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)的層次化復(fù)雜活動(dòng)識(shí)別方法。

背景技術(shù)：

隨著智能設(shè)備(如智能手機(jī)、智能手表等)和穿戴式設(shè)備(如胸帶、手環(huán)等)的發(fā)展，加速度、角速度等運(yùn)動(dòng)傳感數(shù)據(jù)以及心電、心率、呼吸率等生理傳感數(shù)據(jù)的獲取變得日益便捷，如何利用這些數(shù)據(jù)進(jìn)行活動(dòng)識(shí)別成為了業(yè)界關(guān)注的焦點(diǎn)，相應(yīng)技術(shù)在智能家居、醫(yī)療保健、老年人輔助等領(lǐng)域具有廣闊的應(yīng)用前景。

簡(jiǎn)單活動(dòng)通常由周期性的動(dòng)作或者人體單一姿勢(shì)組成，如站立、坐、走路、跑步等。相比簡(jiǎn)單活動(dòng)，復(fù)雜活動(dòng)通常規(guī)律性不強(qiáng)，持續(xù)時(shí)間更長(zhǎng)，且具有高級(jí)語(yǔ)義，如吃飯、工作、購(gòu)物等。傳統(tǒng)基于智能設(shè)備和穿戴式設(shè)備的活動(dòng)識(shí)別方法通常首先采集用戶(hù)的活動(dòng)相關(guān)數(shù)據(jù)，然后對(duì)其進(jìn)行預(yù)處理和分割，接著進(jìn)行特征提取，最后利用特征數(shù)據(jù)訓(xùn)練一個(gè)活動(dòng)識(shí)別模型。然而傳統(tǒng)方法大部分僅基于運(yùn)動(dòng)傳感數(shù)據(jù)，且通常只在簡(jiǎn)單活動(dòng)上取得較高的識(shí)別準(zhǔn)確率。

識(shí)別簡(jiǎn)單活動(dòng)不能滿(mǎn)足許多實(shí)際應(yīng)用的需求，復(fù)雜活動(dòng)更能反映用戶(hù)的日常生活，例如，在健康監(jiān)護(hù)應(yīng)用中，識(shí)別用戶(hù)的復(fù)雜活動(dòng)如吃藥、康復(fù)訓(xùn)練等比簡(jiǎn)單活動(dòng)更有價(jià)值。由于同一簡(jiǎn)單活動(dòng)可對(duì)應(yīng)多種復(fù)雜活動(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)有基于運(yùn)動(dòng)傳感數(shù)據(jù)的活動(dòng)識(shí)別方法不能有效分辨這些活動(dòng)。因此出現(xiàn)了分層識(shí)別復(fù)雜活動(dòng)的方法：將復(fù)雜活動(dòng)看作簡(jiǎn)單活動(dòng)的組合，人工定義簡(jiǎn)單活動(dòng)，并基于領(lǐng)域知識(shí)建立簡(jiǎn)單活動(dòng)與復(fù)雜活動(dòng)的組成關(guān)系。然而，人工定義的簡(jiǎn)單活動(dòng)難以覆蓋到復(fù)雜活動(dòng)的所有組成，容易造成信息丟失，導(dǎo)致對(duì)復(fù)雜活動(dòng)難以進(jìn)行準(zhǔn)確表示。

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)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)和生理傳感數(shù)據(jù)進(jìn)行融合。但由于運(yùn)動(dòng)傳感數(shù)據(jù)和生理傳感數(shù)據(jù)特性不同，運(yùn)動(dòng)傳感數(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，加之復(fù)雜活動(dòng)種類(lèi)繁多，特征級(jí)融合不能有效整合特性不同的兩類(lèi)數(shù)據(jù)進(jìn)行復(fù)雜活動(dòng)識(shí)別。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述，本發(fā)明提出了一種融合運(yùn)動(dòng)和生理傳感數(shù)據(jù)的層次化復(fù)雜活動(dòng)識(shí)別方法，該方法將復(fù)雜活動(dòng)看作多種簡(jiǎn)單活動(dòng)的組合，結(jié)合聚類(lèi)和主題模型來(lái)進(jìn)行層次化的復(fù)雜活動(dòng)識(shí)別。

