn)練識(shí)別子模型、構(gòu)建子模型向量、訓(xùn)練融合模型七個(gè)步驟。每個(gè)步驟的具體內(nèi)容如下：步驟a）具體方法為：步驟a-1，使用穿戴式生理傳感設(shè)備來(lái)記錄日?；顒?dòng)時(shí)的各類生理傳感數(shù)據(jù)，同時(shí)使用智能設(shè)備記錄日?；顒?dòng)時(shí)的各類運(yùn)動(dòng)數(shù)據(jù)，對(duì)于每一項(xiàng)日?；顒?dòng)，通過(guò)智能設(shè)備手動(dòng)標(biāo)注當(dāng)前的活動(dòng)類型；圖2為數(shù)據(jù)獲取平臺(tái)的架構(gòu)圖。在記錄傳感器信號(hào)數(shù)據(jù)的過(guò)程中，用戶只需佩戴可穿戴生理傳感設(shè)備及智能手機(jī)。目前，智能手機(jī)一般都配置了加速度傳感器、陀螺儀等運(yùn)動(dòng)傳感設(shè)備。本方法中，智能手機(jī)放置在用戶褲子口袋中，其內(nèi)置的加速度傳感器主要用來(lái)獲取用戶在日?；顒?dòng)中腿部運(yùn)動(dòng)的三軸加速度，其內(nèi)置的陀螺儀主要用來(lái)獲取手機(jī)單位時(shí)間內(nèi)的轉(zhuǎn)動(dòng)方向信息?？纱┐鞯男貛缴韨鞲性O(shè)備主要用于獲取用戶的各項(xiàng)生理指標(biāo)，比如心率、心電、心跳間隔、呼吸率、呼吸幅度、呼吸波形、呼吸間隔、皮膚溫度等。此外，其內(nèi)配置加速度傳感器，可用來(lái)獲取用戶的軀干運(yùn)動(dòng)的三軸加速度，以及軀干與地面所呈的傾角。生理傳感設(shè)備錄制各項(xiàng)生理傳感數(shù)據(jù)后，智能手機(jī)通過(guò)藍(lán)牙接收這些生理傳感數(shù)據(jù)，同時(shí)錄制腿部運(yùn)動(dòng)的三軸加速度值、角速度值等。每次進(jìn)行一項(xiàng)活動(dòng)時(shí)，通過(guò)智能手機(jī)手動(dòng)標(biāo)注當(dāng)前的活動(dòng)類型。基于智能手機(jī)開(kāi)發(fā)的程序用來(lái)記錄用戶的標(biāo)注行為。智能手機(jī)打包所收集的數(shù)據(jù)，通過(guò)移動(dòng)網(wǎng)絡(luò)發(fā)送到服務(wù)器端，同時(shí)在本地保留數(shù)據(jù)備份文件。步驟a-2，對(duì)收集的生理傳感數(shù)據(jù)和運(yùn)動(dòng)數(shù)據(jù)按照活動(dòng)類型的標(biāo)注進(jìn)行分割。數(shù)據(jù)收集完成后，進(jìn)入步驟b)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。如圖3所示，數(shù)據(jù)預(yù)處理的主要步驟包括：對(duì)運(yùn)動(dòng)數(shù)據(jù)進(jìn)行異常點(diǎn)檢測(cè)，并對(duì)其中的無(wú)效值進(jìn)行插值處理。對(duì)記錄的生理傳感數(shù)據(jù)進(jìn)行異位檢測(cè)與替換，并進(jìn)行趨勢(shì)消除。對(duì)分割的運(yùn)動(dòng)數(shù)據(jù)與生理傳感數(shù)據(jù)按時(shí)間對(duì)齊，并以相同大小的時(shí)間窗口分割數(shù)據(jù)。生理傳感數(shù)據(jù)不同于智能手機(jī)傳感器的運(yùn)動(dòng)數(shù)據(jù)，其本身的預(yù)處理也與生理傳感數(shù)據(jù)的類型有關(guān)，生理傳感數(shù)據(jù)的預(yù)處理一般有異位檢測(cè)與替換、信號(hào)趨勢(shì)消除等。