基于DWT-VMD混合信号分解技术的人体活动识别

在人类活动识别的应用环境中，从原始传感器数据中提取更加有效的特征仍具有挑战性。针对该问题，利用离散小波变换（Discrete wavelet transform， DWT）和变分模式分解（Variational mode decomposition，VMD）的混合信号分解技术提取原始信号中的显著特征向量。在UCI-HAR数据集与SCUT-NAA数据集上，利用多种机器学习分类算法，例如K近邻、随机森林、LightGBM和XGBoost，对DWT-VMD混合信号分解算法的有效性进行了实验。实验结果表明，与未使用混合信号分解技术相比，使用该技术后识别准确率均有所提高，其中UCI-HAR数据集分类准确率达到98.91%，与未加入分解算法相比提高了1.79%；SCUT-NAA数据集分类准确率达到95.52%，提高了3.2%。在人体活动识别中，利用DWT-VMD混合信号分解技术，能够提取原始信号中更有效的特征，提高识别准确率，具有一定的实用性。