一種融合運(yùn)動(dòng)和生理傳感數(shù)據(jù)的層次化復(fù)雜活動(dòng)識(shí)別方法，具體包括以下步驟：

(1)采集運(yùn)動(dòng)傳感數(shù)據(jù)和生理傳感數(shù)據(jù)，并對(duì)兩種數(shù)據(jù)進(jìn)行異常值處理和特征提取，構(gòu)建運(yùn)動(dòng)傳感數(shù)據(jù)特征向量F_a和生理傳感數(shù)據(jù)特征向量F_p；

(2)將運(yùn)動(dòng)傳感數(shù)據(jù)特征向量F_a進(jìn)行K-Means聚類(lèi)和LDA主題提取，得到運(yùn)動(dòng)傳感數(shù)據(jù)的主題分布；

(3)建立生理傳感數(shù)據(jù)的分類(lèi)器，將生理傳感數(shù)據(jù)特征向量F_p作為該分類(lèi)器的輸入，計(jì)算得到生理傳感數(shù)據(jù)在復(fù)雜活動(dòng)上的概率向量P_p＝[P_p1,P_p2…,P_pm]，m為復(fù)雜活動(dòng)類(lèi)別的總數(shù)目；

(4)建立運(yùn)動(dòng)傳感數(shù)據(jù)的分類(lèi)器，將運(yùn)動(dòng)傳感數(shù)據(jù)的主題分布作為該分類(lèi)器的輸入，計(jì)算得到運(yùn)動(dòng)傳感數(shù)據(jù)在復(fù)雜活動(dòng)上的概率向量P_a＝[P_a1,P_a2,…,P_am]；

(5)將概率向量P_a和概率向量P_p作為邏輯回歸融合模型的輸入數(shù)據(jù)，將復(fù)雜活動(dòng)類(lèi)型作為邏輯回歸融合模型的真值標(biāo)簽，對(duì)邏輯回歸融合模型進(jìn)行訓(xùn)練，得到復(fù)雜活動(dòng)分類(lèi)模型；

(6)利用步驟(1)～步驟(4)的方法采集并處理測(cè)試運(yùn)動(dòng)傳感數(shù)據(jù)和測(cè)試生理傳感數(shù)據(jù)，得到測(cè)試生理傳感數(shù)據(jù)的概率向量P’_p和測(cè)試運(yùn)動(dòng)傳感數(shù)據(jù)的概率向量P’_a，然后，將概率向量P’_p和概率向量P’_a輸入到復(fù)雜活動(dòng)分類(lèi)模型中，計(jì)算得到復(fù)雜活動(dòng)類(lèi)型。

所述的步驟(1)的具體步驟為：

(1-1)采用智能設(shè)備和穿戴式設(shè)備采集用戶(hù)在復(fù)雜活動(dòng)時(shí)的運(yùn)動(dòng)傳感數(shù)據(jù)和生理傳感數(shù)據(jù)；

(1-2)對(duì)運(yùn)動(dòng)傳感數(shù)據(jù)和生理傳感數(shù)據(jù)進(jìn)行異常值消除處理，并將處理后的兩種數(shù)據(jù)進(jìn)行時(shí)間窗口劃分；

(1-3)對(duì)每個(gè)時(shí)間窗口的運(yùn)動(dòng)傳感數(shù)據(jù)提取常用統(tǒng)計(jì)特征，構(gòu)建運(yùn)動(dòng)傳感數(shù)據(jù)特征向量F_a；

(1-4)對(duì)每個(gè)時(shí)間窗口的生理傳感數(shù)據(jù)提取結(jié)構(gòu)特征和瞬態(tài)特征，構(gòu)建生理傳感數(shù)據(jù)特征向量F_p。

所述的步驟(1-2)的具體步驟為：

(1-2-1)對(duì)運(yùn)動(dòng)傳感數(shù)據(jù)進(jìn)行異常點(diǎn)檢測(cè)，并對(duì)其中的值為零的數(shù)據(jù)進(jìn)行插值處理；

(1-2-2)對(duì)生理傳感數(shù)據(jù)進(jìn)行異位檢測(cè)與替換，并將其中超出正常值范圍的數(shù)據(jù)消除或進(jìn)行均值填充；

(1-2-3)對(duì)處理后的運(yùn)動(dòng)傳感數(shù)據(jù)與生理傳感數(shù)據(jù)進(jìn)行時(shí)間窗口劃分，生理傳感數(shù)據(jù)的時(shí)間窗口大小是運(yùn)動(dòng)傳感數(shù)據(jù)的時(shí)間窗口大小的整數(shù)倍N。

