融合关联性的多任务压缩感知行为识别方法

2016-01-08段梦琴,李仁发,黄晶

计算机工程与科学 2015年6期

融合关联性的多任务压缩感知行为识别方法*

段梦琴，李仁发，黄晶

(湖南大学嵌入式与网络计算湖南省重点实验室，湖南长沙 410082)

摘要：基于传感器的人体行为识别是一个新兴研究领域，作为物联网的一项重要应用，在医疗监护、助老助残、智能办公/家居等方面有着广阔的应用前景。识别率是行为识别的一个重要衡量指标，而特征和分类算法又是影响识别率的两个重要因素。提取了基于多传感器行为识别架构的关联特征，并引入压缩感知和稀疏表示理论，提出一种多任务压缩感知行为识别方法。最后，在基准数据库上采用个体无关的留一验证方法进行了大量实验，结果表明所提出的融合关联性的多任务压缩感知行为识别方法能有效提升行为识别率，与对应的单任务行为识别方法相比，识别速度提高约56% 。

关键词：机器学习；物联网；体域网；行为识别；特征提取

中图分类号：TP391 文献标志码：A

doi:10.3969/j.issn.1007-130X.2015.06.007

收稿日期：*2014-02-25;修回日期：2014-05-22

基金项目：国家自然科学基金资助项目(61173036，61272061)；湖南省科技计划资助项目( 2014GK3009)

作者简介:

通信地址：410082 湖南省长沙市湖南大学嵌入式网络计算实验室

Address:Laboratory of Embedded Systems & Networking,Hunan University,Changsha 410082,Hunan,P.R.China

Fusingcorrelationbasedmulti-taskcompressivesensingforactivityrecognition

DUANMeng-qin,LIRen-fa,HUANGJing

(LaboratoryofEmbeddedSystems&Networking,HunanUniversity,Changsha410082,China)

Abstract:Sensor-based human activity recognition is an emerging research field. It is an important application of Internet of Things (IoT), and has very promising application prospects in health care/recovery, elder/invalid people assistant, smart home/office, etc. Accuracy is one of the most important evaluation standards of activity recognition, and appropriate features and classifiers are important accuracy factors. We first extract a novel feature called correlation feature. By combining the theory of compressive sensing and sparse representation, we propose a multi-task compressive sensing method and use it as the classifier to resolve the problem of activity recognition. Finally, we conduct a large amount of experiments on a set of benchmarks with Leave-One-Subject-Out cross validation. Experimental results show that the extracted feature and the proposed method are effective in improving the accuracy of sensor-based activity recognition. Moreover, compared to the corresponding single task method, the proposed classifier can reduce the execution time by nearly 56%.

Keywords:machinelearning;InternetofThings;bodyareanetwork;activityrecognition;featureextraction

1引言

近年，人体行为识别(ActivityRecognition)受到了社会各界的关注，成为机器学习领域的研究热点，并且在智能家居、医疗保健、老人/病人监护等方面具有广泛的应用前景。随着电子、通信技术的发展，传感器在日常生活中得到了广泛应用。基于传感器的行为识别作为物联网的一项重要应用，成为一个备受关注的新兴研究领域。与基于视觉的行为识别相比，它具有分布范围广、不具侵扰性等特点，因而获得了学术和工业界更深度的认可。通过捆绑在身体上一个或多个传感器节点构成的无线体域网(WirelessBodySensorNetwork)[1]来获取人体运动信号，进而通过信号识别出运动者行为。2013年9月，Intel发布了一款名叫Quark的芯片，该款芯片专门用于物联网技术和可穿戴计算[2]，它将进一步推进基于传感器行为识别研究发展。

基于传感器行为识别工作主要包括以下几个方面：(1)构建实时行为识别系统[3,4];(2)建立行为识别数据库[5,6];(3)改进模式识别或机器学习的分类方法[7,8];(4)提取新的有效的传感器数据特征[9.10]和提出解决传感器功耗问题的方法[11,12]。目前，绝大多数基于传感器行为识别研究围绕其中的一个或者多个问题进行研究。基于传感器行为识别跟基于计算机视觉的行为识别有着相似的地方，都是主要采用模式识别或机器学习的分类方法，如决策树DT(DecisionTree)、人工神经网络ANN(ArtificialNeuralNetwork)、支持向量机SVM(SupportVectorMachines)、近邻算法NN(NearestNeighbor)等。常见基于传感器行为识别采用的主要是时频域特征，包括均值、方差、频谱等[13,14]，很少专门针对传感器行为识别的特征，与图像特征相比略显单一。此外，基于传感器的行为识别需要考虑整个识别系统功耗及系统使用寿命问题。

