基于启发式集成特征选择的人体活动识别

针对人为提取的冗余特征集和无关特征集导致可穿戴传感器的人体活动识别分类性能降低的问题，提出一种基于启发式集成特征选择的人体活动识别方法。该方法首先选取了包含功率谱密度（Power spectrum density， PSD）的特征集用于识别易混淆的活动，在此基础上借助皮尔逊系数法（Pearson correlation coefficient， PCC）筛选出低相关的特征子集，然后使用改进的正余弦优化算法（Sine cosine algorithm， SCA）进行特征优化，通过两次特征筛选得到最优特征子集。实验结果表明，在实验室采集的数据集中使用该方法后的特征子集维数为34，识别准确率达到了98.21%。在公开的SCUT-NAA数据集中进行对比实验，特征子集维数为39，低于以往基于该数据集研究方法的特征维数，并且识别准确率达到了96.51%。