人类动作识别问题描述
数据获取方式：
数据采集每个人在腰部穿着智能手机信号，采用嵌入式加速度计和陀螺仪，以50Hz的恒定速度捕获3轴线性加速度和3轴角速度，来获取人类动作数据。
主要进行了六个活动（步行，上楼，下楼，坐着，站立和躺着）的数据采集。
目的：
通过分析已经采集的数据集构建算法模型，来识别人类的动作类型。
导入相关数据并查看数据信息
import numpy as np # 训练数据特征 x_train = np.load("./x_train.npy") # 测试数据特征 x_test = np.load("./x_test.npy") # 训练数据标签 y_train = np.load("./y_train.npy") # 测试数据标签 y_test = np.load("./y_test.npy")
# 打印数据形状 x_train.shape,x_test.shape,y_train.shape,y_test.shape • 1 • 2
((7352, 561), (2947, 561), (7352,), (2947,))
通过上面数据形状可以知道，该数据训练集有7352个样本，测试集有2947个样本，数据特征有561个。
# 打印前100个训练样本的标签数据 y_train[:100]
array([5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype=int64)
可以发现有1、2、3、4、5、6这6种标签样本，分别代表人类6种动作。
其中 1 代表 步行； 2代表上楼 ；3代表下楼；4代表坐着；5代表站立；6代表躺着
# 给1-6六个标签起名字 labels = { 1:"walking", 2:"up", 3:"down", 4:"sitting", 5:"standing", 6:"lying" }
构建KNN算法模型并查看准确率
from sklearn.neighbors import KNeighborsClassifier # 创建模型 knn = KNeighborsClassifier() # 训练 knn.fit(x_train,y_train) # 预测 y_ = knn.predict(x_test) # 查看准确率 knn.score(x_test,y_test)
0.9015948422124194 • 1
上述结果表明：该算法的准确率为90%，还是比较不错的。
结果分析
找出其中预测错误的10个动作，并画出其特征图像
import matplotlib.pyplot as plt %matplotlib inline
# 设置plt面板大小 fig = plt.figure(figsize=(4*4,3*3)) error_num = 0 for i in range(500): # y_test表示测试数据真实标签，y_表示KNN算法预测出的结果，取出两者不相等的结果，进行特征绘图 if y_test[i] != y_[i]: # 画出子轴面 axes = fig.add_subplot(2,5,error_num+1) # 向每一个子轴面中画图 axes.plot(x_test[i]) # 设置标题 axes.set_title("True:%s\n Predict:%s"%(labels[y_test[i]],labels[y_[i]])) error_num += 1 if error_num == 10: break
通过上面打印出的预测错误的动作类型，我们可以发现，大部分错误类型基本都是坐着的动作识别成了站着的动作。可能是由于这两种动作信号差别较小的原因造成的。后续可针对性的对采集的信号进行改进。
如果内容对你有帮助，感谢记得点赞+关注哦！