步驟(1-3)中，所述的常用統(tǒng)計(jì)特征為常用的時(shí)域特征，包括：均值(Mean)、方差(Var)、標(biāo)準(zhǔn)差(Std)、中位數(shù)(Median)、最小值(Min)、最大值(Max)、四分位距(Iqr)、平均絕對(duì)偏差(Mad)以及根均方(Rms)。

步驟(1-4)中，所述的結(jié)構(gòu)特征的獲取方法為：采用函數(shù)擬合生理傳感數(shù)據(jù)變化，選取與生理傳感數(shù)據(jù)擬合最好的函數(shù)的系數(shù)作為結(jié)構(gòu)特征。所述的瞬態(tài)特征有兩種，一是數(shù)據(jù)的變化趨勢(shì)(上升、下降和維持不變)；二是數(shù)據(jù)的變化幅度。

所述的步驟(2)的具體步驟為：

(2-1)將所有窗口的運(yùn)動(dòng)傳感數(shù)據(jù)特征向量F_a通過(guò)K-Means聚類(lèi)，得到K個(gè)簇，每個(gè)時(shí)間窗口的運(yùn)動(dòng)傳感數(shù)據(jù)對(duì)應(yīng)一個(gè)簇編號(hào)，K個(gè)簇為K個(gè)“詞”；

(2-2)將N個(gè)窗口的運(yùn)動(dòng)傳感數(shù)據(jù)視作一個(gè)復(fù)雜活動(dòng)，為“文檔”，統(tǒng)計(jì)每個(gè)文檔在K個(gè)詞上的分布，得到“文檔”在“詞”上的分布p(w|d)；

(2-3)將“文檔”在“詞”上的分布p(w|d)作為L(zhǎng)DA主題模型的輸入，經(jīng)學(xué)習(xí)得出“文檔”在“主題”上的分布p(z|d)，為運(yùn)動(dòng)傳感數(shù)據(jù)的主題分布。

在得到運(yùn)動(dòng)傳感數(shù)據(jù)的主題分布的過(guò)程中，每個(gè)簇相當(dāng)于簡(jiǎn)單活動(dòng)的無(wú)語(yǔ)義，也就是K個(gè)“詞”，“文檔”表示一個(gè)復(fù)雜活動(dòng)，“主題”表示復(fù)雜活動(dòng)的潛在語(yǔ)義。

本發(fā)明結(jié)合聚類(lèi)和主題模型來(lái)進(jìn)行復(fù)雜活動(dòng)識(shí)別，在分層表示復(fù)雜活動(dòng)的結(jié)構(gòu)時(shí)，能充分保留有效信息；同時(shí)，采用分?jǐn)?shù)級(jí)融合的方法，保持運(yùn)動(dòng)和生理傳感數(shù)據(jù)的獨(dú)立性。與現(xiàn)有的方法相比，其優(yōu)點(diǎn)在于：

(1)將復(fù)雜活動(dòng)看作簡(jiǎn)單活動(dòng)組合，簡(jiǎn)單活動(dòng)通過(guò)K-Means聚類(lèi)生成，能充分保留復(fù)雜活動(dòng)的組成部分，有效解決了信息丟失等問(wèn)題；再利用LDA主題模型表示復(fù)雜活動(dòng)的層次化結(jié)構(gòu)，進(jìn)而提高識(shí)別性能。

(2)先針對(duì)不同的傳感器數(shù)據(jù)，提取不同的特征向量，訓(xùn)練不同的識(shí)別分類(lèi)器，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(lèi)型不兼容的問(wèn)題，能充分整合運(yùn)動(dòng)和生理傳感數(shù)據(jù)對(duì)復(fù)雜活動(dòng)的表征能力。

(3)建立的模型能夠有效識(shí)別類(lèi)型豐富的復(fù)雜活動(dòng)，實(shí)用性高，普適性好。

附圖說(shuō)明

圖1是本發(fā)明層次化復(fù)雜活動(dòng)識(shí)別方法的整體流程圖；

圖2是本發(fā)明實(shí)施例數(shù)據(jù)處理的流程圖；

圖3是本發(fā)明中LDA主題模型矩陣分解圖；

圖4是本發(fā)明中復(fù)雜活動(dòng)生成示意圖；

圖5是本發(fā)明中不同數(shù)據(jù)分類(lèi)器的構(gòu)建流程圖。

具體實(shí)施方式

為了更為具體地描述本發(fā)明，下面結(jié)合附圖及具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明。

