陈圣楠，范新民

基于多视图半监督集成学习的人体动作识别算法

陈圣楠1,2，范新民1,2

（1. 福建师范大学，福建 福州 350117；2. 网络安全与教育信息化福建省高校工程研究中心，福建 福州 350117）

移动设备上难以获取大量标签样本，而训练不足导致分类模型在人体动作识别上表现欠佳。针对这一问题，提出一种基于多视图半监督集成学习的人体动作识别算法。首先，利用两种内置传感器收集的数据构建两个特征视图，将两个视图和两种基分类器进行组合构建协同学习框架；然后，根据多分类任务重新定义置信度，结合主动学习思想在迭代过程中控制预测伪标签结果；使用LightGBM对扩充后的训练集进行学习。实验结果表明，算法的精确率、召回率和F1值较高，能稳定、准确地识别多种人体动作。

人体动作识别；半监督学习；小样本；LightGBM

1 引言

随着电子信息技术的发展，各类移动智能终端，如智能手机、智能手表在价格、计算能力、电池寿命等方面有了显著提升，而其应用领域也由单一的功能使用拓展到了运动管理、医疗保健、智能家居和安全监控等[1]，拥有巨大的潜在市场需求和影响。这类移动设备大多内置加速度计、陀螺仪、肌肉电传感器等多种传感器，可在特定场景下产生并收集不同的数据，进而分析识别人体动作，判断人们的活动状态。

目前，人体动作识别算法在应用时仍需依赖大量的标签数据，大规模的标注工作不仅耗费了大量的人、财、物力，数据质量也难以保障，降低了人体动作识别算法的推广价值。……