吴建宁 凌 雲 王佳境 林英杰

(福建师范大学数学与信息学院，福州 350117)

引言

近年来，随着微机电系统(micro-electro-mechanical system, MEMS)、嵌入式技术、移动互联网等先进信息技术的快速发展，可穿戴体域网 (wearable body sensor networks, WBSNs)技术在远程监测人体步态行为动作模式研究中得到广泛关注和应用，对于远程疾病诊断治疗、老年慢性疾病康复评价以及预防老年人跌倒等具有重要意义[1-5]。 目前大多相关研究的主要思路是将传感器佩戴于人体不同运动解剖部位(诸如肩、手臂、手腕、腰部、腿部等)构建体域网，获取人体步态运动状况的相关生理或病理信息，并通过互联网将相关信息传送至远端医疗数据处理中心，准确评价人体步态动作模式变化。就技术实现手段而言，其中一个研究难点问题在于如何有效基于体域网多传感数据，准确鉴别步态行走动作模式变化。为解决上述问题，相关专家和学者相继提出构建体域网动作模式分类模型，从而探寻准确鉴别人体动作模式变化的技术手段。较早相关研究提出基于传统机器学习分类模型(诸如人工神经网络[6]、马尔科夫模型[7-8]、随机森林[9]和决策树[10-11]等)，构建准确鉴别体域网人体动作模式的分类模型。文献[8]鉴于传感节点有限存储容量和加速度数据随机特性，提出了分层隐藏马尔科夫(hierarchical hidden Markov models, HHMMs)的体域网动作模式分类模型虽然该模型可将数据收集、预处理及动作模式分类等分层处理，但仅能鉴别5种动作模式，且分类准确率低，仅为80%。文献[10]提出了一种基于决策树算法的体域网步态动作模式分类模型，可鉴别6种动作模式，平均识别率为90%。……