人体行为的运动模型

本文所研究的人体运动是基于室内环境中的用户活动，主要包括静止、行走、跑步、上下楼梯和乘扶梯/电梯等。在用户运动中涉及到的力学参数有：速度、加速度、角速度、位移、方向等。根据在真实运动中获取的各类参数值的组合，可以分析出用户在室内环境中的行为特点。本文涉及到的参数主要有以下几种：

（1）加速度

速度增量和该增量所用时间的比值称为平均加速度，瞬时加速度是指时间无限小时平均加速度的极限值。加速度为矢量，方向与速度方向、位移方向相同。智能手机中的加速度传感器能够获取用户运动过程中的加速度数据，从而分析用户运动速度。

（2）角速度及光线强度

平均角速度是指一段时间内的角位移与时间的比，瞬时角速度是指时间无限小时平均角速度的极限值。角速度亦为矢量，方向规定与角位移相同，利用陀螺仪可以得到手机三轴角速度，根据该数据分析手机姿态。光线强度数据由光线传感器得到，用来检测手机所处环境的明暗程度。将手机姿态与光线强弱信息相结合，能够有效判断运动过程中的手机位置。

（3）方向角

方向数据包括手机当前方向的水平转动角度和手机机身倾角，主要依靠方向传感器获取。通过获取的手机当前方向及运动过程中的转动角度，可以感知用户运动方向的变化。

（4）磁场强度

 磁力传感器读取的数据是空间坐标系三个方向的磁场值，其数据单位为μT。根据磁场强度的变化可以感知用户是否处于电梯内，或靠近大型金属物品等特殊场景。

结论

本文对现有的行为识别研究进行了较为深入的探讨和分析。目前行为识别问题主要包含三点：行为数据来源，数据特征提取，分类算法。目前研究中大多行为数据来源为额外的穿戴式传感器，成本较高，不利于设备的普遍适用。本文采用智能手机中搭载的多种传感器感知用户在运动中的行为数据，并自主开发了Android应用软件，可以对使用者的行为进行感知，并存储大量的原始行为数据；在数据的特征提取上，本文采用时域特征和频域特征相结合的方式，同时可以捕获不同行为间的差异和行为数据在周期上的规律性；分类算法选取了作为数据分类技术中最简单通用且准确率高的方法——KNN算法。 

在本文中主要提出了一种基于智能手机传感器的行为识别方法。该方法使用Android智能手机获取用户移动过程中的多种传感器数据，经过预处理和特征提取后利用分类算法建立行为模型。通过限定不同的传感器组合，找出对用户行为的识别准确度最好，效率最高的传感器组合。通过实验确定使用五种传感器的组合并利用K最近邻算法对用户行为进行识别的准确度最高，可达到99.52%。