基于手机传感器数据使用 CNN 识别用户行为的 Tensroflow 实现

传感器数据集

这个项目使用了 WISDM (Wireless Sensor Data Mining) Lab 实验室公开的 Actitracker 的数据集。 WISDM 公开了两个数据集，一个是在实验室环境采集的；另一个是在真实使用场景中采集的，这里使用的是实验室环境采集的数据。

测试记录：1,098,207 条
测试人数：36 人
采样频率：20 Hz
行为类型：6 种
- 走路
- 慢跑
- 上楼梯
- 下楼梯
- 坐
- 站立
传感器类型：加速度
测试场景：手机放在衣兜里面

数据分析

从实验室采集数据下载地址下载数据集压缩包，解压后可以看到下面这些文件：

readme.txt
WISDM_ar_v1.1_raw_about.txt
WISDM_ar_v1.1_trans_about.txt
WISDM_ar_v1.1_raw.txt
WISDM_ar_v1.1_transformed.arff

我们需要的是包含 RAW 数据的 WISDM_ar_v1.1_raw.txt 文件，其他的是转换后的或者说明文件。文件的每一行数据包含了测试id，行为类型，时间，加速度x，加速度y和加速度z。

这是一个不平衡的数据集，各个行为类型的数据比例不同，官方的描述文件中也提到：

Walking: 424,400 (38.6%)
Jogging: 342,177 (31.2%)
Upstairs: 122,869 (11.2%)
Downstairs: 100,427 (9.1%)
Sitting: 59,939 (5.5%)
Standing: 48,395 (4.4%)

创建、训练并测试模型

模型可以分为数据输入模型，训练模型创建和测试评估模型。

数据输入类型可以分为数据集加载，数据标准化，创建输入数据。

加载数据集

文件的数据保存在 WISDM_ar_v1.1_raw.txt中，可以用pandas里面的函数，read_csv()进行读取。

def read_data(file_path):

    column_names = ['user-id', 'activity', 'timestamp', 'x-axis', 'y-axis', 'z-axis']

    data = pd.read_csv(file_path, header=None, names=column_names)

    return data

数据标准化

对变量的标准差标准化：标准差标准化是将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即

x’_ik ＝ (x_ik －mean )／s_k

经过标准差标准化后，各变量将有约一半观察值的数值小于0，另一半观察值的数值大于0，变量的平均数为0，标准差为1。经标准化的数据都是没有单位的纯数量。对变量进行的标准差标准化可以消除量纲（单位）影响和变量自身变异的影响。但有人认为经过这种标准化后，原来数值较大的的观察值对分类结果的影响仍然占明显的优势，应该进一步消除大小因子的影响。尽管如此，它还是当前用得最多的数据标准化方法。

# 数据标准化

def feature_normalize(dataset):

    mu = np.mean(dataset, axis=0)

    sigma = np.std(dataset, axis=0)

    return (dataset - mu) / sigma

创建输入数据

创建输入数据，每一组数据包含x,y,z三个轴的90条连续记录，用‘stats.mode’方法获取这90条记录中出现次数最多的行为作为该组行为的标签，

def segment_signal(data, window_size=90):

    segments = np.empty((0, window_size, 3))

    labels = np.empty((0))

    print len(data['timestamp'])

    count = 0

    for (start, end) in windows(data['timestamp'], window_size):

        print count

        count += 1

        x = data["x-axis"][start:end]

        y = data["y-axis"][start:end]

        z = data["z-axis"][start:end]

        if (len(dataset['timestamp'][start:end]) == window_size):

            segments = np.vstack([segments, np.dstack([x, y, z])])

            labels = np.append(labels, stats.mode(data["activity"][start:end])[0][0])

    return segments, labels

训练模型创建（cnn的结构如下）：

输入：1*90大小的向量，3通道.（每天轴为一个通道，90为连续的90条记录）
第一层卷积：1*10大小的卷积核60个。
第一层max-pooling：20*1的核。
第二层卷积：1*6卷积核10个。
第一层全连接：有1000个隐藏的神经元，采用tanh的激活函数
Softmax层：归一化。

训练过程采用的是梯度下降算法。

卷积函数和池化函数的定义：

def depthwise_conv2d(x, W):

    return tf.nn.depthwise_conv2d(x, W, [1, 1, 1, 1], padding='VALID')

# 为输入数据的每个 channel 执行一维卷积，并输出到 ReLU 激活函数

def apply_depthwise_conv(x, kernel_size, num_channels, depth):

    weights = weight_variable([1, kernel_size, num_channels, depth])

    biases = bias_variable([depth * num_channels])

    return tf.nn.relu(tf.add(depthwise_conv2d(x, weights), biases))

# 在卷积层输出进行一维 max pooling

def apply_max_pool(x, kernel_size, stride_size):

    return tf.nn.max_pool(x, ksize=[1, 1, kernel_size, 1],

                          strides=[1, 1, stride_size, 1], padding='VALID')

卷积网络的建立：

# 下面是使用 Tensorflow 创建神经网络的过程。

X = tf.placeholder(tf.float32, shape=[None,input_height,input_width,num_channels])

Y = tf.placeholder(tf.float32, shape=[None,num_labels])

c = apply_depthwise_conv(X,kernel_size,num_channels,depth)

p = apply_max_pool(c,20,2)

c = apply_depthwise_conv(p,6,depth*num_channels,depth//10)

shape = c.get_shape().as_list()

c_flat = tf.reshape(c, [-1, shape[1] * shape[2] * shape[3]])

f_weights_l1 = weight_variable([shape[1] * shape[2] * depth * num_channels * (depth//10), num_hidden])

f_biases_l1 = bias_variable([num_hidden])

f = tf.nn.tanh(tf.add(tf.matmul(c_flat, f_weights_l1),f_biases_l1))

out_weights = weight_variable([num_hidden, num_labels])

out_biases = bias_variable([num_labels])

y_ = tf.nn.softmax(tf.matmul(f, out_weights) + out_biases)

损失函数集训练函数

loss = -tf.reduce_sum(Y * tf.log(y_))

optimizer = tf.train.GradientDescentOptimizer(learning_rate = learning_rate).minimize(loss)

测试评估模型

测试评估函数

correct_prediction = tf.equal(tf.argmax(y_,1), tf.argmax(Y,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

我们将所有的数据进行7/3分，7用于对模型进行训练，3用于对模型精度进行测试，其结果如下：

Precision 0.888409996548

Recall 0.884568153909

f1_score 0.880684696544

可以看成在在只迭代了8次的情况之下，等到了0.88的精度，效果非常好。