如圖1所示，本發(fā)明融合運(yùn)動(dòng)和生理傳感數(shù)據(jù)的層次化復(fù)雜活動(dòng)識(shí)別方法，具體包括數(shù)據(jù)處理階段和模型訓(xùn)練階段。

在數(shù)據(jù)處理階段，需要對(duì)采集到的數(shù)據(jù)進(jìn)行處理，具體過(guò)程如下：

步驟a-1，采用智能設(shè)備和穿戴式設(shè)備采集用戶(hù)在復(fù)雜活動(dòng)時(shí)的數(shù)據(jù)，其中數(shù)據(jù)包括運(yùn)動(dòng)傳感數(shù)據(jù)和生理傳感數(shù)據(jù)。

此步驟中，數(shù)據(jù)的采集的具體方法為：

首先，使用智能設(shè)備記錄復(fù)雜活動(dòng)時(shí)的各類(lèi)運(yùn)動(dòng)傳感數(shù)據(jù)，同時(shí)使用穿戴式設(shè)備來(lái)記錄復(fù)雜活動(dòng)時(shí)的各類(lèi)生理傳感數(shù)據(jù)，對(duì)于每一項(xiàng)復(fù)雜活動(dòng)，用戶(hù)手動(dòng)標(biāo)記當(dāng)前的活動(dòng)類(lèi)型于智能設(shè)備內(nèi)；

然后，對(duì)收集的運(yùn)動(dòng)傳感數(shù)據(jù)和生理傳感數(shù)據(jù)按照活動(dòng)類(lèi)型進(jìn)行分割。

本實(shí)施例中，智能設(shè)備采用智能手機(jī)和智能手表，智能手機(jī)按指定方式放置在用戶(hù)褲子口袋中，智能手表放置在用戶(hù)手腕，智能手機(jī)和手表內(nèi)置的加速度計(jì)、陀螺儀等運(yùn)動(dòng)傳感設(shè)備傳感器分別獲取用戶(hù)在復(fù)雜活動(dòng)中腿部和手腕的運(yùn)動(dòng)傳感數(shù)據(jù)。穿戴式設(shè)備采用可穿戴的胸帶式生理傳感設(shè)備，獲取用戶(hù)的各項(xiàng)生理指標(biāo)：心率、心電、呼吸率、呼吸幅度等。

在錄制腿部運(yùn)動(dòng)傳感數(shù)據(jù)的同時(shí)，智能手機(jī)通過(guò)藍(lán)牙接收由智能手表錄制的手腕運(yùn)動(dòng)傳感數(shù)據(jù)和由胸帶式生理傳感設(shè)備錄制的生理傳感數(shù)據(jù)。所有錄制的數(shù)據(jù)，都保存在智能手機(jī)中。每次進(jìn)行一項(xiàng)活動(dòng)時(shí)，通過(guò)智能手機(jī)中開(kāi)發(fā)的程序手動(dòng)標(biāo)記當(dāng)前的活動(dòng)類(lèi)型。

步驟a-2，對(duì)運(yùn)動(dòng)傳感數(shù)據(jù)和生理傳感數(shù)據(jù)進(jìn)行異常值消除處理，并將處理后的兩種數(shù)據(jù)進(jìn)行時(shí)間窗口劃分。

如圖2所示，此步驟中，數(shù)據(jù)處理具體過(guò)程為：

首先，對(duì)運(yùn)動(dòng)傳感數(shù)據(jù)進(jìn)行異常點(diǎn)檢測(cè)，并對(duì)其中的無(wú)效值(如零值)進(jìn)行插值處理；

然后，對(duì)生理傳感數(shù)據(jù)進(jìn)行異位檢測(cè)與替換，并其中的無(wú)效值(如超出正常值范圍的值)消除或進(jìn)行均值填充。

最后，對(duì)處理后的運(yùn)動(dòng)與生理傳感數(shù)據(jù)進(jìn)行時(shí)間窗口劃分，由于生理傳感數(shù)據(jù)變化比運(yùn)動(dòng)傳感數(shù)據(jù)緩慢，需要更長(zhǎng)的時(shí)間窗口，因此，運(yùn)動(dòng)傳感數(shù)據(jù)窗口大小為2秒，生理傳感數(shù)據(jù)窗口大小為1分鐘，以便使運(yùn)動(dòng)和生理傳感數(shù)據(jù)在時(shí)間上相對(duì)應(yīng)。

