用户行为模式的识别方法及装置的制造方法
【专利摘要】本发明公开了一种用户行为模式的识别方法及装置，其中，该方法包括：获取手机传感器的原始数据，并根据原始数据提取特征向量；对特征向量通过随机森林算法的随机重取样方式获取全部行为模式的基准特征向量；将特征向量的每行数据的每个元素分别与全部行为模式的基准特征向量的对应元素进行比较投票，最后票数最高的行为模式作为判别模式。该方法能够简单快速识别用户行为模式，提高用户行为模式的识别率。
【专利说明】
用户行为模式的识别方法及装置
技术领域
[0001] 本发明涉及数据分析技术领域，尤其涉及一种用户行为模式的识别方法及装置。
【背景技术】
[0002] 人体行为模式识别的目的在于感知人体行为的外在表现并根据感知到的结果识 别出其运动模式。人体行为模式识别技术涉及到包含人工智能、模式识别等在内的多个学 科，其核心技术涉及到行为感知和识别。在行为感知方面，传统方法多采用基于计算机视觉 的行为感知技术，但存在隐私侵入性强、观察范围有限、受光照条件影响、易被遮挡等多种 问题。近年来随着传感器技术的发展，可穿戴设备进入大众的视野并取得了良好的反响，然 而依然存在市场价格昂贵、每天穿戴设备会给日常生活带来不便等不足。在行为识别方面， 传统工作集中在单人顺序执行的简单行为的识别上，且很多仅能进行离线识别。
[0003] 随着智能手机技术的快速发展和传感器技术的成熟，绝大多数使用移动通信的用 户已经使用智能手机，而几乎所有智能手机内部都集成了许多用途各异的传感器，例如加 速度、角速度、陀螺仪、磁场、光线、距离、压力等，再加上通过GPS或者网络获得的经炜度，相 当于每个用户身上已经具备了采集大量、多种数据的能力，处理好这些信息从而判断用户 的行为模式的核心就是模式识别算法。
[0004] 相关技术的研究使用的算法主要包含统计数据特征值、K最邻近（K-Nearest Neighbor，KNN)算法、支持向量机（Support Vector Machine，SVM)算法、概率神经网络 (Probabilistic Neural Networks，PNN)算法，朴素贝叶斯算法等，但是这些算法都有复杂 度高或识别率低等缺点。
【发明内容】
[0005] 本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
[0006] 为此，本发明的第一个目的在于提出一种用户行为模式的识别方法。能够简单快 速识别用户行为模式，提高用户行为模式的识别率。
[0007] 本发明的第二个目的在于提出了一种用户行为模式的识别装置。
[0008] 为达上述目的，本发明第一方面实施例的用户行为模式的识别方法，包括:获取手 机传感器的原始数据，并根据所述原始数据提取特征向量;对所述特征向量通过随机森林 算法(Random Forest，RF)的随机重取样方式获取全部行为模式的基准特征向量;将所述特 征向量的每行数据的每个元素分别与所述全部行为模式的基准特征向量的对应元素进行 比较投票，最后票数最高的行为模式作为判别模式。
[0009] 本发明实施例的用户行为模式的识别方法，首先获取手机传感器的原始数并提取 特征向量，接着通过随机森林算法的随机重取样方式根据特征向量获取全部行为模式的基 准特征向量，最后根据特征向量的每行数据的每个元素分别与全部行为模式的基准特征向 量的对应元素进行比较投票，最后票数最高的行为模式作为判别模式。该方法能够简单快 速识别用户行为模式，提高用户行为模式的识别率。
[0010]在一些示例中，所述获取手机传感器的原始数据，并根据所述原始数据提取特征 向量具体包括:获取手机传感器的原始数据作为列数据保存;将所述列数据以m行为间隔分 为k组，并对K组的每一组求取每列的标准差作为一维向量，其中，m和k为正整数;计算所述 原始数据中的相关数据的最大值、最小值和算术平均值得到17列数据的所述一维向量;对 每种模式下的所述一维向量的对应元素求滑动平均值得到特征向量。
[0011 ] 在一些示例中，所述全部行为模式包括：Still模式、walk模式、bike模式、car模 式、bus模式和metro模式。
[0012] 在一些示例中，所述标准差的公式为： 其中，s 为六种不同的模式，变量n为第S种模式的K组原始数据，常数m为每组数据的行数，变量i为 每组数据的不同列，变量j为每组数据的不同行;所述对每种模式下的所述一维向量的对应
