python实现基于TNDADATASET的人体行为识别

首先来看下TNDADATASET：

随便打开一个文件简单看下如下所示：

可以大概推测出来，这里面不同维度的数据集应该是由不同的穿戴式传感器采集得到的，最后一列的class表示的是当前的行为类型。

在我之前的博文里面已经做过了相关的工作了，如下：

《人体行为姿势识别数据集WISDM实践》

《UCI行为识别——Activity recognition with healthy older people using a batteryless wearable sensor Data Set》

所以这里我就不再赘述相关的背景内容性质的东西了，参考前面的文章就懂得这里应该如何来处理数据集了，首先是数据集加载解析处理：

def loadData(path):"""加载解析数据"""all_subject_data = []for i in os.listdir(path):subject_path = path + isubject_data = pd.read_csv(subject_path)subject_data.drop(index=list(subject_data[subject_data["class"] <= 3].index), inplace=True)all_subject_data.append(subject_data)all_subject_data = pd.concat(all_subject_data, axis=0)all_subject_data.drop(index=list(all_subject_data[all_subject_data["class"] == 0].index), inplace=True)X = all_subject_data[["wri_Acc_X","wri_Acc_Y","wri_Acc_Z","wri_Gyr_X","wri_Gyr_Y","wri_Gyr_Z","wri_Mag_X","wri_Mag_Y","wri_Mag_Z","ank_Acc_X","ank_Acc_Y","ank_Acc_Z","ank_Gyr_X","ank_Gyr_Y","ank_Gyr_Z","ank_Mag_X","ank_Mag_Y","ank_Mag_Z","bac_Acc_X","bac_Acc_Y","bac_Acc_Z","bac_Gyr_X","bac_Gyr_Y","bac_Gyr_Z","bac_Mag_X","bac_Mag_Y","bac_Mag_Z",]]y = all_subject_data["class"]return X, y

因为原始数据集中类别不均衡的存在，这里我丢掉了1 2 3这几种类别的行为动作，保留了4 5 6 7 8这五种行为动作的数据。

当然了也是可以全部保留的，本质都是一个多分类的问题。

接下来是特征提取部分，这里我们主要实现了包括：李雅普诺夫指数、递归图特征、庞加莱图特征、拓扑特征、近似熵特征、样本熵特征、模糊熵特征等在内的众多特征提取计算方法，后期可以综合使用。

这里以李雅普诺夫指数为例，看下对应的核心特征提取实现如下：

def lypnf_feature(data):"""李雅普诺夫指数  nolds库"""featuress = []for j in tqdm(range(data.shape[0])):fea = []for i in range(data.shape[2]):data_ = data[j, :, i]feature = nolds.lyap_e(data_)fea = np.hstack((fea, feature))if j == 0:featuress = np.concatenate((featuress, fea))else:featuress = np.vstack((featuress, fea))return featuress

整体特征工程融合提取存储实现如下：

def buildFeature(dataDir="./TNDADATASET/"):"""特征工程"""data, label = load_data(dataDir)data_processed, label_processed = data_preprocesssing(data, label, 128, 64)# 特征提取in_data_rec = rec_feature(data_processed)print("in_data_rec shape:", in_data_rec.shape)in_data_poincare = poincare_feature(data_processed)print("in_data_poincare shape:", in_data_poincare.shape)in_data_topo = topo_feature(data_processed, 5, 5)print("in_data_topo shape:", in_data_topo.shape)in_data_lypnf = lypnf_feature(data_processed)print("in_data_lypnf shape:", in_data_lypnf.shape)m = 2in_data_apx = apx_feature(data_processed, m)print("in_data_apx shape:", in_data_apx.shape)m, n = 2, 2in_data_fuz = fuz_feature(data_processed, m, n)print("in_data_fuz shape:", in_data_fuz.shape)m = 1in_data_samp = samp_feature(data_processed, m)print("in_data_samp shape:", in_data_samp.shape)feature = {}feature["rec_feature"] = in_data_rec.tolist()feature["poincare_feature"] = in_data_poincare.tolist()feature["topo_feature"] = in_data_topo.tolist()feature["lypnf_feature"] = in_data_lypnf.tolist()feature["apx_feature"] = in_data_apx.tolist()feature["fuz_feature"] = in_data_fuz.tolist()feature["samp_feature"] = in_data_samp.tolist()feature["label"] = label_processed.tolist()with open("feature.json", "w") as f:f.write(json.dumps(feature))sample_num = in_data_rec.shape[0]rec = in_data_rec.tolist()poincare = in_data_poincare.tolist()topo = in_data_topo.tolist()lypnf = in_data_lypnf.tolist()apx = in_data_apx.tolist()fuz = in_data_fuz.tolist()samp = in_data_samp.tolist()labels = label_processed.tolist()result = []for i in range(sample_num):one_vec = rec[i] + poincare[i] + topo[i] + lypnf[i] + apx[i] + fuz[i] + samp[i]one_label = labels[i]one_vec.append(one_label)result.append(one_vec)print("result_shape: ", np.array(result).shape)with open("allfeature.json", "w") as f:f.write(json.dumps(result))