c）特征提取階段步驟包括：步驟c-1，對(duì)運(yùn)動(dòng)數(shù)據(jù)提取常用的時(shí)域特征和頻域特征，根據(jù)生理傳感數(shù)據(jù)的自身特點(diǎn)（如心電數(shù)據(jù)適合做心率變異性分析），提取不同的時(shí)域特征和頻域特征，構(gòu)建特征向量。步驟c-2，針對(duì)運(yùn)動(dòng)傳感與生理傳感數(shù)據(jù)的時(shí)序信號(hào)特點(diǎn)，提取其非線性的結(jié)構(gòu)特征，并構(gòu)建特征向量。為了更好地抽取各種特征，本方法將采樣的時(shí)序信號(hào)滑動(dòng)時(shí)間窗口的步進(jìn)率設(shè)定為不超過(guò)其窗口長(zhǎng)度的1/2，并通過(guò)測(cè)試選取分類效果最好的時(shí)間窗口。根據(jù)運(yùn)動(dòng)數(shù)據(jù)和各類生理傳感數(shù)據(jù)的不同特點(diǎn)，在每一個(gè)時(shí)間窗口內(nèi)分別為其提取不同的特征,具體過(guò)程如下：提取運(yùn)動(dòng)數(shù)據(jù)（加速度，角速度等）的常用統(tǒng)計(jì)學(xué)的時(shí)域、頻域特征。時(shí)域特征包括均值、方差、標(biāo)準(zhǔn)差、中位數(shù)、最小值、最大值、四分位距、平均絕對(duì)偏差、根均方。頻域特征包括能量、熵、離散傅里葉變換系數(shù)。生理傳感數(shù)據(jù)相對(duì)于運(yùn)動(dòng)數(shù)據(jù)變化過(guò)程較慢，而且不同的生理傳感數(shù)據(jù)有不同的特點(diǎn)，因此本方法對(duì)每類生理傳感數(shù)據(jù)提取不同的特征：對(duì)于心率、呼吸率、呼吸振幅、呼吸間隔、體溫等生理傳感數(shù)據(jù)，提取基本均值、方差、標(biāo)準(zhǔn)差、中位數(shù)等統(tǒng)計(jì)學(xué)時(shí)域特征，對(duì)呼吸波形、心電等生理傳感數(shù)據(jù)，提取相對(duì)復(fù)雜的一些特征，如對(duì)心電數(shù)據(jù)進(jìn)行心率變異性分析所得的各項(xiàng)指標(biāo)（如LF、HF等）作為特征值。在特征選擇時(shí)，本發(fā)明當(dāng)前實(shí)施例使用序列浮動(dòng)前向選擇方法進(jìn)行特征選擇。特征選擇的流程如圖4所示。d）從提取的特征向量中進(jìn)行選擇，所選擇的特征向量構(gòu)成目標(biāo)特征集。本發(fā)明當(dāng)前實(shí)施例在特征選擇時(shí)使用序列浮動(dòng)前向選擇方法進(jìn)行特征選擇。特征選擇的流程如圖4所示。特征選擇階段的主要步驟如下：步驟d-1，分別輸入構(gòu)建完成的運(yùn)動(dòng)數(shù)據(jù)和生理傳感數(shù)據(jù)的特征向量和期望選擇出的特征數(shù)目。步驟d-2，通過(guò)順序向前搜索子算法從候選特征集順序選出一個(gè)特征加入到目標(biāo)特征集中，構(gòu)成新的目標(biāo)特征集，選出使得目標(biāo)準(zhǔn)則函數(shù)最大的特征集合作為該步驟的搜索結(jié)果。本發(fā)明當(dāng)前實(shí)施例采用信息增益作為選擇過(guò)程中的目標(biāo)準(zhǔn)則函數(shù)。將特征Fi前后類別L信息熵的變化作為L(zhǎng)的信息增益，表示為：Gain(L|Fi)=H(L)-H(L|Fi)(1)其中H表示信息熵，H(L|Fi)表示類別L對(duì)選用特征Fi的條件信息熵。