元素求滑动平均值得到特征向量的公式为： 其中，s为六种不同的模 ， 式，变量n为第S种模式的K组原始数据。
[0013]在一些示例中，所述原始数据为三轴加速度、三轴角速度、经炜度、经炜度速度和 旋转矢量作为九列数据，所述三轴加速度和所述三轴角速度的平方和开方分别作为第十列 和第十一列数据，所述三轴加速度的最大值和最小值分别作为所述一维向量的第十二列和 第十三列数据，所述三轴角速度的最大值和最小值分别作为所述一维向量的第十四列和第 十五列数据，以及所述经炜度速度的最大值、最小值和算数平均值作为第十六列、第十七列 和第十八列数据，其中，所述经炜度速度的算数平均值代替所述经炜度速度的标准差，最终 得到十七列数据。
[0014] 为达上述目的，本发明第二方面实施例的用户行为模式的识别装置，包括:处理模 块，用于获取手机传感器的原始数据，并根据所述原始数据提取特征向量;获取模块，用于 对所述特征向量通过随机森林算法的随机重取样方式获取全部行为模式的基准特征向量； 判别模块，用于将所述特征向量的每行数据的每个元素分别与所述全部行为模式的基准特 征向量的对应元素进行比较投票，最后票数最高的行为模式作为判别模式。
[0015] 本发明实施例的用户行为模式的识别装置，首先处理模块获取手机传感器的原始 数并提取特征向量，接着获取模块通过随机森林算法的随机重取样方式根据特征向量获取 全部行为模式的基准特征向量，最后判别模块根据特征向量的每行数据的每个元素分别与 全部行为模式的基准特征向量的对应元素进行比较投票，最后票数最高的行为模式作为判 别模式。该方法能够简单快速识别用户行为模式，提高用户行为模式的识别率。
[0016] 在一些示例中，所述处理模块具体用于:获取手机传感器的原始数据作为列数据 保存;将所述列数据以m行为间隔分为k组，并对K组的每一组求取每列的标准差作为一维向 量，其中，m和k为正整数;计算所述原始数据中的相关数据的最大值、最小值和算术平均值 得到17列数据的所述一维向量;对每种模式下的所述一维向量的对应元素求滑动平均值得 到特征向量。
[0017] 在一些示例中，所述全部行为模式包括：still模式、walk模式、bike模式、car模 式、bus模式和metro模式。
[0018] 在一些示例中，所述标准差的公式为： 其中，s 为六种不同的模式，变量n为第S种模式的K组原始数据，常数m为每组数据的行数，变量i为 每组数据的不同列，变量j为每组数据的不同行;所述对每种模式下的所述一维向量的对应
元素求滑动平均值得到特征向量的公式为： 其中，s为六种不同的模 ， 式，变量n为第S种模式的K组原始数据。
[0019] 在一些示例中，所述原始数据为三轴加速度、三轴角速度、经炜度、经炜度速度和 旋转矢量作为九列数据，所述三轴加速度和所述三轴角速度的平方和开方分别作为第十列 和第十一列数据，所述三轴加速度的最大值和最小值分别作为所述一维向量的第十二列和 第十三列数据，所述三轴角速度的最大值和最小值分别作为所述一维向量的第十四列和第 十五列数据，以及所述经炜度速度的最大值、最小值和算数平均值作为第第十六列、第十七 列和第十八列数据，其中，所述经炜度速度的算数平均值代替所述经炜度速度的标准差，最 终得到十七列数据。
[0020] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0021] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中：
[0022] 图1是根据本发明一个实施例的用户行为模式的识别方法的流程图；
[0023] 图2是根据本发明一个具体实施例的用户行为模式的识别方法的流程图；
[0024] 图3是根据本发明一个实施例的用户行为模式的识别装置的示意图。
【具体实施方式】
[0025] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0026] 图1是根据本发明一个实施例的用户行为模式的识别方法的流程图。
[0027] 如图1所示，该用户行为模式的识别方法可以包括：
[0028] S101，获取手机传感器的原始数据，并根据原始数据提取特征向量。
