用于位置识别的决策树分类模型9后，由决策树分类 模型所选择使用的特征组成特征集F P;
[0038] 步骤（1-7)中的特征选择从特征集F中选择用于行为分类模型输入的特征集Fa， ￡，43采用过滤-封装两步方法筛选;过滤过程选择评价函数对所有特征依次进行评 价和排序，筛选评价函数结果最高的前Μ项;封装过程通过结合支持向量机分类模型的输出 结果，搜索满足输出阈值条件的最小特征集合，作为用于行为分类模型输入的特征集Fa;
[0039] 步骤(1 -10)中训练的行为分类模型为支持向量机模型，该模型由g(J)个支持向量 机组成;每个支持向量机根据输入的训练数据构造最大间隔分类超平面，该分类超平面由 式/0) = 尺(Λ?) + I?定义，其中X是输入的特征向量，Xi是支持向量，yi是支 持向量对应的结果标签，yi取值满足yie {-1，1}，η为支持向量数目，ai和b为计算得到的支 持向量参数，K(x，Xl)是用于将输入向量映射到高维线性空间的核函数。
[0040] 本发明的有益效果主要表现在:本发明提供了一种基于移动设备内置传感器数据 的人体行为识别方法，该方法能够识别移动设备相对人体的携带或使用位置，进而选择针 对该位置的行为识别模型。与现有技术相比，本发明提供的方法通过上述分层识别模型的 构建和合适的特征选择方法，在保证计算复杂度适中的前提下，能够适应日常生活中不同 的移动设备位置和方向，实现高准确率的人体行为识别。
【附图说明】
[0041 ]图1为本发明的基于移动设备的人体行为识别方法的流程图；
[0042]图2为本发明的设备位置分类模型和行为分类模型训练流程图；
[0043]图3为本发明的特征选择流程图。
【具体实施方式】
[0044]下面结合附图对本发明作进一步描述。
[0045] 参照图1~图3,一种基于移动设备的人体行为识别方法，包括以下步骤：
[0046] 步骤（1)，训练设备位置分类模型^和基于不同设备位置的行为分类模型cancai eC，C是由行为分类模型构成的集合，[^(^，(^，...，(^山行为分类模型咖与设备位置 Pl具有一一对应关系，设备位置Plep，p是由预先定义的设备位置构成的集合，P={P1， p2, . . .，PI}，1为预先定义的设备位置类别数目；
[0047] 步骤(2)，通过移动设备内置传感器实时采集传感器原始数据；
[0048]步骤(3)，对移动设备内置传感器实时采集的数据进行数据预处理，获得当前时间 窗口对应的数据段；
[0049]步骤(4)，根据位置识别特征集FP，对获得的数据段进行特征提取，得到该数据段 对应的特征向I
% NP为特征集FP中的特征数目；将特征向量VP 输入设备位置分类模型9，获得设备位置类别Pl;
[0050] 步骤(5)，根据行为识别特征集Fa，对获得的数据段进行特征提取，得到该数据段 对应的特征向量
1，1为特征集Fa*的特征数目；根据步骤(4) 获得的位置类别口:选择对应的行为分类模型cai，将特征向量V4俞入行为分类模型cai，输出 行为类别aj，a」eA，A是由预先定义的行为构成的集合，A= {ai，a2, . . .，aj}，J为预先定义的 行为类别数目为最终的识别结果；
[0051] 所述步骤(1)中训练设备位置分类模型cP和训练基于不同设备位置的行为分类模 型cai的具体步骤如下：
[0052] 步骤（1-1)，通过移动设备内置传感器离线采集不同设备位置和不同人体行为情 况下的传感器原始数据；
[0053]步骤(1-2)，对获取的传感器原始数据进行数据预处理，获得对应不同时间窗口的 数据段；
[0054]步骤(1-3 )，根据特征集F，对每个数据段进行特征提取，获得该数据段对应的特征 向量Vk=[vi，v2, . . .，VN]eRN，N为特征集F中的特征数目，ke{l，2,. . .，K}，所有数据段提取 的特征向量共同构成样本集S，S=[V1;V2;. . . ;VK]，特征向量数目Κ即为数据段数目；
[0055] 步骤（1-4)，对样本集S中的每个特征向量Vk，标记数据采集时的设备位置类别Pl， ρ#Ρ，获得位置训练向量< =[1^七]，1^{1，2, . . .，K}，标记后的所有训练向量构成位 置训练集Τρ:
[0056] 步骤(1-5)，利用训练集Τρ训练设备位置分类模型，获得设备位置分类模型cP;