目前，基于传感器的行为识别工作已有些突出性的成果投入市场。2011年，著名的蓝牙耳机和扬声器厂商Jawbone发布了腕带设备Jawboneup(如图1a所示)，该设备可以跟踪用户日常活动、睡眠情况、饮食习惯等数据。2013年3月，谷歌在美国SXSW互动大会上展示了一款“会说话的鞋子”(如图1b所示)，这是谷歌推出的第二款可穿戴设备，“鞋子”通过实时感知用户运动状态，识别用户运动情况，连接智能手机做出相应的反应[15]，2014年3月，该大会中依旧展出了几款可穿戴设备。2013年11月，日本电器股份有限公司NEC发布了一种通过弱无线电波来准确侦测目标形状、人或物体运动轨迹的检测装置，如图1c所示。这种装置应用于NEC公司专门开发的可铺设于地面的片状传感器，通过该片状传感器可以检测目标物体或人群的一大情况。可以第一时间发现无人处摔倒的老人或患者，并且可以很好地保护大众隐私安全问题[16]。

Figure 1　Applications of sensor-based activity recognition 图1　基于传感器行为识别应用

虽然，基于传感器行为识别已经开始投入使用，其中仍存在若干亟待解决的问题。本文主要针对基于传感器行为识别研究中，绝大多数特征为传统的信号处理通用特征，缺乏专门针对基于传感器行为识别的特征和分类方法局限于模式识别或机器学习算法两个方面展开研究，以达到提升行为识别系统性能的目的。

论文接下来组织如下：第2节详细介绍了所提出关联特征和多任务压缩感知方法，并引出了一种针对多任务的特征选择方式。第3节在公开数据集上验证了所提取特征和分类方法的有效性。第4节对整篇论文进行总结，并给出了将来的研究方向。

2解决方案

目前，基于传感器行为识别的研究已经取得一些进展和成果，但依然存在很多问题需要研究解决。针对当前用于传感器行为识别特征主要为传统数字信号的时频域特征问题，论文提出了一种基于多传感器信息的关联特征。传感器网络能耗集中在信息的接收、发送和监听方面，而本文中关联特征是从已有传感器信息中获取，不需要系统传输额外数据，这也就避免了信息传输过程中额外功耗问题。此外，目前绝大多数基于传感器行为分类方法为机器学习算法，论文引入信号处理方法中的压缩感知理论，结合稀疏表示，提出了一种基于多任务的压缩感知MTCS(Multi-TaskCompressiveSensing)行为识别方法，该算法能充分利用传感器数据的稀疏性。

2.1基于多传感器信息的关联特征提取

特征提取是通过对数据进行处理来获取更多有用信息的过程。而这些有用的信息对行为识别至关重要。在基于传感器行为识别研究中，大多数研究人员使用时域特征和频域特征，如均值、方差、标准差、频谱等。很少有人考虑不同位置传感器数据之间的关系性。文献[17]指出在信号处理过程中不仅仅可以利用信号的稀疏性，而且还可以利用信号间的相关性。关联特征是对多个传感器数据进行融合获取的。当行为发生时，位于身体不同位置的传感器数据之间存在差异，而且对于不同动作而言，这种差异也是不一样的，即相同传感器节点之间对应不同动作时其相关性不一样。例如，人在行走跟站立不动两种状态下，位于手腕与脚腕传感器数据的差异是不一样的。关联特征是从已有数据中提取的，不需要额外传输数据，避免了额外数据传输能耗问题。

两个运动向量之间相关性如式(1)所示：

(1)

