Activity Learning-从传感器数据中发现.识别和预测人的行为

目录
第1章 引言 1
第2章 活动 7
2.1活动的定义 7
2.2活动的分类 10
2.3补充阅读 10
· · · · · · (更多)

目录
第1章 引言 1
第2章 活动 7
2.1活动的定义 7
2.2活动的分类 10
2.3补充阅读 10
第3章 传感技术 15
3.1用于活动学习的传感器 16
3.1.1环境传感器 16
3.1.2可随身佩戴的传感器 21
3.2传感器数据集样本 22
3.3特征量 26
3.3.1序列特征量 28
3.3.2离散事件特征量 30
3.3.3统计特征量 34
3.3.4谱特征量 43
3.3.5活动背景的特征量 45
3.4多传感器融合 46
3.5补充阅读 51
第4章 机器学习 55
4.1监督学习 55
4.2朴素贝叶斯分类器 60
4.3高斯混合模型 65
4.4隐马尔可夫模型 68
4.5决策树 73
4.6支持向量机 76
4.7条件随机场 84
4.8分类器的组合模型 86
4.8.1提升 86
4.8.2袋化 88
4.9降维技术 89
4.10补充阅读 98
第5章 活动识别 101
5.1活动分割 103
5.2滑动窗口 109
5.2.1时基窗口分割 110
5.2.2基于大小的窗口分割 111
5.2.3给窗口内的事件分配权值 113
5.2.4动态窗口大小 119
5.3无监督分割 121
5.4性能测量 126
5.4.1基于分类器的活动识别性能指标 129
5.4.2基于事件的活动识别性能指标 135
5.4.3评估活动识别的实验框架 139
5.5补充阅读 141
第6章 活动发现 145
6.1零样本学习 147
6.2序列挖掘 149
6.2.1基于频率的序列挖掘 151
6.2.2基于压缩比的序列挖掘 153
6.3聚类 159
6.4主题模型 162
6.5性能测量指标 165
6.6补充阅读 169
第7章 活动预测 171
7.1活动序列预测 172
7.2活动预报 180
7.3基于概率图的活动预测 186
7.4基于规则的活动时序预测 189
7.5性能测量 193
7.6补充阅读 200
第8章 活动学习存在的实际问题 203
8.1收集带标签的传感器数据 203
8.2迁移学习 217
8.2.1实例迁移和标签迁移 222
8.2.2无共生数据的特征迁移 226
8.2.3有共生数据的知情特征迁移 228
8.2.4用教师-学生模型实现共生数据的不知情特征迁移 230
8.2.5用特征空间对齐方法实现共生数据的不知情特征迁移 232
8.3多标签学习 233
8.3.1问题变换 236
8.3.2标签相关性利用 238
8.3.3多标签学习算法的性能评估 244
8.4多个体的活动学习 246
8.4.1学习群体活动 246
8.4.2训练一个测试多个 251
8.4.3分离事件流 254
8.4.4跟踪多用户 258
8.5补充阅读 261
第9章 活动学习的实际应用 267
9.1健康 267
9.2活动感知服务 271
9.3安全与应急处理 274
9.4活动重构、表示和可视化 275
9.5分析人类的动态行为 282
9.6补充阅读 287
第10章 活动学习的未来 291
附录A 活动样本数据 297
附录B 参考文献 323
· · · · · · (收起)