关于数据分析的，我大概浏览了所有论文，发现那篇《Wearable Sensors based Human Intention Recognition in Smart Assisted Living Systems》是最贴近我们题目的。其它的论文有些是重复的，有些要用到的硬件我们没有，比如有些要用到摄像头。所以，我们到时候发论文，还是以那篇为参考。
然后，关于HMM，我倒又觉得现阶段没必要细读了，因为问题的重点不是这个模型，而是模型要如何建立。
对于这个模型，掌握下面的就行了：
- HMM的5个要素：两类状态（观察状态和隐状态）；三组概率（初始概率、状态转移概率和两态对应概率）。
- 建立HMM后，是通过什么样的思路来解决下面的问题的：(1) 评估：根据已知的HMM找出一个观察序列的概率。(2) 解码：根据观察序列找到最有可能出现的隐状态序列。(3) 学习：从观察序列中得出HMM。
- Forward Algorithm的核心就是递归，Viterbi Algorithm的核心就是动态规划。然而，这些算法是为了简化计算而使用的，并没有改变解决问题的思路。所以，前期我们的重心并不是放在算法上。
也就是说，我们最大的困难不是解决前两类问题，而是第三个问题：如何得到一个完整的HMM？没错吧，如果我们连这个模型的参数都算不出来的话，前面的算法也就没意义了。
我的看法跟候志一样，到时候实验数据很重要。关于这一点，我觉得其实我们已经慢慢背离当初项目书写的了：当时项目书里我们和硬件打交道不多，我们初始获得的数据已经是血压、脉搏这种有用数据了，我们的目标是从这些数据提取出更有用的数据；而现在我们首次获得的数据却是“无用”的，这也决定了我们后面要跟硬件和实验打更多交道了，基本上，实验做成功了，也就成了。
如何通过实验来得到模型，下面我们分析下那论文是怎么做的。
分为两个过程：学习（即得到HMM参数的过程）和识别。
整个过程的大概思路是：一个人可以完成几种手势，如come here、go away、stand up等（参考论文）。而对于每个手势，又可以分解为一系列特定的动作序列；也就是说，对于一种手势，我们可以通过实验得到一个对应的HMM（对应于3种问题的学习），有多少个手势就有多少个HMM。然后，当我们要判断一份数据属于哪个手势时，就应用“解码”的思路，计算出数据在各种HMM中的概率；概率最大的那个HMM对应的手势，就是正确的。
学习过程具体如下：
- 运用FFT（快速傅立叶变换），貌似是要得到一个手势的持续时间。
- 运用 k-means clustering algorithm。论文里面的数据采集频率是150HZ，这个算法的作用，貌似就是把n个数据提炼为k个数据（n>k），减少后期计算量同时保持较高的采集密度。
- 设定HMM的参数，并通过实验不断去修正这些参数。参数的计算和修正公式里面有。
- 最终每个手势都得到一个对应的HMM。
识别过程的思路在上面提到了，详细就不必说了，但是里面有几点值得注意。
- 隐状态的数量多余观察状态的数量，有利于提高准确率。
- 为了减少硬件不稳定带来的影响，要有一个滤波过程。
- 论文里面，作者利用对照实验，让学习和识别的主体不同，结果识别的正确率很低。这个结论算是一个警钟：我们到时候做出来的模型参数可能不具有广泛性。
讲完论文，下面说说我的一些看法。
- 首先，我们不是做手势识别。另一篇论文里检测的状态和我们的更相符：sitting, standing, lying, walking, sit-to-stand, stand-to-sit, lie-to-sit, and sit-to-lie. 我们的项目还是以检测老人状态为主。而且我觉得没必要判断像sit-to-stand这样的动作，因为一个动作可以用两个状态的过渡来表示。
- 虽然上面那么说，但是手势识别在这个项目里面还能有其它应用：有些老人不会用手机，或者说突发情况下用不了手机，如果这时候老人通过一个手势系统就能报警或者警告儿女的话……
- 即使我们把里面提到的算法都研究了，主要障碍还是实验。硬件的不稳定是很常见并且最头疼的事。
- 其实有一种很原始很简单的办法：只用两个传感器就行了，一个手腕一个在大腿。躺下时加速度传感器有区别于其它姿势的数据；走路时由于手脚摆动，角速度传感器有区别于其它姿势的数据；依次类推，其它两种姿势也有特征数据。
- 所以，我的最终建议是：我们两种方法都尝试，回去后两种方法都做实验也不会比只做一种麻烦多少。做HMM主要是应付论文用，做“原始办法”的是可能到时候要应付项目验收，也是预防到时候HMM的准确率不高。