步驟a-3，對(duì)每個(gè)時(shí)間窗口的運(yùn)動(dòng)傳感數(shù)據(jù)提取常用統(tǒng)計(jì)特征，并構(gòu)建特征向量F_a。

此步驟中，運(yùn)動(dòng)傳感數(shù)據(jù)提取的常用統(tǒng)計(jì)特征為常用的時(shí)域特征，包括：均值(Mean)、方差(Var)、標(biāo)準(zhǔn)差(Std)、中位數(shù)(Median)、最小值(Min)、最大值(Max)、四分位距(Iqr)、平均絕對(duì)偏差(Mad)以及根均方(Rms)。

步驟a-4，對(duì)每個(gè)時(shí)間窗口的生理傳感數(shù)據(jù)提取結(jié)構(gòu)特征和瞬態(tài)特征，并構(gòu)建特征向量F_p。

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，因此，對(duì)每項(xiàng)生理傳感數(shù)據(jù)提取結(jié)構(gòu)特征和瞬態(tài)特征。

結(jié)構(gòu)特征的獲取方法為：采用函數(shù)擬合生理傳感數(shù)據(jù)變化，選取與生理傳感數(shù)據(jù)擬合最好的函數(shù)的系數(shù)作為結(jié)構(gòu)特征。此處，采用擬合函數(shù)為：一次、二次以及三次函數(shù)：f₁＝a₀+a₁t，f₂＝a₂+a₃t+a₄t²，f₃＝a₅+a₆t+a₇t²+a₈t³，當(dāng)f₁，f₂和f₃擬合生理傳感數(shù)據(jù)取得的平方誤差和最小時(shí)，a₀,…,a₈就是生理傳感數(shù)據(jù)的9個(gè)結(jié)構(gòu)特征。

瞬態(tài)特征有兩種，一是數(shù)據(jù)的變化趨勢(shì)(上升、下降和維持不變)；二是數(shù)據(jù)的變化幅度。

數(shù)據(jù)處理結(jié)束后，利用處理后的數(shù)據(jù)進(jìn)行模型訓(xùn)練，具體過(guò)程為：

步驟b-1，將所有窗口的運(yùn)動(dòng)傳感數(shù)據(jù)特征向量F_a通過(guò)K-Means聚類(lèi)，得到K個(gè)簇，此K個(gè)簇相當(dāng)于無(wú)語(yǔ)義的簡(jiǎn)單活動(dòng)，也就是K個(gè)“詞”；

此步驟中，K-Means聚類(lèi)的過(guò)程具體包括：

首先，輸入運(yùn)動(dòng)傳感數(shù)據(jù)的特征向量和期望，得到簇?cái)?shù)目K；

然后，通過(guò)K-Means聚類(lèi)，得到每個(gè)時(shí)間窗口的運(yùn)動(dòng)傳感數(shù)據(jù)對(duì)應(yīng)的簇編號(hào)。

步驟b-2，將N個(gè)窗口的運(yùn)動(dòng)傳感數(shù)據(jù)視作一個(gè)復(fù)雜活動(dòng)，即“文檔”。統(tǒng)計(jì)每個(gè)文檔在K個(gè)詞上的分布，即統(tǒng)計(jì)“詞頻”，得到“文檔”在“詞”上的分布p(w|d)。

因?yàn)檫\(yùn)動(dòng)傳感數(shù)據(jù)窗口大小為2秒，生理傳感數(shù)據(jù)窗口大小為1分鐘。為了將運(yùn)動(dòng)和生理傳感數(shù)據(jù)在時(shí)間上對(duì)齊，這里“文檔”大小同樣設(shè)置為1分鐘，因此N＝30。

步驟b-3，將“文檔”在“詞”上的分布p(w|d)作為L(zhǎng)DA主題模型的輸入，經(jīng)學(xué)習(xí)得出“文檔”在“主題”上的分布p(z|d)，此處，主題表示復(fù)雜活動(dòng)的潛在語(yǔ)義。