步驟d-3，通過(guò)順序向后搜索子算法從目標(biāo)特征集順序移除一個(gè)特征，構(gòu)成新的目標(biāo)特征集，再次選出使得目標(biāo)準(zhǔn)則函數(shù)最優(yōu)的特征集合作為該步驟的搜索結(jié)果。步驟d-4，重復(fù)步驟d-2和d-3，直到目標(biāo)特征集中的特征數(shù)目達(dá)到要求，或達(dá)到上限迭代次數(shù)。步驟d-5，分別輸出不同運(yùn)動(dòng)數(shù)據(jù)和不同生理傳感數(shù)據(jù)的目標(biāo)特征集。將活動(dòng)子模型輸出結(jié)果轉(zhuǎn)化為帶類別標(biāo)簽的概率矩陣，并將帶類別標(biāo)簽的概率矩陣轉(zhuǎn)化為帶標(biāo)簽的子模型向量。e）訓(xùn)練識(shí)別子模型的流程圖如圖5所示，方法為：根據(jù)每項(xiàng)運(yùn)動(dòng)數(shù)據(jù)和每項(xiàng)生理傳感數(shù)據(jù)的特征向量，使用支持向量機(jī)以及高斯混合模型構(gòu)建對(duì)應(yīng)的識(shí)別子模型。f）構(gòu)建子模型向量的步驟如圖6所示，對(duì)于第j項(xiàng)日?；顒?dòng)，具體如下：步驟f-1，訓(xùn)練后的活動(dòng)識(shí)別子模型對(duì)每個(gè)特征向量輸出一個(gè)識(shí)別結(jié)果的概率向量pv=[p1p2…pn]T，其中n表示總的類別數(shù)目，pn表示該模型判別樣例為n類別的概率。步驟f-2，將所有識(shí)別子模型的概率向量組合成一個(gè)概率矩陣。概率矩陣表達(dá)式如下：其中，k表示總的識(shí)別子模型數(shù)目，n表示總的活動(dòng)類別數(shù)目。概率矩陣又可以表示為PMn×k=[vc1vc2…vcn]T，其中vci是概率矩陣的行向量(i=1,…,n)，每個(gè)vci即對(duì)應(yīng)第i個(gè)類別標(biāo)簽，這樣便得到第j項(xiàng)日常活動(dòng)的識(shí)別子模型向量其中j=1,…,m，m表示總的日?；顒?dòng)項(xiàng)數(shù)。步驟4，將活動(dòng)子模型輸出結(jié)果轉(zhuǎn)化為具有活動(dòng)類別的識(shí)別子模型向量。該步驟與模型訓(xùn)練時(shí)的轉(zhuǎn)化方式相同：先將所有的概率向量組成概率矩陣，由于每個(gè)行向量均對(duì)應(yīng)一個(gè)類別，因此再將概率矩陣轉(zhuǎn)換為帶有類別標(biāo)簽的識(shí)別子模型向量。步驟5，將具有活動(dòng)類別的識(shí)別子模型向量輸入經(jīng)過(guò)模型訓(xùn)練的融合模型，得到最終的活動(dòng)識(shí)別結(jié)果。在得到構(gòu)建好的識(shí)別子模型向量之后，使用訓(xùn)練好的融合模型進(jìn)行識(shí)別，便可以得到最終的活動(dòng)識(shí)別結(jié)果。其中融合模型也是在模型訓(xùn)練部分完成，在模型訓(xùn)練部分完成識(shí)別子模型之后，進(jìn)行步驟g）融合模型的訓(xùn)練。融合模型的訓(xùn)練步驟4如下：步驟g-1，輸入所得到帶活動(dòng)類別的識(shí)別子模型向量集LV=[SV1SV2…SVm]T。步驟g-2，根據(jù)識(shí)別子模型向量集訓(xùn)練邏輯回歸模型。步驟g-3，輸出訓(xùn)練出的模型系數(shù)即為融合模型的參數(shù)，從而得到融合模型。本發(fā)明融合運(yùn)動(dòng)數(shù)據(jù)和生理傳感數(shù)據(jù)，能提高日?；顒?dòng)識(shí)別的準(zhǔn)確率，在智慧家庭、醫(yī)療保健、老年人輔助等領(lǐng)域具有廣闊的應(yīng)用前景。