基于惯性传感器的人体行为识别方法与流程

本发明属于基于惯性传感器的人体行为识别领域，涉及一种人体行为识别方法。

背景技术：

人体行为识别技术能够充分反映人体行为状态与生理信息，在运动追踪、健身锻炼、日常监护、医疗康复、人机交互、虚拟现实、智能环境等领域具有广泛的应用前景。基于惯性传感器的行为识别，利用加速度计、陀螺仪、方向传感器等传感器采集人体运动产生的加速度、角速度和方向等物理信息，用于识别当前人体行为。

目前的研究主要集中于站、坐、步行、跑、上楼、下楼等基本动作，而对于基本动作之间的过渡动作，如站-坐、坐-站、站、站-蹲、蹲-站等，则由于其发生率低和持续时间短等原因，常被研究者忽视。然而在老年人监护、康复训练等领域，对于过渡动作的监测则尤为必要，例如摔倒是老年人易发生的事故，通常发生在由坐着到站起的过渡动作中。另一方面，当活动发生转变时，如果处理不当，人体行为识别系统的性能会受到影响。因此，对于过渡动作的检测和识别是非常重要的。目前为止，只有少量研究人员在识别系统中考虑了过渡动作。

reyes-ortiz等考虑了过渡动作的影响，将svm连续活动预测的概率输出与2.56s时间窗口内活动概率估计的启发式过滤方法结合，系统错误率为3.34％，他们指出过渡动作发生的错误分类使系统错误率增加了4.13％。但是在研究中，所有过渡动作都被视为一个单一的类，并未做区分。

技术实现要素：

为了克服已有技术的不足，本发明提供了一种基于惯性传感器的人体行为识别方法，基于加速度计和陀螺仪等惯性传感器，并在识别系统中考虑了过渡动作，能够提供更全面、更高准确率的识别结果。

本发明解决其技术问题所采用的技术方案是：

一种基于惯性传感器的人体行为识别方法，包括以下步骤：

步骤(1)：构建人体行为分层识别模型，模型中包含静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3，动态周期动作分类器c4、过渡动作分类器c5共5个子分类器，利用特征选择方法从特征集f中选择适用于各子分类器的特征组成对应的特征子集，特征子集fi为分类器ci对应的分类特征子集，其中i＝1，2，...，5，利用训练数据集对分层识别模型中的子分类器进行训练；

步骤(2)：采集加速度计和陀螺仪传感器数据；

步骤(3)：利用低通滤波方法对加速度计和陀螺仪传感器采集的数据进行滤波去噪预处理；

步骤(4)：生成加速度幅值、线性加速度、重力加速度、垂直与水平方向加速度数据；

步骤(5)：对数据进行分割得到数据片段；

步骤(6)：根据特征集fp对数据片段进行特征提取，得到该数据片段对应的特征向量np为特征集fp中的特征个数，fp为步骤(1)中分层识别模型各子分类器特征子集的并集，fp＝f1∪f2∪...∪f5；

步骤(7)：将特征向量vp输入人体行为识别分层识别模型，对模型中的不同子分类器选择对应的特征子集进行分类，逐层分类得到最终的识别类别；

所述步骤(1)中构建和训练人体行为分层识别模型的步骤如下：

步骤(1-1)：采集不同人体行为下的加速度计和陀螺仪传感器数据，采集的行为包括静态as、动态周期ad、过渡动作at三大类，集合js为预先定义的静态动作类别数目，集合jd为预先定义的动态周期动作类别数目，集合jt为预先定义的过渡动作类别数目，a＝as∪ad∪at，为所有行为类别的集合；

步骤(1-2)：利用低通滤波方法对采集的传感器数据进行滤波去噪预处理；

步骤(1-3)：生成加速度幅值、线性加速度、重力加速度、垂直与水平方向加速度数据；

步骤(1-4)：对不同行为数据进行分割得到数据片段；

步骤(1-5)：根据特征集f，对每个数据片段进行特征提取，获得该数据片段对应的特征向量vk＝[v1，v2，...，vn]∈rⁿ，n为特征集f中的特征数目，并标记该特征向量所属的行为类别aj，aj∈a，k＝1，2，...，k，k为数据片段数目，所有数据片段提取的特征向量共同构成样本集s，s＝[v1；v2；...；vk]；