Figure 2　Scatter plot in 2D feature space 图2　二维特征空间中行为区分

不可否认，单一特征无法区分所有行为。如图2所示，横轴表示关联特征空间，纵轴表示常见的特征空间，如均值、偏度、峰度等。从图2a中可以看出，给定的两种特征都无法区分所有行为。行为站与坐属于静态动作，易混淆。从图2b中可以看出，关联特征对站与坐这两种动作区分性较好。而均值特征对这两种行为区分性很差，几乎无法区分这两类动作。同样，在应对三类或四类动作时，关联特征依旧具有较好区分性，如图2c和图2d所示，验证了关联特征的有效性。为了简化计算，本文采用两个不同位置传感器数据之差作为关联特征添加到已有数据集中，组成新的特征向量进行行为识别。两个传感器数据的差值能充分反映不同行为两传感器数据之间差异的变化。如图3所示， x轴为每个传感器节点在一个时刻点采集的五个值， y轴为采集数据值的大小，图3中13条线条代表13种不同的动作。其中，图3a为传感器节点5的数据表示；图3b为传感器节点1的数据表示；图3c为传感器节点1和5的数据之差，可以明显看出图3c中的13条曲线的稀疏性大于图3a和图3b。13条曲线的稀疏性在一定程度上反映的是数据对行为的区分性，主要原因为一般情况，若某个特征值对所有的行为而言都是一样，那就意味着该特征对于行为的区分没有意义；反之，若特征值对若干行为而言，值不一样，而且，差异越大越有利于行为区分。

Figure 3　Comparison of correlation data 图3　关联数据对比

2.2基于多任务的压缩感知方法(MTCS)

行为动作可以由捆绑在身体上的传感器节点获取的数据表示。一个传感器数据的子集代表一个行为动作，则L个传感器节点数据构成一个动作空间。

假定共有L个传感器节点用于测量m种日常行为动作，传感器节点i在t时刻所采集到的K个数据值构成的一维动作观测向量记为：

(2)

每个动作序列由节点i在时长h内获取的数据表示为:

(3)

由传感器节点i获取的第j类动作对应训练集中所有一维运动向量构成的字典集表示为：

(4)

将整个训练集中m类动作向量串联起来，得到传感器节点i对应的字典集vi。

(5)

结合L个传感器节点数据，得到整体行为数据集v。

(6)

文献[18]验证了传感器所获取的运动数据是稀疏的，且行为数据的获取是通过多个传感器节点实现的。因此，引入多任务压缩感知(MTCS)方法作为行为识别分类器。

分别将所有传感器节点运动向量看成是单个任务，另外，将2.1节中获取的关联特征数据也看成独立任务，得到如表达式(7)所示的多任务数据模型。

(7)

在没有提取关联特征情况下，公式(7)中的N=L;当提取关联特征，并将提取的关联特征加入到原有数据集时,N>L。

假定用于测试的行为属于第k类，则有近似的线性方程组表示如下：

(8)

在求解一个待识别的动作的时候，利用稀疏表达分类方法可以将待求解问题转换成多元线性回归模型。考虑到实际测量过程中存在不可避免的误差，可表示如下：

(9)

其中,εi(i=1,2,3,…)为噪声值。

行为识别架构如图4所示。该架构具有便于并行处理的优势。

Figure 4　Framework of multi-task activity recognition 图4　多任务行为识别框架

根据压缩感知理论可知，只要数据够稀疏，可以将问题转换成二次约束条件下最优l1范数进行求解。

αi=argmin‖αi‖1

(10)

(11)

其中，ri为任务i的残差值向量。

共有m类动作，在行为识别过程中，每个行为解析残差向量将对应m个残差值，最终，将待求解行为分类到残差值最小的类别。在处理多任务识别结果时，很多研究人员倾向使用MajorityVoting[19]方法，在众多识别结果中找出得票最高的类别作为最终识别结果。但是，实验结果显示该方法存在一定局限，例如：不同的任务具有不同的行为识别能力，如表1所示，当传感器数目L=5，行为数目m=13，传感器节点数据数目K=5时，在特征向量大小一致情况下，传感器节点1～5的行为识别率是不同的，验证了不同任务对行为识别能力存在差异。图5给出的是传感器节点1～5的数据对13种行为的识别率。可以明显看出，不同传感器节点数据对不同行为区分差异明显，差别可以从99%到30%不等。采用MajorityVoting方法的缺点是存在强制性，多数派可以把意愿强加于少数派。例如：任务i对行为j的识别率为99%，而其他任务对该行为的识别率偏低，这势必导致最终结果偏差。此外，实验结果显示，采用MajorityVoting方法、得到的识别率为88.77%，而采用多个任务残差之和求解多任务识别率可以达到91.77%，因此本文在多任务结果融合过程中采用多个任务残差之和的方法。

Table 1　Activity recognition accuracy of sensor node 1～5

Figure 5　Recognition accuracy of sensor node 1～5 for 13 actions 图5　1～5号传感器节点数据对应13种行为的识别率

