智能手机部署的人体活动识别Simulink模型金宝app

这个例子使用了:

打开实时脚本

本示例展示了如何准备一个Simulink®模型，该模型基于智能手机传感器金宝app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后，训练分类模型并将Simulin金宝appk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24075个对人类五种不同身体活动的观察:坐、站、走、跑和跳舞。每个观测数据都有60个特征，这些特征是从智能手机加速度计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—包含整数形式的活动id的响应向量:1、2、3、4、5分别表示坐、站、走、跑、跳
actnames—整数活动id对应的活动名称
的壮举- 24,075个观测值的60个特征矩阵
featlabels—60个特性的标签

Sensor HAR(人体活动识别)应用程序[1]被用来创建humanactivity数据集。在用这款应用程序测量原始加速度数据时，人们将智能手机放在口袋里，这样智能手机就颠倒了，屏幕正对着自己。然后，软件对测量的原始数据进行相应的校准，并从校准的数据中提取60个特征。关于校准和特征提取的详细信息，请参见[２]而且[3],分别。后面描述金宝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

本例使用90%的观察数据来训练一个模型，该模型将五种类型的人类活动进行分类，使用10%的观察数据来验证训练好的模型。使用cvpartition为测试集指定10%的坚持时间。

rng (“默认”）%用于再现性分区= cvpartition(actid，“坚持”, 0.10);trainingInds =训练(分区);%训练集的指数XTrain = feat(trainingInds，:);YTrain = actid(trainingInds);testInds = test(分区);%测试集的索引XTest = feat(testInds，:);YTest = actid(testInds);

转换特征矩阵XTrain响应向量YTrain在分类学习者应用程序中加载训练数据集。

tTrain = 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木集成

使用分类学习器应用程序训练分类模型。打开分类学习器应用程序，输入classificationLearner在命令行。或者，单击应用程序页签，单击界面右侧的箭头应用程序部分打开画廊。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，在文件部分中,点击新会话并选择从工作空间．

在“从工作区新建会话”对话框中，单击的箭头数据集变量，然后选择表tTrain．分类学习器检测表中的预测因子和响应。

默认选项是5倍交叉验证，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上，单击右侧的箭头模型部分打开画廊。然后,在集成分类器,点击提高了树．

该模型总结选项卡显示增强的树集成模型的默认设置。

在分类学习者选项卡，在火车部分中,点击火车都并选择选择火车．当培训结束时模型窗格显示5倍交叉验证的分类精度。

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

classificationEnsemble = trainedModel.ClassificationEnsemble;

在命令行中，火车提升了树的集合

或者，您也可以在命令行中训练相同的分类模型。

模板=模板树(“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

根据测试数据评估性能

评估测试数据集的性能。

testAccuracy = 1-loss(classificationEnsemble,XTest,YTest)

testAccuracy = 0.9759

训练后的模型正确地分类了测试数据集上97.59%的人类活动。这个结果证实了训练后的模型对训练数据集没有过拟合。

请注意，精度值可能会因操作系统的不同而略有不同。

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而且loadLearnerForCoder．

使用保存训练的模型saveLearnerForCoder．

saveLearnerForCoder (classificationEnsemble“EnsembleModel.mat”）;

功能块predictActivity在Simuli金宝appnk模型中加载训练后的模型loadLearnerForCoder并使用训练过的模型对新数据进行分类。

将Simuli金宝appnk模型部署到设备

现在您已经准备了一个分类模型，您可以打开Simulink模型，这取决于您拥有哪种类型的智能手机，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．如果单击该页右上方部分的按钮并在MATLAB中打开此示例，则MATLAB将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模型根据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block是一个MATLAB函数块，校准原始加速度数据。的校准矩阵slexHARAndroidCalibrationMatrix.mat文件或slexHARiOSCalibrationMatrix.mat文件。如果单击该页右上方的按钮并在MATLAB中打开此示例，则MATLAB将打开包含这些文件的示例文件夹。
显示块Acc X，Acc Y,Acc Z连接到校准为设备上的每个轴块和显示校准的数据点。
每一个缓冲块,X缓冲，Y缓冲,Z缓冲，缓冲加速度计轴的32个样本与缓冲帧之间的12个重叠样本。在采集了各20个样本后缓冲Block将这20个样本与前一帧中的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Block每0.1秒接收一个输入样本，每2秒输出一个包含32个样本的缓冲帧。
的extractFeaturesblock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predictActivityblock是一个MATLAB函数块，用于从EnsembleModel.mat使用loadLearnerForCoder并使用提取的特征对用户活动进行分类。输出值为1 ~ 5之间的整数，分别对应“Sitting”、“Standing”、“Walking”、“Running”和“Dancing”。
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，请执行下面的步骤在Android设备上运行Model(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，按照前面描述的收集训练数据的方式放置设备，并尝试五个活动。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，那么以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)，视乎设备而定。为了改进模型，可以考虑使用额外的传感器并更新校准矩阵。此外，您还可以使用audio Toolbox™为输出子系统添加另一个音频反馈输出块。使用ThingSpeak™写块将分类活动和加速数据从您的设备发布到物联网。详细信息请参见https://thingspeak.com/。