简单的机器学习程序_人体动作识别小程序【机器学习 人工智能】
人體動作識別(Human activity recognition)是健康領(lǐng)域一個熱點問題，它通過加速度計，陀螺儀等傳感器記錄人體運(yùn)動數(shù)據(jù)，對人體動作進(jìn)行識別。最近用微信小程序做了一個動作識別的項目，同時嘗試部署了單片機(jī)。首先奉上b站的視頻鏈接，里面詳細(xì)介紹了項目的思路和代碼:https://b23.tv/4VRvff
下面我將這個過程分成以下幾部分給大家進(jìn)行講解：
1.數(shù)據(jù)收集
人體動作的數(shù)據(jù)是通過手機(jī)內(nèi)部自帶的六軸傳感器收集的，借助于微信小程序的API可以直接調(diào)用。
其中蹲起的數(shù)據(jù)采集頁面如下圖所示：
右手持手機(jī)，點擊“開始讀取”后，開始做深蹲，加速度軸和陀螺儀的實時數(shù)據(jù)會在數(shù)據(jù)框內(nèi)顯示。做完動作后點擊存儲，會將采集的數(shù)據(jù)上傳到微信自帶的云數(shù)據(jù)庫，并且關(guān)閉加速度計和陀螺儀。
我們將每個動作分為不同的document，每個實驗者作為一個record，在數(shù)據(jù)庫中進(jìn)行存儲。每條record由六個軸的六個數(shù)組、時間戳數(shù)組和用戶的其他信息組成，數(shù)組長度約為采樣頻率f*采樣總時間，大約是700。
將數(shù)據(jù)導(dǎo)出成JSON或csv文件之后便可以開始信號處理了。
2.信號處理
2.1濾波
本部分中的信號處理是通過python中的signal包來完成。
將csv文件導(dǎo)入到python中，將數(shù)組長度統(tǒng)一為700。首先我們可以先直觀地感受一下數(shù)據(jù)：
plt展示出六個軸的數(shù)據(jù)，可以看出某些軸的數(shù)據(jù)是有明顯的周期性的，但是噪聲較多，需要進(jìn)行濾波處理。
首先使用中值濾波器，這可以通過signal包中的medfilt函數(shù)來完成：
#中值濾波然后是巴特沃斯濾波器，同樣是使用signal包中的函數(shù)來完成：
# butterworth濾波器2.2數(shù)據(jù)切割
數(shù)據(jù)經(jīng)過濾波之后在圖像上的體現(xiàn)是變得更加平滑，濾掉了高頻的噪音，此時我們將數(shù)據(jù)進(jìn)行切割：設(shè)定一個時間窗口，以及一個overlap的比例，將數(shù)據(jù)切分成許多小段。這樣就增加了樣本的數(shù)量，滿足機(jī)器學(xué)習(xí)需要的數(shù)據(jù)量。
2.3特征提取
注意，通過微信小程序提取的數(shù)據(jù)為時間序列，本身不能作為輸入直接喂給機(jī)器學(xué)習(xí)模型，而是需要從中提取一些特征，作為輸入向量。此處我們首先將數(shù)據(jù)進(jìn)行了快速傅里葉變換，計算功率譜密度、自相關(guān)函數(shù)，在此基礎(chǔ)上得到了時間序列的特征向量。將以上功能封裝到一個函數(shù)中：
def當(dāng)我們將時域數(shù)據(jù)轉(zhuǎn)換到頻域數(shù)據(jù)上之后，便可以提取特征，使用分類器進(jìn)行建模。提取特征的常用方法可以是信號的頻率分量以及在此分量上的振幅。
3.模型構(gòu)建
數(shù)據(jù)的處理工作完成之后就要開始機(jī)器學(xué)習(xí)的核心部分：模型訓(xùn)練了。此處我們用python強(qiáng)大的機(jī)器學(xué)習(xí)第三方包：sklearn來完成這一部分的工作。
3.1模型選擇
機(jī)器學(xué)習(xí)模型眾多，如何選擇一個適合自己的呢？在此我們選擇了一些常用的機(jī)器學(xué)習(xí)模型，查看它們在此數(shù)據(jù)集上的表現(xiàn)。
首先構(gòu)建一個裝有模型的字典：
dict_classifiers然后，我們可以在此字典和每個分類器上迭代：
- 訓(xùn)練分類器.fit(X_train, Y_train)
- 評估分類器在訓(xùn)練集中的性能.score(X_train, Y_train)
- 評估分類器在測試集上的性能.score(X_test, Y_test)