所提出的方法中包括四个通用变量：传感器数L、行为数目m、传感器节点包含数据数目K和采样时长h。整个行为识别实现详细过程如下：

步骤4通过求解最小化l1范数下的优化问题得到稀疏系数。

步骤5计算残差，融合多个任务残差结果，选择多个任务残差和最小的类别作为最终识别结果。

2.3基于多任务的特征选择

在行为识别过程中，并不是所有的特征都对行为识别有效，特征选择不仅仅可以找出更有用的特征，而且可以降低数据维度，解决大数据带来的维度灾难，简化计算模型。

Relief算法是一种特征权重算法，最先由Kira K和Rendell L A[20]在1992年提出，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。该算法局限于两类数据的分类问题。1994年Kononenko I[21]改进了Relief算法，提出Relief-F算法。Relief-F算法突破Relief算法的缺陷，能解决多类分类问题。由于该算法具有较低时间开销，并且在很多模式识别和机器学习问题中效果良好，受到众多学者喜欢。因此，论文采用Relief-F作为特征选择算法。

一般情况下，研究人员更倾向于对所有数据进行一次性特征选择，即将所有用于识别的数据存储在一个特征向量中，然后用特征选择方法对特征进行选择。每个特征具有一个特征权值，通过选择权值较大的n个特征组成新的特征向量，最后转换成多任务模型对数据进行分类或识别。然而,该种方法没有充分考虑不同位置传感器数据对行为区分度的差异性，即处于不同位置的传感器节点对行为特征的权值不一样。考虑传感器节点分布异构性，本文将多任务对应多个特征向量，对每个特征向量进行特征选择，每个特征向量选择权值较大的n个特征，最后对多任务进行分类或识别。图6给出的是20组测试数据采用两种不同的特征选择方法得到的行为识别情况。采用多任务压缩感知分类方法(MTCS)，每个任务具有40个特征。可以明显看出，对于不同位置传感器数据按照不同权值向量进行特征选择得到的结果优于按照相同权值向量进行特征选择的结果。另外，第二组测试数据识别效果明显差于其他几组，主要原因是20个志愿者中除了第二名志愿者年龄为75，其余19位志愿者年龄皆位于19～36。

Figure 6　Error recognition rate of 20 groups of individual data in different feature selection ways 图 6　不同特征选择方式下20组个体数据误识率

3实验结果

所有实验运行在奔腾双核E6700，CPU主频为3.2 GHz、内存为2 GB的PC机上，采用Matlab 2013作为仿真工具。

本文采用加州伯克利大学Yang A等人[22]提供的可穿戴行为识别数据库WARD(Wearable Action Recognition Database) 。它是一个公开的相对稳定的基于传感器的行为识别数据库，便于对已经存在的算法进行定量分析比较。

通过捆绑在身体上的L=5个传感器节点组成的体域网获取人体运动行为数据。五个传感器节点分别捆绑于腰部、左右手腕和左右脚腕。每个传感器节点包含了一个三轴加速度计和一个二轴陀螺仪，即传感器节点测量值数目。采样频率为30 Hz。数据库包含了m=13种日常行为动作，由20名志愿者采集完成(其中13名男性，7名女性)，每名志愿者重复每个动作五遍，共计13×20×5=1300个动作序列。13种行为动作分别为:(1)站(ST);(2)坐(SI);(3)躺(LI);(4)向前走(WF);(5)逆时针走(WL);(6)顺时针走(WR);(7)向左转(TL);(8)向右转(TR);(9)上楼(UP);(10)下楼(DO);(11)慢跑(JO);(12)跳 (JU);(13)推轮椅(PU)。以h=40采样时长为大小的固定窗口选取数据组成训练集。每个传感器节点对应的动作向量看成单个任务，得到单个任务数据维数为5×40=200。然后采用MTCS方法对多任务数据进行分类。应用MTCS方法求解过程中使用了Matlab工具包[23]。所有用到的特征都被归一化到区间[-1,1]。为了保证数据个体独立性，实验采用留一验证方法，即每次采用一个志愿者数据作为测试数据，另外19个志愿者数据作为训练数据。共计20组测试数据，最后将20组结果取平均值作为最终行为识别结果。

3.1基于多任务压缩感知方法效果

为了评估所提出的多任务压缩感知算法的性能，我们以识别率作为衡量指标，与Weka工具中的六种常见分类算法(J48算法，随机森林(RF)、近邻(NN)、朴素贝叶斯(NB)、贝叶斯网络(BN)和支持向量机(SVM))进行比较，所有方法参数采用默认值。结果如图7所示，在参数默认情况下，其中BN算法是Weka中六种分类方法效果最好的，它的行为识别率为87.08%，比MTCS方法的识别率低了近5%。