步骤(1-6)：构建人体行为分层识别模型，模型中包含静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3，动态周期动作分类器c4、过渡动作分类器c5共5个子分类器，基于先验知识将子分类器组成分层识别模型；

步骤(1-7)：将采集的样本集s划分为特征选择数据集sf、模型训练集st和模型验证集sv，基于特征选择集sf和sf中每个样本所属的行为类别，利用特征选择方法，从特征集f中选择适用于分层识别模型中各子分类器的部分特征组成对应的特征子集，特征子集fi为分类器ci对应的分类特征子集，其中i＝1，2，...，5；

步骤(1-8)：利用模型训练集st、st中每个样本所属的行为类别和各子分类器的特征子集，训练分层模型中的各子分类器，并利用模型验证集sv进行模型验证。

进一步，所述步骤(1-1)中，采集的传感器数据包括加速度计和陀螺仪传感器不同方向上的数据，采集的行为集合a中包含静态动作(站、坐)，动态周期动作(步行、跑、上楼、下楼)和过渡动作(站-坐、坐-站、站-蹲、蹲-站)共10种动作。

进一步，所述步骤(1-3)中，利用加速度计x、y、z轴数据合成加速度幅值数据，利用低通滤波器分离线性加速度和重力加速度，利用线性加速度和重力加速度解算出水平和垂直方向加速度。

进一步，所述步骤(1-4)中，对于采集的静态动作和动态周期动作采用窗长度为l、重叠覆盖率为p％滑动窗口方法进行分割；对于过渡动作计算加速度幅值的模糊近似熵，设定阈值为t进行过渡动作的起始点与终止点的检测，并进行分割。

进一步，所述步骤(1-6)中，基于支持向量机算法构建静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3，基于随机森林算法构建动态周期动作分类器c4、过渡动作分类器c5。基于先验知识将子分类器组成分层识别模型，对于输入样本，先利用静态与动态动作分类器c1识别输入样本为静态动作还是动态动作；若为静态动作，则利用静态动作分类器c3识别输入样本的具体静态动作类别；若为动态动作，则利用周期与过渡动作分类器c2识别输入样本为动态周期动作还是过渡动作；若为动态周期动作，则利用动态周期动作分类器c4识别输入样本的具体周期动作类别；若为过渡动作，则利用过渡动作分类器c5识别输入样本的具体过渡动作类别。

进一步，所述步骤(1-7)中，令样本子集对于中的每个特征向量若其属于静态动作，则标记为静态类别as，若其为动态周期动作或过渡动作，则标记为动态类别am，构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于静态与动态动作分类器c1的部分特征组成特征子集f1；

从sf中筛选出属于动态周期动作或过渡动作的特征向量，组成样本子集对于中的每个特征向量若其属于动态周期动作，则标记为动态周期类别ad，若其为过渡动作，则标记为过渡动作类别at，构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于周期与过渡动作分类器c2的部分特征组成特征子集f2；

从sf中筛选出属于静态动作的特征向量，组成样本子集对于s3中的每个特征向量标记其数据采集时的类别构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于静态动作分类器c3的部分特征组成特征子集f3；

从sf中筛选出属于动态周期动作的特征向量，组成样本子集对于中的每个特征向量标记其数据采集时的类别构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于动态周期动作分类器c4的部分特征组成特征子集f4；

从sf中筛选出属于过渡动作的特征向量，组成样本子集对于中的每个特征向量标记其数据采集时的类别构成向量所有向量构成特征选择集为样本子集中特征向量的数目，基于对特征集f进行特征选择，选择其中适用于过渡动作分类器c5的部分特征组成特征子集f5。

