基于改进朴素贝叶斯分类器的康复训练行为识别方法

计算机应用 ›› 2013, Vol. 33 ›› Issue (11): 3187-3189.

基于改进朴素贝叶斯分类器的康复训练行为识别方法

张毅¹,黄聪¹,罗元²

1. 重庆邮电大学信息无障碍工程研发中心，重庆 400065;
2. 重庆邮电大学光纤通信技术重点实验室，重庆400065

收稿日期:2013-05-06 修回日期:2013-06-28 出版日期:2013-11-01 发布日期:2013-12-04
通讯作者: 黄聪
作者简介:张毅(1966-)，男，重庆潼南人，教授，博士生导师，主要研究方向：机器人、数据融合、信息无障碍技术；黄聪（1990-），女，四川资阳人，硕士研究生，主要研究方向：机器人网络化技术、图像传感与处理；罗元（1972-），女，贵州贵阳人，教授，博士，主要研究方向：机器视觉、智能信号处理、数字图像处理。
基金资助:
科技部国际合作项目;国家自然科学基金资助项目

Behavior recognition in rehabilitation training based on modified naive bayes classifier

ZHANG Yi¹,HUANG Cong¹,LUO Yuan²

1. Information Accessibility Engineering R&D Center, Chongqing University of Posts and Telecommunications, Chongqing 400065, China;
2. Key Laboratory of Optical Fiber Communications Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

Received:2013-05-06 Revised:2013-06-28 Online:2013-12-04 Published:2013-11-01
Contact: HUANG Cong

摘要/Abstract

摘要： 为提高康复训练中行为的识别率，对康复训练行为识别进行研究。首先采用Kinect传感器提取人体骨骼坐标信息，定义运动特征分类集合，完成朴素贝叶斯分类器设计；然后改进康复训练动作识别阈值选择机制提升识别率。改进前后对比实验证明该方法快速简洁，取得了较理想的识别效果。

关键词: 康复训练, Kinect传感器, 阈值选择, 朴素贝叶斯分类器, 行为识别

Abstract: This paper proposed a modified behavior recognition method to improve the recognition rate in rehabilitation training. First, it adopted Kinect sensor to detect human skeleton locations, defined the motion feature in rehabilitation training and designed the Bayes classifier. Second, the threshold selection process was improved to increase the recognition rate. The comparative experimental results with the unmodified one show that the modified naive Bayes classifier is simple and rapid, and it gains better identification effects in rehabilitation training.

Key words: rehabilitation training, Kinect sensor, threshold selection, naive Bayes classifier, behavior recognition

中图分类号:

TP391.9

张毅黄聪罗元. 基于改进朴素贝叶斯分类器的康复训练行为识别方法[J]. 计算机应用, 2013, 33(11): 3187-3189.

ZHANG Yi HUANG Cong LUO Yuan. Behavior recognition in rehabilitation training based on modified naive bayes classifier[J]. Journal of Computer Applications, 2013, 33(11): 3187-3189.

[1]	李扬志, 袁家政, 刘宏哲. 基于时空注意力图卷积网络模型的人体骨架动作识别算法[J]. 计算机应用, 2021, 41(7): 1915-1921.
[2]	刘世泽, 秦艳君, 王晨星, 高存远, 罗海勇, 赵方, 王宝会. 基于多尺度特征提取的交通模式识别算法[J]. 计算机应用, 2021, 41(6): 1573-1580.
[3]	田志强, 邓春华, 张俊雯. 基于骨骼时序散度特征的人体行为识别算法[J]. 计算机应用, 2021, 41(5): 1450-1457.
[4]	蒋丽, 黄仕建, 严文娟. 基于低秩行为信息和多尺度卷积神经网络的人体行为识别方法[J]. 计算机应用, 2021, 41(3): 721-726.
[5]	戎炜, 蒋哲远, 谢昭, 吴克伟. 基于聚类关联网络的群组行为识别[J]. 计算机应用, 2020, 40(9): 2507-2513.
[6]	周云, 陈淑荣. 基于双流非局部残差网络的行为识别方法[J]. 计算机应用, 2020, 40(8): 2236-2240.
[7]	杨文璐, 于孟孟, 谢宏. 基于关键姿势的双人交互行为识别[J]. 计算机应用, 2020, 40(8): 2231-2235.
[8]	陈皓, 肖利雪, 李广, 潘跃凯, 夏雨. 基于人体关节点数据的攻击性行为识别[J]. 计算机应用, 2019, 39(8): 2235-2241.
[9]	王萍, 庞文浩. 基于视频分段的空时双通道卷积神经网络的行为识别[J]. 计算机应用, 2019, 39(7): 2081-2086.
[10]	郭明祥, 宋全军, 徐湛楠, 董俊, 谢成军. 基于三维残差稠密网络的人体行为识别算法[J]. 计算机应用, 2019, 39(12): 3482-3489.
[11]	王立林, 刘俊. 基于多尺度卷积的船舶行为识别方法[J]. 计算机应用, 2019, 39(12): 3691-3696.
[12]	姬晓飞, 秦琳琳, 王扬扬. 基于RGB和关节点数据融合模型的双人交互行为识别[J]. 计算机应用, 2019, 39(11): 3349-3354.
[13]	吴亮, 何毅, 梅雪, 刘欢. 基于时空兴趣点和概率潜动态条件随机场模型的在线行为识别方法[J]. 计算机应用, 2018, 38(6): 1760-1764.
[14]	王智文, 蒋联源, 王宇航, 王日凤, 张灿龙, 黄镇谨, 王鹏涛. 基于尺度自适应局部时空特征的足球比赛视频中的多运动员行为表示[J]. 计算机应用, 2016, 36(8): 2134-2138.
[15]	何传阳, 王平, 张晓华, 宋丹妮. 基于智能监控的中小人群异常行为检测[J]. 计算机应用, 2016, 36(6): 1724-1729.