Figure 7　Accuracy of 7 classifiers 图7　七种不同分类器识别效果对比

图8给出的是单任务压缩感知方法(特殊的多任务压缩感知方法，其任务数N=1)与多任务压缩感知方法行为识别效果对比。采用Relief-F算法进行特征选择，随着所采用的特征数增加，多任务压缩感知方法优势明显。在识别率上，最优情况下，多任务压缩感知方法能高出单任务压缩感知方法约6%。而且，在总的特征维数为1 000时，单任务压缩感知方法整体识别效果只能达到87.92%，比多任务压缩感知方法识别率低了近4%。另外，单任务方式识别65组测试数据所需时间开销约为18 s，多任务方式采用并行方式所需时间开销约为8 s，速度提升一倍多。由此可见，所提出的多任务压缩感知方法不但能提升行为识别率，而且便于采用并行方式进行求解，有效提高行为识别速度。

Figure 8　Single task compressive sensing VS MTCS 图 8　单任务与多任务压缩感知行为识别效果对比

3.2引入关联特征行为识别效果

为了评估关联特征对基于传感器行为识别的影响，采用MTCS算法进行行为分类，Relief-F算法进行特征选择。如图9所示，随着特征数目增加，使用了关联特征的识别结果总是优于没有使用关联特征数据的识别结果，而且平均高出2%。从图9中可以看出，当特征数达到40之后，行为识别率变化不大，这也就说明了所提出的方法对于降低数据维数具有一定效果。当总的特征维数为700时，行为识别率可以达到93.77%，对应混淆矩阵如表2所示，混淆矩阵给出了所有测试数据中每种行为被正确识别的数目，以及误识数目及类别。

Table 2　Confusion matrix for recognition of 13 actions

与使用相同数据库的已有方法进行比较，结果如表3所示。

Table 3　Comparison with other methods using WARD

文献[22]中，作者使用分布式稀疏分类器，采用滑动窗口策略选取数据，窗口大小为45个采样点，另外，其获取的动作序列为13 000，高出本文所采用的1300十倍，与之相比，论文方法具有更简单的计算模型。文献[18]中，作者所采用的采样点数目和动作序列数目与本文相同，但是多任务方法使其具有更好的识别效果，包括识别率和识别速度的提升。文献[24]虽然在识别率上优于本文，但是其采用的验证方法为3倍交叉验证的方法，这存在的巨大问题是无法保证个体独立性。另外，如文献[25]中所示，同样的数据，采用不同的验证方式结果相差巨大。

Figure 9　Effect of correlation features on activity recognition 图 9　关联特征对行为识别率影响

4结束语

本文通过分析已有基于传感器行为识别研究点，针对其中的行为识别方法和特征提取展开研究。提出了一种基于多任务的压缩感知方法用于行为分类；同时，针对已有行为识别方法中单一时频域特征问题，提出了新的关联特征。另外，引出与多任务相对应的基于任务的特征选择方式。大量实验结果表明了所提出的特征和分类方法有助于提升基于传感器行为识别的性能。下一步工作是在现有的基础上，应对大数据时代，提升数据规模，加大行为识别过程中并行力度，构建基于云平台的实时行为识别系统。

参考文献:

[1]Thapa A,Shin S.QoS provisioning in wireless body area networks:A review on MAC aspects[J].KSII Transactions on Internet & Information Systems, 2012, 6(5):1267-1285.

[2]Intel’s new Quark chips target wearable computing [EB/OL]. [2013-09-11]. http://www.infoworld.com/d/computer-hardware/intels-new-quark-chips-target-wearable-computing-226529.

[3]Zhu C,Sheng W.Realtime recognition of complex human daily activities using human motion and location data[J]. IEEE Transactions on Biomedical Engineering,2012,59(9):2422-2430.

[4]Maekawa T, Kishino Y,Sakurai Y, et al.Activity recognition with hand-worn magnetic sensors[J].Personal and Ubiquitous Computing,2013, 17(6):1085-1094.

[5]Chavarriaga R, Sagha H, Calatroni A, et al. The opportunity challenge:A benchmark database for on-body sensor-based activity recognition[J]. Pattern Recognition Letters, 2013, 34(15):2033-2042.