进一步，所述步骤(1-7)中，所采用的特征选择算法为基于随机森林的集成法和包装法，在选择每个子分类器的特征子集时，利用集成法得到特征集f中各特征的权值系数，利用包装法对权值系数最高的前m个特征进行排序，将这前m个特征全部输入当前子分类器得到当前子分类器在特征选择集上的最高准确率，设定各分类器阈值为最高准确率的β％，利用前向顺序搜索方法确定当前子分类器特征及个数，若特征数不足5个，则选择前5个特征。

进一步，所述步骤(1-8)中，令样本子集对于中的每个样本，根据特征子集f1中的特征，选择对应特征值组成特征向量n1为特征子集f1中的特征数目，若其属于静态动作，则标记为静态类别as，若其为动态周期动作或过渡动作，则标记为动态类别am，构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练静态与动态动作分类器c1；

从st中筛选出属于动态周期动作或过渡动作的样本，组成样本子集对于中的每个样本，根据特征子集f2中的特征，选择对应特征值组成特征向量n2为特征子集f2中的特征数目，若其属于动态周期动作，则标记为动态周期类别ad，若其为过渡动作，则标记为动态类别at，构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练动态周期与过渡动作分类器c2；

从st中筛选出属于静态动作的样本，组成样本子集对于中的每个样本，根据特征子集f3中的特征，选择对应特征值组成特征向量为特征子集f3中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练静态动作分类器c3；

从st中筛选出属于动态周期动作的样本，组成样本子集对于中的每个样本，根据特征子集f4中的特征，选择对应特征值组成特征向量n4为特征子集f4中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练动态周期动作分类器c4；

从st中筛选出属于过渡动作的样本，组成样本子集对于中的每个样本，根据特征子集f5中的特征，选择对应特征值组成特征向量为特征子集f5中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练过渡动作分类器c5。

进一步，所述步骤(1-8)中，对于模型验证集sv中每个样本，根据特征子集f1中的特征，选择对应特征值组成特征向量输入静态与动态动作分类器c1，若c1输出结果为静态，则根据特征子集f3中的特征，选择对应特征值组成特征向量输入静态动作分类器c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集f2中的特征，选择对应特征值组成特征向量输入周期与过渡动作分类器c2，若c2的输出结果为动态周期动作，则根据特征子集f4中的特征，选择对应特征值组成特征向量输入动态周期动作分类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集f5中的特征，选择对应特征值组成特征向量输入过渡动作分类器c5得到最终的识别结果，ni为特征子集fi中特征数目，i＝1，2，...，5。

进一步，所述步骤(4)中，利用加速度计x、y、z轴数据合成加速度幅值数据，利用低通滤波器分离线性加速度和重力加速度，利用线性加速度和重力加速度解算出垂直与水平方向加速度。

进一步，所述步骤(5)中，利用窗长度为l、重叠覆盖率为p％滑动窗口方法得到当前数据片段。

进一步，所述步骤(7)中，对于输入的特征向量vp，根据特征子集f1中的特征，选择对应特征值组成特征向量输入静态与动态动作分类器c1，若c1输出结果为静态，则根据特征子集f3中的特征，选择对应特征值组成特征向量输入静态动作分类器c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集f2中的特征，选择对应特征值组成特征向量输入周期与过渡动作分类器c2，若c2的输出结果为动态周期动作，则根据特征子集f4中的特征，选择对应特征值组成特征向量输入动态周期动作分类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集f5中的特征，选择对应特征值组成特征向量输入过渡动作分类器c5得到最终的识别结果，ni为特征子集fi中特征数目，i＝1，2，...，5。

本发明的有益效果主要表现在：有效提高了分类模型的鲁棒性，显著提高了识别准确率，具有明显优势。

附图说明

图1为本发明行为识别方法流程示意图；

图2为本发明行为识别算法的分层识别模型。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于惯性传感器的人体行为识别方法，包括以下步骤：

步骤(1)：基于支持向量机和随机森林构建人体行为分层识别模型，模型中包含静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3，动态周期动作分类器c4、过渡动作分类器c5共5个子分类器，利用特征选择方法从特征集f中选择适用于各子分类器的部分特征组成特征子集，特征子集fi为分类器ci对应的分类特征子集，其中i＝1，2，...，5，利用训练数据集对分层识别模型中的子分类器进行训练，并进行分层模型性能评估。

