研究内容：
本项目主要研究的是人在日常生活中运动行为的监测和识别，利用模式识别的技术，对相关传感器的信息进行分析和提取，使用机器学习技术，对提取的信息进行训练，得到一个高准确率的，运动健康监测系统，同时这项技术还可以用在很多方面，比如老人的行为检测，学生行为状态分析，运动分析等等，可以构成一个监测的系统。
不论是简单的行为分析还是复杂的行为分析，都可以通过对大量传感器数据的分析和提取最终得出结果。但由于人体活动的多样性以及复杂性，行为识别的研究技术发展至今，虽然取得了很大的进展，但目前还不存在一个算法适合所有的行为分类，并且即使是同一的活动在不同的人中也具有多样性的特点，人体活动、行为识别一直以来都有很多难以克服的问题，例如活动数据特征的选取，分类器的选取，如何适用于所有识别活动等等一系列问题。
因此，为了项目的顺利进行，我们将研究的方向细化为人在日常生活中运动状态下（例如走路、跑步、上下楼状态）的行为研究，并研究分析行为习惯、作息规律，以及对正常人的运动、健康状态的分析。
研究方法及其思路：
在考虑目前手机的数据处理规模，以及算法模型能力的基础上，手机客户端上应只进行简单的行为识别(比如跌倒、运动、休息状态)，更复杂的分析和识别应将数据上传至后台服务器，为后续的复杂行为识别分析做数据基础。
（1） 运动传感器是研究的重点：
从手机传感器实时获取的加速度、角加速度、陀螺仪等传感器数据可以间接表征当前手机携带者活动行为的状态，这些传感器数据也可以称为运动传感器数据。
本次项目中运动传感器的数据是我们的重点研究数据，由这些运动传感器获取人体活动行为（可以包括走、跑、跳、站、坐、跌倒等）识别所需的传感器数据，即人体活动行为感知是跌倒检测的基础。通过设计一个集数据采集、数据标记及存储的程序实现。
由于本项目研究的是简单活动的识别，简单活动所具备的特点是活动的单调重复性高，特征分布明显，因此根据经验以及结合人体简单活动的基本特点，本节主要选取的手机传感器为：线性加速度传感器，重力加速度传感器，陀螺仪，GPS模块。
（2） 特征的选取及数据的处理
提取关键特征是识别人体活动行为分析的关键。活动特征包括时域特征，频域特征，和一些其他特征。其中时域特征包括计算的时域特性，如最大值，最小值，均值，方差等；频域特征包括FFT系数等，对于后续数据特征的处理的过程，如果单纯使用时域特征进行活动分类，性能低，结果错误率高，而把时域信息转化到频域上进行分析可有效的分离各变量，提高分析的准确度，利用快速傅里叶变换(FFT),离散小波变换(DWT)可以有效的进行频域的分析。可以有效的对个人的简单行为进行监测和分析。
由于传感器的物理特性以及采集过程中周围环境和手机携带者活动行为的影响，采集的数据可能会有缺失和噪音，从而对模型识别结果产生较大影响，因此要对采集的传感器数据进行预处理，对缺失数据或噪音数据采用合适的预处理方法（比如滤波、变换、补全等）来修正。
本研究正是基于安卓手机的迅速普及，安卓手机的GPS定位功能与网络通讯功能的日益发达，手机的使用习惯和数据越来越受到广泛的关注和应用，手机上的位置服务也愈发成熟。从正常人的睡眠情况，手机使用频率，学习生活日常使用手机的行为统计与无缝的监测为主题来开发的一项手机应用。相比于传统的简单计步检测方式，利用手机GPS定位和手机使用情况数据的收集，可以更快速的了解自己的行为习惯，更好的让自己了解自己的身体情况，既方便，也提高了生活的质量，还能够准确的反应出自己的健康状况。
（3） 信息的获取
由于智能手机的广泛应用，智能手机的使用情况在很大程度上可以反映一个人的基本特质和生活习惯，获取GPS信息用以确定位置信息，加速度传感器用以监测位移情况，陀螺仪传感器和重力传感器用于分析方位和人物姿态信息，获得手机唤醒情况，手机使用时间，APP的使用频率等重要数据，再对所获取的数据进行处理，在一段时间后即能分析出一个人的大致行为习惯和性格模型。
要实现全天候的数据获取和分析，因为前期简单的分析流程是在智能手机中实现的，所以只需要定时上传相应的数据，即能达到全天候实时监控的效果，不需要实时上传数据，节省了手机无线网络的流量，同时也节省了智能手机的电量，具体实现流程如图1所示。
图1：信息获取流程（实现全天候监测的流程）
（4） 实现思路：
对行为进行监测的流程的实现分为信息获取流程，简单分析，上传至服务器，服务器再分析，数据保存及可视化，五个流程。
① 信息获取流程
用户手机端将安装客户端APP，APP除了用于获取权限之外，最重要的就是对于数据的获取，APP将会获取手机的应用使用情况统计信息（android.app.usage API），在传感器信息的获取上，在APP中建立Activity用以实现SensorEventListener接口用以监听传感器的数据。
② 简单分析
由手机端APP将获取得到的信息进行简单的存储，将数据传送至训练好的分类器模型中，即可获得简单人体行为检测结果。
③ 上传至服务器
由APP对检测的结果和各项传感器信息和手机使用情况相关的信息进行打包，使用HTTP协议将数据传送至服务器中。
④ 服务器再分析
由服务器将取得的数据解包并引入更多方向的数据进行复杂行为分析及学习状况的预测。
⑤ 数据的保存及可视化
最后将得到的结果保存至SQL server，再将数据以时间维度和状态维度两种不同维度进行数据的可视化，将数据以可视化的方式呈现在用户面前。
作者简介：梁恒滔（1996— ），男，广西百色人，本科生；研究方向：基于智能手机传感器的运动行为识别技术研究
