智能手机部署的人类活动识别Simulink模型金宝app

这个示例使用:

这个例子展示了如何准备一个Simulink®模型，该模型基于智能手机传感金宝app器信号对人类活动进行分类，用于代码生成和智能手机部署。该示例提供了两个Simulink模型，可以部署到A金宝appndroid™设备和iOS设备。在为目标设备安装所需的支持包之后，培训分类模型并将Simuli金宝appnk模型部署到设备上。金宝app

负载样本数据集

加载humanactivity数据集。

负载humanactivity

的humanactivity数据集包含了24,075个对五种不同的人类身体活动的观察:坐、站、走、跑和跳舞。每一个观测都有60个特征，这些特征是从智能手机加速度传感器测量的加速度数据中提取出来的。数据集包含以下变量:

actid-响应向量，包含整数形式的活动id: 1、2、3、4和5，分别代表坐、站、走、跑和跳舞
actnames—与整型活动id对应的活动名称
的壮举-包含60个特征的24,075个观测值的特征矩阵
featlabels—60个特性的标签

传感器HAR(人类活动识别)应用程序［１］用于创建humanactivity数据集。当用这个应用程序测量原始加速度数据时，一个人把智能手机放在口袋里，这样智能手机就会倒过来，屏幕朝向自己。然后软件相应地校准测量的原始数据，并从校准数据中提取60个特征。校准和特征提取的详细信息请参见［2］和［3],分别。稍后描述金宝app的Simulink模型也使用原始加速度数据，并包括用于校准和特征提取的块。

准备数据

本示例使用90%的观察结果来训练一个分类五种人类活动的模型，并使用10%的观察结果来验证训练的模型。使用cvpartition为测试集指定10%的坚持值。

rng (“默认”）%的再现性分区= cvpartition (actid,“坚持”, 0.10);trainingInds =培训(分区);%训练集指标XTrain =壮举(trainingInds:);YTrain = actid (trainingInds);testInds =测试(分区);%测试集索引XTest =壮举(testInds:);欧美= actid (testInds);

转换特征矩阵XTrain响应向量YTrain将训练数据集加载到分类学习者应用程序中。

array2table([XTrain YTrain]);

为表的每一列指定变量名。

tTrain.Properties.VariableNames = [featlabels '“活动”]；

使用分类学习应用程序训练增强树集合

使用分类学习者app训练分类模型。打开分类学习者app，输入classificationLearner在命令行。或者,单击应用程序选项卡，并单击控件右侧的箭头应用程序部分画廊开放。然后,在机器学习和深度学习,点击分类学习者．

在分类学习者选项卡,文件部分中,点击新会话并选择从工作空间．

在“来自工作区的新会话”对话框中，单击箭头数据集变量，然后选择表tTrain．分类学习器从表中检测预测器和响应。

默认选项是5倍交叉验证，以防止过拟合。点击开始会议．分类学习器加载数据集并绘制前两个特征的散点图。

在分类学习者选项卡中，单击右边的箭头模型类型部分画廊开放。然后,在集成分类器,点击提高了树．

的当前模型的总结窗格显示增强的树集成模型的默认设置。

在分类学习者选项卡,培训部分中,点击火车．当训练完成后，模型窗格显示5倍，交叉验证分类准确性。

在分类学习者选项卡,出口部分中,点击出口模式，然后选择出口紧凑的模型．点击好吧在对话框中。结构trainedModel出现在MATLAB®工作空间。这个领域ClassificationEnsemble的trainedModel包含紧凑模型。从结构中提取训练过的模型。

classificationEnsemble = trainedModel.ClassificationEnsemble;

在命令行训练增强树集合

或者，您可以在命令行训练相同的分类模型。

模板= templateTree (“MaxNumSplits”, 20岁,“复制”,真正的);classificationEnsemble = fitcensemble (XTrain YTrain,..．“方法”，“AdaBoostM2”，..．“NumLearningCycles”30岁的..．“学习者”模板,..．“LearnRate”, 0.1,..．“类名”, (1;2;3;4;5);