步骤(2)：使用头部朝下、屏幕朝向大腿、固定于右侧裤口袋的智能手机内置惯性传感器采集加速度计和陀螺仪传感器数据。

步骤(3)：采用窗长度为5的移动均值滤波方法对加速度计和陀螺仪传感器采集的数据进行低通滤波去噪预处理。

步骤(4)：生成加速度幅值、线性加速度、重力加速度、垂直与水平方向加速度数据。

步骤(5)：采用窗长度为100，重叠覆盖率为50％的滑动窗口对数据进行分割得到数据片段。

步骤(6)：根据特征集fp对数据片段进行特征提取，得到该数据片段对应的特征向量np为特征集fp中的特征个数，fp为步骤(1)中分层识别模型各子分类器特征子集的并集，fp＝f1∪f2∪...∪f5。

步骤(7)：将特征向量vp输入分层识别模型，对于vp，根据特征子集f1中的特征，选择对应特征值组成特征向量输入静态与动态动作分类器c1，若c1输出结果为静态，则根据特征子集f3中的特征，选择对应特征值组成特征向量输入静态动作分类器c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集f2中的特征，选择对应特征值组成特征向量输入周期与过渡动作分类器c2，若c2的输出结果为动态周期动作，则根据特征子集f4中的特征，选择对应特征值组成特征向量输入动态周期动作分类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集f5中的特征，选择对应特征值组成特征向量输入过渡动作分类器c5得到最终的识别结果，ni为特征子集fi中特征数目，i＝1，2，...，5。

本实施方法步骤1训练和评估基于支持向量机和随机森林的人体行为分层识别模型的具体步骤如下：

步骤(1-1)：采集加速度计和陀螺仪传感器数据。本实施方法使用头部朝下、屏幕朝向大腿、固定于右侧裤口袋的redmik20手机内置惯性传感器采集加速度计和陀螺仪传感器原始数据，用于行为识别模型分类器特征的选择、模型的训练与验证。参与数据采样的人数为10人，采集的动作包括静态动作(站、坐)，动态周期动作(步行、跑、上楼、下楼)和过渡动作(站-坐、坐-站、站-蹲、蹲-站)共10种动作，传感器采样频率为50hz。

步骤(1-2)：对加速度计和陀螺仪传感器数据进行低通滤波去噪预处理，采用窗长度为5的移动均值平滑方法滤除加速度和角速度数据的噪声和毛刺。

步骤(1-3)：生成加速度幅值、线性加速度、重力加速度、垂直和水平方向加速度数据。步骤(4)中的数据生成方法与本步骤相同。

加速度幅值计算公式为：

其中，cx、cy、cz分别为加速度计x、y、z轴方向的加速度。

利用一阶低通滤波器进行重力和线性加速度的分离，其计算公式为：

gi(n)＝αgi(n-1)+(1-α)ci(n)i＝x，y，z(2)

ci(n)＝ci(n)-g((n)i＝x，y，z(3)

其中，ci为加速度，gi为重力加速度，ci为线性加速度，α为系数，与采样周期和时间常数有关，其值大于0小于1，本实施方法取α＝0.8。

利用线性加速度和重力加速度解算出垂直与水平方向加速度。若令为线性加速度矢量，v为线性加速度矢量在重力方向的投影，h为线性加速度矢量在水平方向的投影，则其计算公式为：

其中垂直方向加速度v，当线性加速度矢量与重力方向夹角小于90°时为正值，大于90°时为负值；水平速度为线性加速度在与重力垂直的平面上的加速度投影，无法定义正负方向，因此始终为正值。

