基于智能手机传感器的人体行为识别研究：特征选择与模型优化

近年来，人们对基于智能手机传感器的人体行为识别研究越来越感兴趣。本文关注于分析传感器提取到的不同特征信息，并选择显著特征来建立人体行为识别模型。同时，我们还构建了评估模型识别效果的体系，以充分探讨所选特征的合理性和准确性。

在解决问题一时，我们考虑了不同特征对行为类别的影响程度，建立了基于CART分类决策树的特征选择模型。通过混淆矩阵评估模型，并可视化分析行为类别与显著特征信息之间的关系，我们确定了排名前六的显著特征信息：'tGravityAcc-Max-1'、'fBodyAcc-Energy-1'、'tGravityAcc-Max-2'、'tBodyAcc-Max-1'、'tGravityAcc-ARCoeff-6'、'fBodyAccJerk-BandsEnergyOld-1'。

解决问题二时，我们意识到人体行为识别的复杂性，因此采用了双模型方法，分别构建基于随机森林和BP神经网络的人体行为特征信息模型和多分类预测模型。通过分析评估特征选择和参数调优对行为识别的影响，我们得出了最佳决策树和BP神经网络的参数，并将准确率提高至92.61%。

在解决问题三时，我们加入了静态姿势转换的行为类别，并使用随机森林方法构建了人体行为识别模型。通过混淆矩阵给出各行为类别的识别误判率，我们发现静态姿势转换的误判率较高。为了改善识别效果，我们采用K-最近邻居分类算法构建了人体行为智能识别模型，并找到了最佳的K值为13，训练集和测试集的精度分别达到0.8766和0.8288。

最后，在问题四中，我们研究了不同手机佩戴部位下人体行为识别模型的准确效果。结果显示，当手机放置于手部和腿部时，模型准确率较低。通过加入其他特征信息：'tBodyAccJerk-Mad-1'、'tBodyAccJerkMag-Mean-1'、'tBodyAccJerk-Min-1'，我们成功提高了手部和腰部的模型分类准确率。

总之，本文通过分析不同特征信息、构建模型和评估效果，成功地解决了人体行为识别的相关问题。