Health smart home, as a typical application of Internet of things, provides a new solution for remote medical treatment. It can effectively relieve pressure from shortage of medical resources caused by aging population and help elderly people live at home more independently and safely. Activity recognition is the core of health smart home. This technology aims to recognize the activity patterns of users from a series of observations on the user’ actions and the environmental conditions, so as to avoid distress situations as much as possible. However, most of the existing researches focus on offline activity recognition, but not good at online real-time activity recognition. Besides, the feature representation techniques used for offline activity recognition are generally not suitable for online scenarios. In this article, the authors propose a real-time online activity recognition approach based on the genetic algorithm–optimized support vector machine classifier. In order to support online real-time activity recognition, a new sliding window-based feature representation technique enhanced by mutual information between sensors is devised. In addition, the genetic algorithm is used to automatically select optimal hyperparameters for the support vector machine model, thereby reducing the recognition inaccuracy caused by manual tuning of hyperparameters. Finally, a series of comprehensive experiments are conducted on freely available data sets to validate the effectiveness of the proposed approach.

中文翻译：

---

用于健康智能家居实时活动识别的遗传算法优化支持向量机

健康智能家居作为物联网的典型应用，为远程医疗提供了新的解决方案。可有效缓解人口老龄化带来的医疗资源短缺压力，帮助老年人更独立、更安全地居家生活。活动识别是健康智能家居的核心。该技术旨在通过对用户行为和环境条件的一系列观察来识别用户的活动模式，从而尽可能避免遇险情况。然而，现有的研究大多集中在离线活动识别上，而不擅长在线实时活动识别。此外，用于离线活动识别的特征表示技术通常不适用于在线场景。在本文中，作者提出了一种基于遗传算法优化支持向量机分类器的实时在线活动识别方法。为了支持在线实时活动识别，设计了一种新的基于滑动窗口的特征表示技术，该技术通过传感器之间的互信息增强。此外，利用遗传算法为支持向量机模型自动选择最优超参数，从而减少手动调整超参数导致的识别不准确。最后，对免费提供的数据集进行了一系列综合实验，以验证所提出方法的有效性。为了支持在线实时活动识别，设计了一种新的基于滑动窗口的特征表示技术，该技术通过传感器之间的互信息增强。此外，利用遗传算法为支持向量机模型自动选择最优超参数，从而减少手动调整超参数导致的识别不准确。最后，对免费提供的数据集进行了一系列综合实验，以验证所提出方法的有效性。为了支持在线实时活动识别，设计了一种新的基于滑动窗口的特征表示技术，该技术通过传感器之间的互信息增强。此外，利用遗传算法为支持向量机模型自动选择最优超参数，从而减少手动调整超参数导致的识别不准确。最后，对免费提供的数据集进行了一系列综合实验，以验证所提出方法的有效性。从而减少手动调整超参数导致的识别不准确。最后，对免费提供的数据集进行了一系列综合实验，以验证所提出方法的有效性。从而减少手动调整超参数导致的识别不准确。最后，对免费提供的数据集进行了一系列综合实验，以验证所提出方法的有效性。