步骤(1-4)：对数据进行分割。对于采集的数据中的基本动作(静态动作和动态周期动作)利用窗长度为100点(2秒)，重叠覆盖率为50％的滑动窗口进行分割。

对于过渡动作数据，计算加速度幅值的模糊近似熵，设定阈值进行过渡动作的起始点与终止点的检测，并进行分割。对于w点的时间序列数据{x(i)，i＝1，2，…，w，在给定模式维数m和相似容限r的条件下，其模糊近似熵的计算过程为：

将时间序列{x(i)，i＝1，2，…，w}分解为w-m+1个m维矢量，即：

定义为的均值，即：

计算任意两个m维矢量和间的距离其定义为两者相同索引元素差值的最大值，即：

引入模糊隶属函数，计算两个矢量和的相似度

其中r0为相似容限r乘以信号x(i)的标准差。

统计每个m维矢量与其他矢量的相似度平均值

求所有相似度平均值的平均值：

将维数加1，变为m+1维，重复公式(6)～(11)的计算过程得到φ^m+1(r)。

计算序列的模糊近似熵，其近似计算公式为：

fuzzyen(m，r，w)＝lnφ^m(r)-lnφ^m+1(r)(12)

本实施方法计算加速度幅值当前时刻前1秒及后1秒共计2秒的数据片段的模糊近似熵值，其中模糊近似熵计算时的嵌入维数为m＝2，相似容限为r＝0.15，本实施方法设定阈值为0.1进行检测和分割。

本实施方法分割得到的总数据段k＝8092，每个数据片段包含三轴线性加速度、三轴重力加速度、三轴角速度、加速度幅值、垂直加速度、水平加速度共计12轴的数据。

步骤(1-5)：根据特征集f对分割得到的数据片段进行特征提取。提取的特征为均值、方差、标准差、均方根、偏度、峰度、一阶自相关系数、四分位差、过零率和模糊近似熵10个特征，提取的数据片段有三轴线性加速度、三轴重力加速度、三轴角速度、加速度幅值、垂直加速度、水平加速度，共计12轴的数据。由于加速度幅值和水平加速度始终为正值，无需提取过零率特征，因此特征集f中特征的个数为n＝12×10-2＝118。

步骤(1-6)：基于支持向量机和随机森林构建分层识别模型。如图2所示，模型中包含基于支持向量机构建的静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3，基于随机森林构建的周期动作分类器c4、过渡动作分类器c5，共5个子分类器。基于先验知识将子分类器组成分层识别模型，对于输入样本，先利用静态与动态动作分类器c1识别输入样本为静态动作还是动态动作；若为静态动作，则利用静态动作分类器c3识别输入样本的具体静态动作类别；若为动态动作，则利用周期与过渡动作分类器c2识别输入样本为动态周期动作还是过渡动作；若为动态周期动作，则利用动态周期动作分类器c4识别输入样本的具体周期动作类别；若为过渡动作，则利用过渡动作分类器c5识别输入样本的具体过渡动作类别。

步骤(1-7)：将全体数据集划分为特征选择数据集和模型训练验证数据集，本实施方法将10位实验者中3人的数据划分为特征选择数据集sf，其余7人数据为模型训练验证数据集stv。特征选择数据集中包含2378个样本，模型训练验证数据集包含5714个样本。

利用特征选择数据集sf对特征集f进行特征选择，对分层识别模型中不同分类器选择不同的特征子集。结合集成法(embedded)和包装法(wrapper)进行各个分类器的特征选择，先利用基于随机森林、以平均不纯度减少为评价标准的集成法得到各个特征的权值系数，得到每个分类器系数最高的前20个特征；再利用基于随机森林的包装法对每个分类器的20个特征进行排序。将每个分类器选择的20个特征全部输入各分类器，得到各分类器在特征选择数据集上的准确率作为各分类器的最高准确率，设定各分类器阈值为最高准确率的98％及以上，利用前向顺序搜索方法确定各分类器特征及个数，若特征数不足5个，则选择前5个特征。最终本实施方法对于静态与动态动作分类器c1、周期与过渡动作分类器c2、静态动作分类器c3、过渡动作分类器c5选择前5个特征，对于周期动作分类器c4选择前7个特征。对于重复出现的特征只统计一次，最终选择的特征个数为22，表1所示为各个分类器选择的特征子集。