[0029] 更具体地，在一些实例中，获取手机传感器的原始数据，并根据原始数据提取特征 向量具体包括:获取手机传感器的原始数据作为列数据保存;将列数据以m行为间隔分为k 组，并对K组的每一组求取每列的标准差作为一维向量，其中，m和k为正整数;计算原始数据 中的相关数据的最大值、最小值和算术平均值得到17列数据的一维向量;对每种模式下的 一维向量的对应元素求滑动平均值得到特征向量。
[0030]可以理解的是，在一些实例中，标准差的公式可以为：
其中，S为六种不同的模式，变量n为第S种模式的K组原始数据，常数m为每组数据的行 数，变量i为每组数据的不同列，变量j为每组数据的不同行;对每种模式下的一维向量的对
应元素求滑动平均值得到特征向量的公式为： 其中，s为六种不同的模 ，. 式，变量n为第S种模式的K组原始数据。其中，标准差可以反映数据的波动程度，三轴加速 度、三轴角速度、经炜度速度的最大值、最小值可以反映数据的幅值。
[0031]可以理解的是，在一些实例中，原始数据为三轴加速度、三轴角速度、经炜度、经炜 度速度和旋转矢量作为九列数据，三轴加速度和三轴角速度的平方和开方分别作为第十列 和第十一列数据，三轴加速度的最大值和最小值分别作为一维向量的第十二列和第十三列 数据，三轴角速度的最大值和最小值分别作为一维向量的第十四列和第十五列数据，以及 经炜度速度的最大值、最小值和算数平均值作为第十六列、第十七列和第十八列数据，其 中，所述经炜度速度的算数平均值代替所述经炜度速度的标准差，最终得到十七列数据。 [00 32]需要说明的是，例如三轴加速度(acc_x，acc_y，acc_z)，三轴角速度(gyr_x，gyr_y， gyr_z)，分别求每一行数据中三轴加速度和三轴角速度的平方和，开方后保存为acc、gyr，分 别作为第十列和第十一列数据。第十列数据计算公式：ac:c = ^jacc_x2 + acc_ v' + acc_z2， 第i 列数据计算公式gF* +.g)?r_.y_2 + gyr_z2。其中，手机原始数据例如方向、 地磁、光亮、距离、压力与用户的行为模式无关，所以可以不选择，同时判别结果会更好。
[0033]需要说明的是，提取特征向量时是对十一列数据进行分组和求取标准差，以及经 炜度速度标准差列数据去掉，最终获得十七列数据的特征向量。其中，算数平均值公式为：
.其中，s为六种不同的模式，变量n为第S种模式的K组原始数据，常数m为 每组数据的行数，变量i为每组数据的不同列，变量j为每组数据的不同行。对于六种模式， 得到了六组一维向量。为减少偶然因素的影响，对每种模式下向量的对应元素求滑动平均 值，得到特征向量，公式如下
其中，s为六种不同的模式，变量n为第S 种模式的K组原始数据，常数m为每组数据的行数。
[0034] S102,对特征向量通过随机森林算法的随机重取样方式获取全部行为模式的基准 特征向量。
[0035] 更具体地，有放回的随机选取1/k的数据并取滑动平均值作为该种模式的判别基 准特征向量，得到6种模式的基准特征向量，n = 6。
[0036] S103,将特征向量的每行数据的每个元素分别与全部行为模式的基准特征向量的 对应元素进行比较投票，最后票数最高的行为模式作为判别模式。
[0037] 具体地，任意选取六种模式中的一种，利用多维投票思想，对该种特征向量表中数 据进行逐行判别，并对每行数据的每个元素分别与6个基准特征向量对应元素进行比较，得 到最接近的值，并投对应模式一票，此处利用了最近邻即NN(Nearest Neighbour)算法的思 想。对所有行数据都依此原理进行投票判决。
[0038]需要说明的是，在一些实例中，全部行为模式包括:still模式、walk模式、bike模 式、car模式、bus模式和metro模式。
[0039]举例而言，利用Android手机传感器采集原始数据时，六种不同模式下人体和手机 的握持方式。表中，编号01为still模式，手机静止放在桌面或任何物体上，若放在兜里则要 求腿部不能抖动，手机GPS打开;编号02为Walk模式，手机放在背包中，方向无要求，尽量减 少在兜里的晃动，手机GPS打开，速度为正常步速;编号03为Bike模式，手机放在背包中，方 向无要求，尽量减少在兜里的晃动，手机的GPS关闭，速度为正常速度;编号04为Car模式，人 坐在座位上，手机平放在汽车驾驶台上，横向贴着前挡风玻璃，手机GPS开，速度为正常速 度；编号05为Bus模式，人坐在座位上，手机拿在手里即可，采集时手机指向公交车前进方 向，手机GPS打开，速度为正常速度；编号06为Metro模式，人坐在座位上，手机拿在手里即 可，采集时手机垂直地铁前进方向，手机GPS关，速度为正常速度。编号104为Car模式，人坐 在座位上，手机平放在汽车驾驶台上，横向贴着前挡风玻璃，手机GPS开，速度为正常速度。 如表1所示：
