简单的机器学习程序_人体动作识别小程序【机器学习人工智能】

人体动作识别(Human activity recognition)是健康领域一个热点问题，它通过加速度计，陀螺仪等传感器记录人体运动数据，对人体动作进行识别。最近用微信小程序做了一个动作识别的项目，同时尝试部署了单片机。首先奉上b站的视频链接，里面详细介绍了项目的思路和代码:https://b23.tv/4VRvff

下面我将这个过程分成以下几部分给大家进行讲解：

1.数据收集

人体动作的数据是通过手机内部自带的六轴传感器收集的，借助于微信小程序的API可以直接调用。

其中蹲起的数据采集页面如下图所示：

右手持手机，点击“开始读取”后，开始做深蹲，加速度轴和陀螺仪的实时数据会在数据框内显示。做完动作后点击存储，会将采集的数据上传到微信自带的云数据库，并且关闭加速度计和陀螺仪。

我们将每个动作分为不同的document，每个实验者作为一个record，在数据库中进行存储。每条record由六个轴的六个数组、时间戳数组和用户的其他信息组成，数组长度约为采样频率f*采样总时间，大约是700。

将数据导出成JSON或csv文件之后便可以开始信号处理了。

2.信号处理

2.1滤波

本部分中的信号处理是通过python中的signal包来完成。

将csv文件导入到python中，将数组长度统一为700。首先我们可以先直观地感受一下数据：

plt

展示出六个轴的数据，可以看出某些轴的数据是有明显的周期性的，但是噪声较多，需要进行滤波处理。

首先使用中值滤波器，这可以通过signal包中的medfilt函数来完成：

#中值滤波

然后是巴特沃斯滤波器，同样是使用signal包中的函数来完成：

# butterworth滤波器

2.2数据切割

数据经过滤波之后在图像上的体现是变得更加平滑，滤掉了高频的噪音，此时我们将数据进行切割：设定一个时间窗口，以及一个overlap的比例，将数据切分成许多小段。这样就增加了样本的数量，满足机器学习需要的数据量。

2.3特征提取

注意，通过微信小程序提取的数据为时间序列，本身不能作为输入直接喂给机器学习模型，而是需要从中提取一些特征，作为输入向量。此处我们首先将数据进行了快速傅里叶变换，计算功率谱密度、自相关函数，在此基础上得到了时间序列的特征向量。将以上功能封装到一个函数中：

def

当我们将时域数据转换到频域数据上之后，便可以提取特征，使用分类器进行建模。提取特征的常用方法可以是信号的频率分量以及在此分量上的振幅。

3.模型构建

数据的处理工作完成之后就要开始机器学习的核心部分：模型训练了。此处我们用python强大的机器学习第三方包：sklearn来完成这一部分的工作。

3.1模型选择

机器学习模型众多，如何选择一个适合自己的呢？在此我们选择了一些常用的机器学习模型，查看它们在此数据集上的表现。

首先构建一个装有模型的字典：

dict_classifiers

然后，我们可以在此字典和每个分类器上迭代：

训练分类器.fit(X_train, Y_train)
评估分类器在训练集中的性能.score(X_train, Y_train)
评估分类器在测试集上的性能.score(X_test, Y_test)
记录训练分类器所需的时间。
将训练模型、训练分数、测试分数和训练时间保存到字典中。如有必要，此字典可以使用 Python 的pickle模块保存。

def

最终结果如下所示：

可以发现，Gradient Boosting算法效果是最好的，同时训练时间也最长，高达88秒；表现最不好的是SVM；训练时间最短的是Native Bayes。

通过模型的训练与对比，结合我们自身的需求，选择最为合适的模型进行参数调优。考虑到本项目后期需要部署JS，因此需要在算法的复杂程度和准确率之间取舍，此处我选择MLP（多层神经网络）作为最终的模型。

3.2超参数调优

当选择好合适的模型之后，我们就需要调整模型的参数，使其表现的最好，这就是超参数调优。MLP模型的参数主要有：激活函数、学习率

、隐藏层数、隐藏层神经元个数。通过循环遍历的方式进行超参数调优：

MLP_params

可以看出，当激活函数relu，alpha=1，隐藏层神经元个数为100时，MLP模型表现是最好的；同时relu函数运算较快，100个神经元大小适中，用来部署JS较为合适。

模型训练好后，用sklearn自带的函数输出权重矩阵和偏置向量，保存到csv文件中，便于后续模型的部署。

对于大部分的机器学习教程而言，模型训练完之后就算是万事大吉了，但我们的目标是最终做出一个能用于实际生活的小程序，因此还需要进行模型的部署。

4.模型部署

4.1小程序部署

我们将上面保存好的csv文件复制到小程序的js里，对六轴到的数据进行计算。通过几次实验发现，由于安卓系统传感器采集数据的频率较低，因此滤波对本数据集的影响不大。同时因为时间前后的相关性，不对序列进行特征提取，直接将序列喂给模型也能达到同样的准确率。

每隔2秒钟对数据进行一次分类，js代码就是根据MLP的原理进行矩阵的乘法，此处不再赘述。

4.2单片机部署

由于近些年来手环的兴起，因此我也尝试部署了单片机。这里模型比较庞大，即便是功能强大的STC8A8K系列的单片机也只有64KB的内存，是远远不够的，需要进行内存扩展。此处给出我的老师提供的一种方案：

按照上述方案，我使用了洞洞板+单片机的方式进行了连接，洞洞板上是内存扩展芯片，另一块板子是做其他项目时用到的，这里只用到了它的单片机：

十分凌乱，大家实验没问题之后还是用PCB打样吧。。。

最终我通过离线的方式，测试准确率达到了70%，实现了单片机的部署。

写在最后

本文从零开始实现了一个能够落地的人工智能项目，同时部署到小程序端可以实现离线识别，摆脱了对网络的依赖。

非常感谢大家的耐心阅读，我也是一名正在学习中的大二学生，所写内容如有不当之处欢迎大家批评指正。