[6]Anguita D, Ghio A, Oneto L, et al. A public domain dataset for human activity recognition using smartphones[C]//Proc of European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 2013:437-442.

[7]Chavarriaga R, Bayati H, Millán J R. Unsupervised adaptation for acceleration-based activity recognition:Robustness to sensor displacement and rotation[J]. Personal and Ubiquitous Computing, 2013, 17(3):479-490.

[8]Banos O, Damas M, Pomares H, et al. Human activity recognition based on a sensor weighting hierarchical classifier[J]. Soft Computing, 2013, 17(2):333-343.

[9]Chen C, Shen H. A feature evaluation method for template matching in daily activity recognition[C]//Proc of 2013 IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC), 2013:1-4.

[10]Zhang M, Sawchuk A A. A feature selection-based framework for human activity recognition using wearable multimodal sensors[C]//Proc of the 6th International Conference on Body Area Networks, 2011:92-98.

[11]Wu C H, Tseng Y C. Data compression by temporal and spatial correlations in a body-area sensor network:A case study in pilates motion recognition[J]. IEEE Transactions on Mobile Computing, 2011, 10(10):1459-1472.

[12]Qi Juan,Chen Yi-qiang,Liu Jun-fa,et al. Power-efficient activity recognition based on multi-modal information sensing and fusion[J].Journal of Software, 2010,21(12):39-50.(in Chinese)

[13]Barshan B,Yüksek M C.Recognizing daily and sports activities in two open source machine learning environments using body-worn sensor units[J].The Computer Journal,2013,56(11):1-19.

[14]Casale P, Pujol O, Radeva P.Human activity recognition from accelerometer data using a wearable device[C]//Proc of the Iberian Conference on Pattern Recognition and Image Analysis, 2011:289-296.

[15]The talking trainers:Hi-tech shoes that nag you to get off the sofa and work out[EB/OL].[2013-03-10]. http://www.dailymail.co.uk/sciencetech/article-2291275/SXSW-2013-Googles-Hi-tech-shoes-nag-sofa-work-out.html.

[16]NEC develops cameraless monitoring system [EB/OL]. [2013-11-14]. http://www.ubergizmo.com/2013/11/ nec-develops-cameraless-monitoring-system/.

[17]Zhang Hai-chao, Zhang Yan-ning, Nasrabadi N M, et al.Joint-structured-sparsity-based classification for multiple-measurement transient acoustic signals[J].IEEE Transactions on Systems,Man, and Cybernetics Part-B:CYBERNETICS, 2012,42(6):1586-1598.

[18]Xiao Ling,Li Ren-fa,Luo Juan.Recognition of human activity based on compressed sensing in body sensor networks[J].Journal of Electronics & Information Technology, 2013,35(1):119-125.(in Chinese)

[19]Hajdu A, Hajdu L, Jonas A, et al. Generalizing the majority voting scheme to spatially constrained voting[J]. IEEE Transactions on Image Processing, 2013,22(11):4182-4194.

[20]Kira K, Rendell L A.The feature selection problem:Traditional methods and a new algorithm[C]//Proc of AAAI, 1992:129-134.

[21]Kononenko I.Estimating attributes:Analysis and extensions of RELIEF[C]//Proc of Machine Learning:ECML-94, 1994:171-182.

[22]Yang A Y, Jafari R, Sastry S S,et al.Distributed recognition of human actions using wearable motion sensor networks[J].Journal of Ambient Intelligence and Smart Environments,2009,1(2):103-115.

[23]Berg E V,Friedlander M P.SPGL1:A solver for large-scale sparse reconstruction [EB/OL]. [2013-05-10].http://www.cs.ubc.ca/labs/scl/spgl1.

[24]Guo Y C, He W H, Gao C.Human activity recognition by fusing multiple sensor nodes in the wearable sensor systems[J].Journal of Mechanics in Medicine and Biology,2012,12(5):1-15.

[25]Altun K, Barshan B, Tunçel O.Comparative study on classifying human activities with miniature inertial and magnetic sensors[J].Pattern Recognition,2010, 43(10):3605-3620.

参考文献：附中文

[12]齐娟,陈益强,刘军发,等.融合多模信息感知的低功耗行为识别[J].软件学报,2010,21(12):39-50.

[18]肖玲,李仁发,罗娟.体域网中一种基于压缩感知的人体动作识别方法[J].电子与信息学报,2013,35(1):119-125.