[0040] 表1为6种行为模式
[0042]可以理解的是，利用多维投票思想，对该种特征向量表中数据进行逐行判别，并对 每行数据的每个元素分别与6个基准特征向量对应元素进行比较，得到最接近的值，并投对 应模式一票，此处利用了最近邻即NN(Nearest Neighbour)算法的思想。对所有行数据都依 此原理进行投票判决。
[0043] 本发明实施例的用户行为模式的识别方法，首先获取手机传感器的原始数并提取 特征向量，接着通过随机森林算法的随机重取样方式根据特征向量获取全部行为模式的基 准特征向量，最后根据特征向量的每行数据的每个元素分别与全部行为模式的基准特征向 量的对应元素进行比较投票，最后票数最高的行为模式作为判别模式。该方法能够简单快 速识别用户行为模式，提高用户行为模式的识别率。
[0044] 为了使得本领域人员更加了解本发明实施例的用户行为模式的识别方法，下面结 合具体实施例进行说明，如图2所示：
[0045]分为数据预处理、特征向量提取、投票判决三部分，采集表1中的6种行为模式下手 机传感器的原始数据，进行预处理;然后对预处理后的原始数据提取特征向量，再通过随机 森林算法的随机重取样方式求取滑动平均值作为6种模式的基准特征向量。任意选取六种 模式中的一种，利用多维投票思想，对该种特征向量表中数据进行逐行判别，并对每行数据 的每个元素分别与6个基准特征向量对应元素进行比较，得到最接近的值，并投对应模式一 票，此处利用了最近邻即NN算法的思想。对所有行数据都依此原理进行投票判决。进行 segment次以上判别过程，即随机生成基准特征向量segment次，进行判别，将最终投票结果 进行统计，票数最高的模式作为判别模式，得到判别结果。此处，segment = 100。
[0046]如表2所示，对采集的原始数据利用Matlab对本发明描述的用户行为模式识方法 进行仿真，得到六种模式识别率，库自测率即每种模式判别样本总数的判别正确比例，由表 2可知，六种模式的识别率都达到了 100%
[0047]表2为6种行为模式的判别结果
[0049] 本发明实施例的用户行为模式的识别方法，首先获取手机传感器的原始数并提取 特征向量，接着通过随机森林算法的随机重取样方式根据特征向量获取全部行为模式的基 准特征向量，最后根据特征向量的每行数据的每个元素分别与全部行为模式的基准特征向 量的对应元素进行比较投票，最后票数最高的行为模式作为判别模式。该方法能够简单快 速识别用户行为模式，提高用户行为模式的识别率。
[0050] 与上述实施例提供的用户行为模式的识别方法相对应，本发明的一种实施例还提 供一种用户行为模式的识别装置，由于本发明实施例提供的用户行为模式的识别装置与上 述实施例提供的用户行为模式的识别方法相对应，因此在前述用户行为模式的识别方法的 实施方式也适用于本实施例提供的用户行为模式的识别装置，在本实施例中不再详细描 述。图3为根据本发明一个实施例的用户行为模式的识别装置的结构示意图。如图3所示，该 用户行为模式的识别装置可以包括:处理模块10、获取模块20、判别模块30。
[0051]其中，处理模块10用于获取手机传感器的原始数据，并根据原始数据提取特征向 量。
[0052]获取模块20用于对特征向量通过随机森林算法的随机重取样方式获取全部行为 模式的基准特征向量。
[0053]判别模块30用于将特征向量的每行数据的每个元素分别与全部行为模式的基准 特征向量的对应元素进行比较投票，最后票数最高的行为模式作为判别模式。
[0054]在一些示例中，处理模块10具体用于:获取手机传感器的原始数据作为列数据保 存。将列数据以m行为间隔分为k组，并对K组的每一组求取每列的标准差作为一维向量，其 中，m和k为正整数。计算原始数据中的相关数据的最大值、最小值和算术平均值得到17列数 据的一维向量。对每种模式下的一维向量的对应元素求滑动平均值得到特征向量。
[0055] 在一些示例中，全部行为模式包括:still模式、walk模式、bike模式、car模式、bus 模式和metro模式。