执行耗时较长，输出如下：

得到所需的特征数据之后就可以构建模型来进行训练测试计算了。

这里的机器学习模型主要是基于sklearn库来进行快速地搭建使用，主要选择了：LR、RF、GBDT、SVM这四种经典的模型进行试验对比分析，如下所示：

以LR模型为例，看下核心完整构建流程实现如下：

def lrModel(data='feature.json',rationum=0.30,model_path='lr.model'):'''逻辑回归模型'''with open(data) as f:data_list=json.load(f)x_list,y_list=[],[]for i in range(len(data_list)):y_list.append(data_list[i][-1]) x_list.append(data_list[i][:-1])label=list(set(y_list))print('y_list: ',label)X_train,X_test,y_train,y_test=splitData(x_list, y_list,ratio=rationum)model=LogisticRegression()model=DecisionTreeClassifier()model.fit(X_train,y_train)#预测、分析y_pred=model.predict(X_test).tolist()plotConfusionMatrix(y_test,y_pred,label,save_path=saveDir+'LR.png')#计算模型在测试集上的得分accuracy=model.score(X_test,y_test)print('logisticRegressionModel model_score: ',accuracy)Precision,Recall,F1=calThree(y_test,y_pred)saveModel(model,save_path=model_path)result={}result['accuracy'],result['F_value']=accuracy,F1result['precision'],result['recall']=Precision,Recallprint('type: ', type(y_test), type(y_pred))result['y_true'],result['y_pred']=y_test,y_predreturn result

看下对比混淆矩阵，如下所示：

可以看到：四种不同的模型整体的效果都是很不错的。

之后为了对比深度学习模型与机器学习模型的优劣，我又依次开发了：LSTM、CNN-LSTM、BILSTM三种模型库，时间问题就不再一一解释了，直接看最终的结果：

python实现基于TNDADATASET的人体行为识别相关推荐

基于kinect的人体动作识别系统
基于kinect的人体动作识别系统(算法和代码都放出) 首先声明一下,本系统所使用的开发环境版本是计算机系统Windows 10.Visual Studio 2013.Opencv3.0和Kinect ...
【Python】基于机器学习的财务数据分析——识别财务造假
[Python]基于机器学习的财务数据分析--识别财务造假前言: 本文数据使用了2021泰迪杯官方给出的数据. 其中第一章的代码给出了如何由比赛数据生成案例分析所使用的数据而第二章则重点介绍了如 ...
基于kinect的人体动作识别系统（算法和代码都放出）
基于kinect的人体动作识别系统(算法和代码都放出) 首先声明一下,本系统所使用的开发环境版本是计算机系统Windows 10.Visual Studio 2013.Opencv3.0和Kinect ...
java kinect 人体识别_基于kinect的人体动作识别系统
[实例简介] 基于kinect v2的人体动作识别,配套博客(http://blog.csdn.net/baolinq/article/),基于mfc,可以识别左移右移.上蹦下跳等,也可以自己自定义其 ...
python计算机视觉--基于(BOW)的图像检索与识别
目录前言一.基本原理 1.1 图像分类简介 1.2 Bag-of-words模型 1.3 Bag-of-features模型 1.4 Bag-of-features算法 1.5 Bag-of- ...
python 数学公式识别_Python实现基于KNN算法的笔迹识别功能详解
本文实例讲述了Python实现基于KNN算法的笔迹识别功能.分享给大家供大家参考,具体如下: 需要用到: Numpy库 Pandas库手写识别数据点击此处本站下载. 数据说明: 数据共有785列, ...
基于3D关节点的人体动作识别综述（转）
原文:2016,Pattern Recognition: 3D skeleton-based human action classification: A survey 摘要近年来,基于深度序列的人 ...
python模拟手写笔迹_Python实现基于KNN算法的笔迹识别功能详解
本文实例讲述了Python实现基于KNN算法的笔迹识别功能.分享给大家供大家参考,具体如下: 需要用到: Numpy库 Pandas库手写识别数据点击此处本站下载. 数据说明: 数据共有785列, ...
模式分类识别 | Python实现基于LGBM模型的信用类型识别预测
模式分类识别 | Python实现基于LGBM模型信用类型识别预测目录模式分类识别 | Python实现基于LGBM模型信用类型识别预测识别效果文章概述模型描述程序设计学习总结识别效果 ...

python实现基于TNDADATASET的人体行为识别

python实现基于TNDADATASET的人体行为识别相关推荐

最新文章

热门文章