- 記錄訓(xùn)練分類器所需的時間。
- 將訓(xùn)練模型、訓(xùn)練分?jǐn)?shù)、測試分?jǐn)?shù)和訓(xùn)練時間保存到字典中。如有必要，此字典可以使用 Python 的pickle模塊保存。
最終結(jié)果如下所示：
可以發(fā)現(xiàn)，Gradient Boosting算法效果是最好的，同時訓(xùn)練時間也最長，高達(dá)88秒；表現(xiàn)最不好的是SVM；訓(xùn)練時間最短的是Native Bayes。
通過模型的訓(xùn)練與對比，結(jié)合我們自身的需求，選擇最為合適的模型進(jìn)行參數(shù)調(diào)優(yōu)。考慮到本項目后期需要部署JS，因此需要在算法的復(fù)雜程度和準(zhǔn)確率之間取舍，此處我選擇MLP（多層神經(jīng)網(wǎng)絡(luò)）作為最終的模型。
3.2超參數(shù)調(diào)優(yōu)
當(dāng)選擇好合適的模型之后，我們就需要調(diào)整模型的參數(shù)，使其表現(xiàn)的最好，這就是超參數(shù)調(diào)優(yōu)。MLP模型的參數(shù)主要有：激活函數(shù)、學(xué)習(xí)率
、隱藏層數(shù)、隱藏層神經(jīng)元個數(shù)。通過循環(huán)遍歷的方式進(jìn)行超參數(shù)調(diào)優(yōu)：MLP_params可以看出，當(dāng)激活函數(shù)relu，alpha=1，隱藏層神經(jīng)元個數(shù)為100時，MLP模型表現(xiàn)是最好的；同時relu函數(shù)運(yùn)算較快，100個神經(jīng)元大小適中，用來部署JS較為合適。
模型訓(xùn)練好后，用sklearn自帶的函數(shù)輸出權(quán)重矩陣和偏置向量，保存到csv文件中，便于后續(xù)模型的部署。
對于大部分的機(jī)器學(xué)習(xí)教程而言，模型訓(xùn)練完之后就算是萬事大吉了，但我們的目標(biāo)是最終做出一個能用于實際生活的小程序，因此還需要進(jìn)行模型的部署。
4.模型部署
4.1小程序部署
我們將上面保存好的csv文件復(fù)制到小程序的js里，對六軸到的數(shù)據(jù)進(jìn)行計算。通過幾次實驗發(fā)現(xiàn)，由于安卓系統(tǒng)傳感器采集數(shù)據(jù)的頻率較低，因此濾波對本數(shù)據(jù)集的影響不大。同時因為時間前后的相關(guān)性，不對序列進(jìn)行特征提取，直接將序列喂給模型也能達(dá)到同樣的準(zhǔn)確率。
每隔2秒鐘對數(shù)據(jù)進(jìn)行一次分類，js代碼就是根據(jù)MLP的原理進(jìn)行矩陣的乘法，此處不再贅述。
4.2單片機(jī)部署
由于近些年來手環(huán)的興起，因此我也嘗試部署了單片機(jī)。這里模型比較龐大，即便是功能強(qiáng)大的STC8A8K系列的單片機(jī)也只有64KB的內(nèi)存，是遠(yuǎn)遠(yuǎn)不夠的，需要進(jìn)行內(nèi)存擴(kuò)展。此處給出我的老師提供的一種方案：
按照上述方案，我使用了洞洞板+單片機(jī)的方式進(jìn)行了連接，洞洞板上是內(nèi)存擴(kuò)展芯片，另一塊板子是做其他項目時用到的，這里只用到了它的單片機(jī)：
十分凌亂，大家實驗沒問題之后還是用PCB打樣吧。。。
最終我通過離線的方式，測試準(zhǔn)確率達(dá)到了70%，實現(xiàn)了單片機(jī)的部署。
寫在最后
本文從零開始實現(xiàn)了一個能夠落地的人工智能項目，同時部署到小程序端可以實現(xiàn)離線識別，擺脫了對網(wǎng)絡(luò)的依賴。
非常感謝大家的耐心閱讀，我也是一名正在學(xué)習(xí)中的大二學(xué)生，所寫內(nèi)容如有不當(dāng)之處歡迎大家批評指正。
創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎總結(jié)
以上是生活随笔為你收集整理的简单的机器学习程序_人体动作识别小程序【机器学习 人工智能】的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