LDA是一種經(jīng)典的主題模型，其主要思想在于將“文檔”看作由若干“詞”組成，每一個(gè)“詞”都是通過(guò)以一定概率選擇了某個(gè)“主題”，并從這個(gè)“主題”中以一定概率選擇某個(gè)“詞”這樣的過(guò)程得到的?！拔臋n”在“詞”上的分布p(w|d)可由“文檔”在“主題”上的分布p(z|d)和“主題”在“詞”上的分布p(w|z)計(jì)算得出，公式如下：

公式(1)可以被圖3矩陣分解表示，通過(guò)“文檔”在“詞”上的分布p(w|d)，可學(xué)習(xí)出“文檔”在“主題”上的分布p(z|d)和“主題”在“詞”上的分布p(w|z)。

主題提取的過(guò)程包括：

首先，將步驟b-1得到的簇看作“詞”，將用戶(hù)復(fù)雜活動(dòng)看作“文檔”，將復(fù)雜活動(dòng)的潛在語(yǔ)義看作“主題”，其中“詞”的大小為2秒，“文檔”的大小為1分鐘，以便運(yùn)動(dòng)和生理傳感數(shù)據(jù)在時(shí)間上對(duì)齊。復(fù)雜活動(dòng)表示圖如圖4所示。

然后，將通過(guò)步驟b-2得到的運(yùn)動(dòng)傳感數(shù)據(jù)在簇上的數(shù)目分布看作“文檔”中的“詞頻”，將“文檔”在“詞”上的分布p(w|d)輸入到LDA主題模型，學(xué)習(xí)得到“文檔”在“主題”上的分布p(z|d)。

步驟b-4，將“文檔”在“主題”上的分布p(z|d)視作復(fù)雜活動(dòng)的高級(jí)特征，并建立J48決策樹(shù)分類(lèi)器，將p(z|d)作為該分類(lèi)器的輸入，經(jīng)計(jì)算輸出運(yùn)動(dòng)傳感數(shù)據(jù)在復(fù)雜活動(dòng)上的概率向量P_a＝[P_a1,P_a2,…,P_am]，m為復(fù)雜活動(dòng)類(lèi)別數(shù)目。

步驟b-5，構(gòu)建J48決策樹(shù)分類(lèi)器，將生理傳感數(shù)據(jù)特征向量F_p作為此分類(lèi)器的輸入，經(jīng)計(jì)算輸出生理傳感數(shù)據(jù)在復(fù)雜活動(dòng)上的概率向量P_p＝[P_p1,P_p2…,P_pm]。

步驟b-4、b-5流程如圖5所示，根據(jù)“文檔”在“主題”上的分布p(z|d)和生理傳感數(shù)據(jù)的特征向量F_p，分別建立相應(yīng)的決策樹(shù)分類(lèi)器，得到兩種數(shù)據(jù)在每個(gè)復(fù)雜活動(dòng)上的概率分布。

步驟b-6，將概率向量P_a和概率向量P_p作為邏輯回歸融合模型的輸入數(shù)據(jù)，將復(fù)雜活動(dòng)類(lèi)型作為邏輯回歸融合模型的真值標(biāo)簽，對(duì)邏輯回歸融合模型進(jìn)行訓(xùn)練，得到復(fù)雜活動(dòng)分類(lèi)模型。

在得到復(fù)雜活動(dòng)分類(lèi)模型的基礎(chǔ)上，采集新運(yùn)動(dòng)傳感數(shù)據(jù)和新生理傳感數(shù)據(jù)進(jìn)行測(cè)試，具體過(guò)程為：

首先，利用以上步驟采集并處理測(cè)試運(yùn)動(dòng)傳感數(shù)據(jù)和測(cè)試生理傳感數(shù)據(jù)，得到測(cè)試生理傳感數(shù)據(jù)的概率向量P’_p和測(cè)試運(yùn)動(dòng)傳感數(shù)據(jù)的概率向量P’_a；

然后，將概率向量P’_p和概率向量P’_a輸入到復(fù)雜活動(dòng)分類(lèi)模型中，計(jì)算得到復(fù)雜活動(dòng)類(lèi)型。

以上所述的具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案和有益效果進(jìn)行了詳細(xì)說(shuō)明，應(yīng)理解的是以上所述僅為本發(fā)明的最優(yōu)選實(shí)施例，并不用于限制本發(fā)明，凡在本發(fā)明的原則范圍內(nèi)所做的任何修改、補(bǔ)充和等同替換等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。