改进的mRmR特征选择方法在人体行为识别中的应用

摘要：

在基于惯性传感器人体行为识别的研究中,特征选择的作用是挑选相关特征,以提高分类性能,去除冗余特征以降低计算复杂度.针对传统的过滤式特征选择方法仅使用一种相关度量系数筛选特征效果不佳的问题,提出一种改进的基于最大相关与最小冗余(mRmR)准则的特征选择方法.该方法在基于mRmR准则下,采用多种相关度量系数融合的方式,在考虑分类类别的条件下,分析待挑选特征与已选特征间的相关性对特征筛选可能产生的积极影响,以去除部分冗余、不相关特征,进而得到初选特征子集;然后利用二进制数对筛选后的特征编码,通过遗传算法搜索最优或次优特征子集.分别使用SVM和KNN分类器对7种日常行为进行分类.实验结果表明,与其他几种方法相比,该方法对实验分类的7种行为有最高的总体平均识别精度,通过SVM和KNN分类的各行为总体平均识别精度分别达到了97.02％和95.73％,与传统的mRmR方法相比,分别提高了13.72％和9.92％.

关键词：人体行为识别、特征选择、遗传算法、相关度量

所属期刊栏目：31

分类号：TP391(计算技术、计算机技术)

资助基金：重庆市科委基础与前沿项目cstc2016jcyjA0209;重庆市教委技术研究项目KJ1500628

在线出版日期：2019-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：261-269