表1各个分类器选择的特征子集

步骤(1-8)：模型训练与验证。将模型验证数据集stv划分为训练集st和测试集sv，利用训练集训练模型，并使用该模型识别测试集中的行为数据。利用模型验证数据集作为训练分类器的数据集，为避免训练模型过拟合，通常使用交叉验证法，本实施方法采用十折一交叉验证法验证模型性能，即将所有样本随机分成10组，每次选择9组作为训练集st用于模型训练，另1组作为验证集sv，评估模型各项指标。

在利用st训练模型时，令样本子集对于中的每个样本，根据特征子集f1中的特征，选择对应特征值组成特征向量n1为特征子集f1中的特征数目，若其属于静态动作，则标记为静态类别as，若其为动态周期动作或过渡动作，则标记为动态类别am，构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练静态与动态动作分类器c1；

从st中筛选出属于动态周期动作或过渡动作的样本，组成样本子集对于中的每个样本，根据特征子集f2中的特征，选择对应特征值组成特征向量n2为特征子集f2中的特征数目，若其属于动态周期动作，则标记为动态周期类别ad，若其为过渡动作，则标记为动态类别at，构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练动态周期与过渡动作分类器c2；

从st中筛选出属于静态动作的样本，组成样本子集对于中的每个样本，根据特征子集f3中的特征，选择对应特征值组成特征向量n3为特征子集f3中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练静态动作分类器c3；

从st中筛选出属于动态周期动作的样本，组成样本子集对于中的每个样本，根据特征子集f4中的特征，选择对应特征值组成特征向量n4为特征子集f4中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练动态周期动作分类器c4；

从st中筛选出属于过渡动作的样本，组成样本子集对于中的每个样本，根据特征子集f5中的特征，选择对应特征值组成特征向量n5为特征子集f5中的特征数目，标记其数据采集时的类别构成向量所有向量构成训练集为样本子集中特征向量的数目，基于训练过渡动作分类器c5。

在利用sv验证模型性能时，对于模型验证集sv中每个样本，根据特征子集f1中的特征，选择对应特征值组成特征向量输入静态与动态动作分类器c1，若c1输出结果为静态，则根据特征子集f3中的特征，选择对应特征值组成特征向量输入静态动作分类器c3得到最终的识别结果；若c1输出结果为动态，则根据特征子集f2中的特征，选择对应特征值组成特征向量输入周期与过渡动作分类器c2，若c2的输出结果为动态周期动作，则根据特征子集f4中的特征，选择对应特征值组成特征向量输入动态周期动作分类器c4得到最终的识别结果；若c2的输出结果为过渡动作，则根据特征子集f5中的特征，选择对应特征值组成特征向量输入过渡动作分类器c5得到最终的识别结果，ni为特征子集fi中特征数目，i＝1，2，...，5。

表2为十折一交叉验证得到的混淆矩阵。其中横坐标为识别类别，纵坐标为真实类别，表3为各动作的准确率、召回率和f1-score。

表2分层识别模型交叉验证混淆矩阵

表3各动作的精确率、召回率和f1-score

由混淆矩阵可知，对于静态动作、周期动态动作、过渡动作三个大类的分类，系统只出现极少量的跨大类误分类现象，说明本实施方法的分层设计具有良好的区分性能。在周期动作识别中，对于步行、上楼、下楼三种动作具有一定的误分类，这是由于三种动作本身具有一定的相似性，且由于实验采集环境的限制，上下楼数据采集在楼层楼梯连续进行，楼梯由台阶和连接处的平台组成，平台处的上下楼行为与步行行为相似，导致上下楼与行走行为之间的混淆。尽管如此，对于步行、上楼、下楼三种动作依旧取得了96.6％的平均精确率、96.3％的平均召回率和0.964的平均f1-score。对于四种过渡动作也取得了优秀的识别性能。系统整体识别的准确率为98.1％。可以看到，本实施方法的分层识别模型具有较高的识别性能。