执行5倍交叉验证classificationEnsemble并计算验证精度。

partitionedModel = crossval (classificationEnsemble,“KFold”5);validationAccuracy = 1-kfoldLoss (partitionedModel)

validationAccuracy = 0.9833

评估测试数据的性能

评估测试数据集上的性能。

testAccuracy =第一(classificationEnsemble XTest、欧美)

testAccuracy = 0.9759

经过训练的模型对测试数据集上97.59%的人类活动进行了正确分类。这一结果证实了训练模型与训练数据集没有过拟合。

注意，精确度值可能会根据您的操作系统略有不同。

保存训练模型

对于包含分类模型对象的代码生成，请使用saveLearnerForCoder和loadLearnerForCoder．

使用保存训练过的模型saveLearnerForCoder．

saveLearnerForCoder (classificationEnsemble“EnsembleModel.mat”）;

功能块predictActivity在Simuli金宝appnk模型中，通过使用loadLearnerForCoder并使用训练过的模型对新数据进行分类。

在设备上部署S金宝appimulink模型

现在您已经准备了一个分类模型，您可以打开Simulink模型，这取决于您拥有的智能手机的类型，并将模型部署到您的设备上。金宝app注意，Simulink模型需金宝app要EnsembleModel.mat文件和校准矩阵文件slexHARAndroidCalibrationMatrix.mat或slexHARiOSCalibrationMatrix.mat．如果你点击这个页面右上方的按钮，并在MATLAB中打开这个示例，那么MATLAB就会打开包含这些校准矩阵文件的示例文件夹。

类型slexHARAndroidExample打开用于Android部金宝app署的Simulink模型。

类型slexHARiOSExample打开用于iOS部署的Si金宝appmulink模型。您可以在Mac OS平台上打开模型。

这两个Simul金宝appink模型基于智能手机传感器测量的加速度数据对人类活动进行分类。模型包括以下模块:

的加速度计块从设备上的加速度计传感器接收原始加速度数据。
的校准块是一个MATLAB函数块，校准原始加速度数据。该块使用的校准矩阵slexHARAndroidCalibrationMatrix.mat文件或slexHARiOSCalibrationMatrix.mat文件。如果您单击页面右上方的按钮并在MATLAB中打开此示例，则MATLAB将打开包含这些文件的示例文件夹。
显示模块Acc X，Acc Y,Acc Z连接到校准块和显示设备上每个轴的校准数据点。
每一个缓冲块,X缓冲，Y缓冲,Z缓冲，缓冲加速度计轴的32个样本，缓冲帧之间的12个重叠样本。每次采集20个样本缓冲Block将20个样本与前一帧的12个样本连接起来，并将总共32个样本传递给extractFeatures块。每一个缓冲块每0.1秒接收一个输入样本，并每2秒输出一个包含32个样本的缓冲帧。
的extractFeatures块是一个MATLAB函数块，从32个加速度计样本的缓冲帧中提取60个特征。该功能块使用DSP系统工具箱™和信号处理工具箱™。
的predictActivity块是一个MATLAB函数块，它从EnsembleModel.mat文件的使用loadLearnerForCoder并利用提取的特征对用户活动进行分类。输出为1到5之间的整数，分别对应坐、站、走、跑和跳舞。
的预测活动块显示设备上分类的用户活动值。
的视频输出子系统使用多端口开关块选择相应的用户活动图像数据显示在设备上。的转换为RGB块将选定的图像分解为单独的RGB向量，并将图像传递给活动展示块。

要将Simulink模型部署金宝app到您的设备，请遵循下面的步骤在Android设备上运行模型(金宝appAndr金宝appoid设备的Simulink支持包)或在苹果iOS设备上运行模型(金宝app苹果iO金宝appS设备的Simulink支持包)．在您的设备上运行模型，以前面描述的收集训练数据的相同方式放置设备，并尝试五种活动。模型相应地显示分类的活动。

为了确保模型的准确性，您需要按照收集训练数据时所描述的方式放置设备。如果你想把你的设备放在不同的位置或方向，那么就用你自己的方式收集数据，并使用你的数据来训练分类模型。

模型的准确性可能与测试数据集的准确性不同(testaccuracy)，视设备而定。为了改进模型，可以考虑使用额外的传感器和更新校准矩阵。此外，您还可以使用audio Toolbox™将音频反馈的另一个输出块添加到输出子系统。使用ThingSpeak™写块发布分类活动和加速数据从您的设备到物联网。有关详细信息,请参见https://thingspeak.com/。