[0057] 步骤（1-6)，根据分类模型cP，选择特征集F中用于该模型的部分特征组成位置识 别特征集FP;
[0058] 步骤（1-7)，对特征集F进行特征选择，选择其中适用于行为识别模型的部分特征 组成行为识别特征集Fa;
[0059] 步骤（1-8)，筛选样本集S中对应设备位置类别标记为Pl的特征向里，组成样本 子集Si，满足爲C S;
[0060] 步骤（1-9)，对样本子集S,中的每个特征向量，标记数据采集时的行为类别aj， ajEA，获得行为训练向= [Kw %]，kle U，2, . . .，1}，标记后的所有训练向量构成 行为训练#
L为样本子集&中特征向量的数目；
[0061] 步骤（1-10)，利用行为训练集7f训练分类模型，获得对应位置?1的行为分类模型 CBi ；
[0062] 对步骤（1-8)-(1-10)，分别取i = l，2，...，1依次重复，训练得到不同设备位置下 的行为分类模型cai，ca2,. . .，cai。
[0063] 进一步，所述步骤(2)和步骤(1-1)中的传感器原始数据包括不同的移动设备内置 传感器及同一传感器不同方向上的数据;每个采样点获得的传感器原始数据即Χι=[Χ1， X2, . . .，XP] ERp，P为传感器原始数据维数，le {1，2,. . .，L}，L为传感器数据总的采样长度。 [0064] 步骤(3)和步骤(1-2)中的数据预处理包括如下步骤：
[0065]步骤(3-1)对传感器原始数据进行校正和滤波；
[0066]步骤(3-2)根据校正和滤波后的数据计算生成数据. . .，yQ]eR?，Q 为生成数据维数；由传感器原始数据和生成数据合并，获得 2,. . .，L};所有采样点上的数据组合为传感器数据集，即[Z1;Z2; . . . ;ZL];
[0067] 步骤(3-3)数据分割根据时间窗口将连续的传感器数据集划分为数据段。
[0068] 步骤(4)中获得设备位置类别是将特征向量VP输入位置分类模型cP，cP为训练得到 的决策树模型；输入的特征向量根据决策树的分裂条件逐级地选择符合条件的分支，在叶 节点处得到分类的结果，即位
[0069] 步骤(5)中获得行为类别是将特征向量V4俞入行为分类模型cancai为训练得到的 支持向量机分类模型，由g (J)个支持向量机组成，函数g (X)由模型的多类别分类策略决定， J为分类目标即行为类别的数目；每个支持向量机对应的分类超平面表达式为f(x)，根据输 入的特征向量V计算函数值f (V)，获得分类结果(f (V) 2 0或f (V)<0);对所有支持向量机的 分类结果进行加权处理，取最高值作为行为分类结果输出。
[0070] 步骤(1-3)中的特征集F由数据段中每一维对应的时域、频域或时频域特征组成。
[0071] 步骤(1-5)中训练的设备位置分类模型为决策树模型，该分类器由一组"如果-则" 形式的分类规则构成树形结构;在训练时，每个分裂节点选择评价函数取值最高的特征作 为分裂条件。
[0072] 步骤（1-6)中的特征选择从特征集F中选择用于位置分类模型输入的特征集FP， 仏G F;FP采用嵌入方式筛选，即训练用于位置识别的决策树分类模型(^后，由决策树分类 模型所选择使用的特征组成特征集F P。
[0073] 步骤（1-7)中的特征选择从特征集F中选择用于行为分类模型输入的特征集Fa， 用过滤-封装两步方法筛选;过滤过程选择评价函数对所有特征依次进行评 价和排序，筛选评价函数结果最高的前Μ项;封装过程通过结合支持向量机分类模型的输出 结果，搜索满足输出阈值条件的最小特征集合，作为用于行为分类模型输入的特征集Fa。
[0074] 步骤(1-10)中训练的行为分类模型为支持向量机模型，该模型由g(J)个支持向量 机组成;每个支持向量机根据输入的训练数据构造最大间隔分类超平面，该分类超平面由 式/0) = ΣΓ=1屮y^(X,Xi) +办定义，其中X是输入的特征向量，Xl是支持向量，yi是支 持向量对应的结果标签，yi取值满足yie {-1，1}，η为支持向量数目，ai和b为计算得到的支 持向量参数，K(x，Xl)是用于将输入向量映射到高维线性空间的核函数。
[0075] 本发明所述的移动设备主要包括智能手机、智能平板电脑等，本实施例采用的具 体移动设备为运行Android平台的小米4手机。选择小米4手机内置的加速度传感器、陀螺 仪、气压传感器、光线传感器和距离传感器用于数据采集，采样