LSTM用于人类活动识别 使用智能手机传感器数据集（腰部连接的手机）基于LSTM的人类活动识别。 将运动类型分为以下六类： 步行， WALKING_UPSTAIRS， WALKING_DOWNSTAIRS， 坐下 常设， 铺设。 数据集 可以从下载数据集 点击此以观看有关如何收集数据的视频 通过应用噪声滤波器对传感器信号（加速度计和陀螺仪）进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中进行采样。 使用巴特沃斯低通滤波器将具有重力和人体运动成分的传感器加速度信号分离为人体加速度和重力。 假定重力仅具有低频分量，因此使用了具有0.3 Hz截止频率的滤波器。 模型 在此仓库中，我们采用了两层堆叠的基本LSTM，几乎使用了原始数据：只有重力效应已从加速度计中滤出，作为另一个3D功能的预处理步骤，以作为帮助学习的输入。 用法 安装TensorFlow r

MachineLearning_Project 通过操纵神经网络的各种参数，已经开发出用于人类活动识别的CNN体​​系结构。 培训和测试在公共数据集MHEALTH上进行，用于将人类活动分为与各种活动相对应的12类。 通过由2个卷积，2个最大池和2个线性层组成的体系结构，我们实现了96％的精度和90.52％的F1得分，优于在同一数据集上训练的几个最新模型。

UCI-Human-Activity-Recognition-Tidy-Data 获取和清理 UCI 人类活动识别数据集：脚本和操作方法 日期：“2015 年 6 月 18 日” 在此存储库中：在此自述文件的下方，您将找到原始数据及其托管网站的链接。 run_analysis.R 文件是 R 脚本，它将带您从原始形式的解压缩 UCI HAR 数据到作业中描述的整洁数据集。 UCI_HAR_tidy_data_CodeBook.Rmd 将解释在最终 tidy 数据集中找到的变量及其代码。 我还将我生成的 UCI_HAR_tidy_dataset 作为 .txt 文件包含在此 repo 中作为成品的示例。 来自 UCI 机器学习库的数据、收集和方法的完整描述： : 压缩数据链接： : 原始 UCI HAR README.txt 可以在从上述网址下载和解压的文件夹中找到。 解压

matlab除噪声代码深度分割 这些是论文的代码和数据：，IEEE物联网杂志，2020年。 DeepSeg旨在细分活动以基于WiFi通道状态信息（CSI）的活动识别。 引文 @ARTICLE {DeepSeg2021， 作者= {肖春京和雷蕾，马永森，周凡和秦志光}， journal = {IEEE物联网杂志}， title = {DeepSeg：基于深度学习的基于WiFi的活动识别活动细分框架}， 年= {2020}， 音量= {}， 数字= {}， 页数= {1-1}， doi = {10.1109 / JIOT.2020.3033173} } 数据集 我们从原始CSI数据中提取的用于实验的数据可以从百度网盘或Google云端硬盘下载： CSI振幅数据：Data_CsiAmplitudeCut 百度网盘：（密码：k8yp） Google云端硬碟： 手动标记的CSI幅度数据标签：Label_CsiAmplitudeCut 百度：（密码：xnra） 谷歌： （1拳; 2挥手; 3捡起; 4举手; 5跑步; 6推; 7蹲; 8拉O; 9步行; 10拉X） 同样，我们收集的原始CSI数据也

人体活动识别 数据集链接： 使用的库： Keras，Scikit-Learn，Numpy，Matplotlib和Pandas 档案结构： 有8个主要文件：4个用于数据管理，4个用于机器学习代码，1个用于绘制结果。 数据管理文件： 1，由于数据集非常大（〜1.4 GB），因此将其划分为13个文件，并使用脚本``compress_file.py''和``compress2.0.py''对这13个文件中存储的数据集进行下采样以获得13个文件压缩文件。 2.脚本“ merge.py”和“ merge2.0.py”用于合并压缩文件，以获取用于训练的数据集。 2.0脚本用于合并加速度计和陀螺仪数据

人类活动识别 该项目将建立一个模型，以预测人类的活动，例如步行，步行上楼，步行到楼下，坐着，站立或躺下。 该数据集是从30个人（在此数据集中称为主题）收集的，他们使用智能手机在腰间执行不同的活动。 数据通过该智能手机中的传感器（加速度计和陀螺仪）进行记录。 录制了该实验的视频以手动标记数据。 如何记录数据 通过使用智能手机中的传感器（陀螺仪和加速度计），他们捕获了来自加速度计的“ 3轴线性加速度”（ tAcc-XYZ ）和来自陀螺仪的“ 3轴角速度”（ tGyro-XYZ ），具有多种变化。 prefix 't' in those metrics denotes time. suffix 'XYZ' represents 3-axial signals in X , Y, and Z directions. 快速浏览数据集： 加速度计和陀螺仪的读数来

信号检测matlab代码无线局域网 基于WiFi的活动识别数据集///////////////////////////// WiAR数据集：基于WiFi的活动识别数据集///// /////////////////////// WiAR数据集包含16种活动，其中包括10位志愿者进行的粗粒度活动和手势，每位志愿者进行30次。 现在，我们仅列出三个志愿者的活动数据集，例如志愿者A，志愿者B，志愿者C。当然，您可以从WiAR中的原始数据中提取RSSI和CSI。 我们还为初学者提供一些代码。 目的是与其他研究人员分享新想法，以开发该领域。 第1节：设备配置 T400笔记本电脑，5300卡。 采样率：30Hz 三触角具体参考：我的博客： 第2节：数据格式 我们提供接收方接收到的原始数据。 详细信息如下所示。 每个活动有30个样本。 十名志愿者参加了活动数据的收集。 csi_ai_j.dat代表第i个志愿者的第j个样本。 第三节：活动 有以下十六项活动。 水平臂波 高臂波 两只手挥手 高投 drwa_x 画勾 折腾纸 前踢 侧踢 弯曲 拍手 走 电话 喝水 坐下 蹲 这些数据是原始数据。 因此，用

举重练习的定性活动识别 背景 使用 Jawbone Up、Nike FuelBand 和 Fitbit 等设备，现在可以相对便宜地收集大量有关个人活动的数据。 这些类型的设备是量化自我运动的一部分——一群狂热者定期测量自己以改善他们的健康状况，发现他们的行为模式，或者因为他们是技术极客。 人们经常做的一件事是量化他们做了多少特定活动，但他们很少量化他们做得有多好。 在这个项目中，我们将使用来自 6 位参与者的腰带、前臂、手臂和哑铃上的加速度计的数据。 他们被要求以 5 种不同的方式正确和错误地进行杠铃举重： A级：完全符合规范 B类：肘部向前抛 C级：只将哑铃举到一半 D级：将哑铃放下一半 E级：臀部向前抛 更多信息可从以下网站获得： : （参见举重运动数据集部分）。 目标 Coursera 实用机器学习课程的这个项目的目标是预测人们进行练习的方式。 这是训练集中的“classe”

人类活动识别 此存储库包含人类活动识别 (HAR) 项目的脚本

网上人类活动识别 使用与用户无关的基于机器学习的算法进行在线人类活动识别。 使用UCI数据集-“使用智能手机数据集的人类活动识别”来完成每种方法的学习。 测试是通过使用加速度计和陀螺仪收集的实时数据完成的。