[0056] 在一些示例中，标准差的公式为： 其中，s为六 ? 种不同的模式，变量n为第S种模式的K组原始数据，常数m为每组数据的行数，变量i为每组 数据的不同列，变量j为每组数据的不同行;对每种模式下的一维向量的对应元素求滑动平
均值得到特征向量的公式为： 其中，s为六种不同的模式，变量n为第S ?： 种模式的K组原始数据。
[0057]在一些示例中，原始数据为三轴加速度、三轴角速度、经炜度、经炜度速度和旋转 矢量作为九列数据，三轴加速度和三轴角速度的平方和开方分别作为第十列和第十一列数 据，三轴加速度的最大值和最小值分别作为一维向量的第十二列和第十三列数据，三轴角 速度的最大值和最小值分别作为一维向量的第十四列和第十五列数据，以及经炜度速度的 最大值、最小值和算数平均值作为第十六列、第十七列和第十八列数据，其中，所述经炜度 速度的算数平均值代替所述经炜度速度的标准差，最终得到十七列数据。
[0058]本发明实施例的用户行为模式的识别装置，首先处理模块获取手机传感器的原始 数并提取特征向量，接着获取模块通过随机森林算法的随机重取样方式根据特征向量获取 全部行为模式的基准特征向量，最后判别模块根据特征向量的每行数据的每个元素分别与 全部行为模式的基准特征向量的对应元素进行比较投票，最后票数最高的行为模式作为判 别模式。该方法能够简单快速识别用户行为模式，提高用户行为模式的识别率。
[0059]在本发明的描述中，需要理解的是，术语"第一"、"第二"仅用于描述目的，而不能 理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第 一"、"第二"的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，"多个" 的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0060] 在本说明书的描述中，参考术语"一个实施例"、"一些实施例"、"示例"、"具体示 例"、或"一些示例"等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任 一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技 术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结 合和组合。
[0061] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括 一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部 分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺 序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明 的实施例所属技术领域的技术人员所理解。
[0062] 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步 骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介 质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0063] 此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以 是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模 块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如 果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机 可读取存储介质中。
[0064] 上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描 述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限 制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变 型。
【主权项】
1. 一种用户行为模式的识别方法，其特征在于，包括W下步骤： 获取手机传感器的原始数据，并根据所述原始数据提取特征向量； 对所述特征向量通过随机森林算法的随机重取样方式获取全部行为模式的基准特征 向量； 将所述特征向量的每行数据的每个元素分别与所述全部行为模式的基准特征向量的 对应元素进行比较投票，最后票数最高的行为模式作为判别模式。2. 如权利要求1所述的识别方法，其特征在于，所述获取手机传感器的原始数据，并根 据所述原始数据提取特征向量具体包括： 获取手机传感器的原始数据作为列数据保存； 将所述列数据Wm行为间隔分为k组，并对K组的每一组求取每列的标准差作为一维向 量，其中，m和k为正整数； 计算所述原始数据中的相关数据的最大值、最小值和算术平均值得到17列数据的所述 一维向量； 对每种模式下的所述一维向量的对应元素求滑动平均值得到特征向量。3. 如权利要求1所述的识别方法，其特征在于，所述全部行为模式包括：still模式、 wa]_k模式、Mke模式、car模式、bus模式和metro模式。4. 如权利要求2所述的巧讶I方巧.其据佈#干.所沐标准差的公式为：其中，S为六种不同的模式，变量n为第S种模式的K组原始数据，常数m为每组数据的行 数，变量i为每组数据的不同列，变量j为每组数据的不同行：所冰对毎种横式下的所述一维 向量的对应元素求滑动平均值得到特征向量的公式夫庚中，S为六种 不同的模式，变量n为第巧巾模式的K组原始数据。5. 如权利要求2所述的识别方法，其特征在于，所述原始数据为=轴加速度、=轴角速 度、经缔度、经缔度速度和旋转矢量作为九列数据，所述=轴加速度和所述=轴角速度的平 方和开方分别作为第十列和第十一列数据，所述=轴加速度的最大值和最小值分别作为所 述一维向量的第十二列和第十=列数据，所述=轴角速度的最大值和最小值分别作为所述 一维向量的第十四列和第十五列数据，W及所述经缔度速度的最大值、最小值和算数平均 值作为第十六列、第十屯列和第十八列数据，其中，所述经缔度速度的算数平均值代替所述 经缔度速度的标准差，最终得到十屯列数据。6. -种用户行为模式的识别装置，其特征在于，包括： 处理模块，用于获取手机传感器的原始数据，并根据所述原始数据提取特征向量； 获取模块，用于对所述特征向量通过随机森林算法的随机重取样方式获取全部行为模 式的基准特征向量； 判别模块，用于将所述特征向量的每行数据的每个元素分别与所述全部行为模式的基 准特征向量的对应元素进行比较投票，最后票数最高的行为模式作为判别模式。7. 如权利要求6所述的识别装置，其特征在于，所述处理模块具体用于： 获取手机传感器的原始数据作为列数据保存； 将所述列数据Wm行为间隔分为k组，并对K组的每一组求取每列的标准差作为一维向 量，其中，m和k为正整数； 计算所述原始数据中的相关数据的最大值、最小值和算术平均值得到17列数据的所述 一维向量； 对每种模式下的所述一维向量的对应元素求滑动平均值得到特征向量。8. 如权利要求6所述的识别装置，其特征在于，所述全部行为模式包括：still模式、 wa]_k模式、Mke模式、car模式、bus模式和metro模式。9. 如权利要求7所述的识别装置，其特征在于，所述标准差的公式为：其中，S为六种不同的模式，变量n为第S种模式的K组原始数据，常数m为每组数据的行 数，变量1为每组数据的不同列，变量^'为每组数据的不戸''=^^^34^*^+^^下的所述一维 向量的对应元素求滑动平均值得到特征向量的公式为 i中，S为六种 不同的模式，变量n为第巧巾模式的K组原始数据。10. 如权利要求7所述的识别装置，其特征在于，所述原始数据为=轴加速度、=轴角速 度、经缔度、经缔度速度和旋转矢量作为九列数据，所述=轴加速度和所述=轴角速度的平 方和开方分别作为第十列和第十一列数据，所述=轴加速度的最大值和最小值分别作为所 述一维向量的第十二列和第十=列数据，所述=轴角速度的最大值和最小值分别作为所述 一维向量的第十四列和第十五列数据，W及所述经缔度速度的最大值、最小值和算数平均 值作为第十六列、第十屯列和第十八列数据，其中，所述经缔度速度的算数平均值代替所述 经缔度速度的标准差，最终得到十屯列数据。
【文档编号】H04M1/725GK105913089SQ201610227204
【公开日】2016年8月31日
【申请日】2016年4月13日
【发明人】修春娣, 张健敏, 王延昭
【申请人】北京航空航天大学