一種基于低成本傳感器的魯棒行為識別方法與系統(tǒng)與流程

文檔序號：12864210閱讀：245來源：國知局

本發(fā)明涉及行為識別領域，特別涉及一種基于低成本傳感器的魯棒行為識別方法與系統(tǒng)。

背景技術：

準確地識別出日常行為對于醫(yī)學，安全，人機交互等領域都有著巨大的應用價值和研究意義。基于行為識別能夠輔助監(jiān)測人體的健康狀態(tài)，還能夠分析用戶生活行為習慣模式。在全球老齡化愈加嚴重的今天，行為識別還能夠幫助監(jiān)測老人的日?；顒樱l(fā)現(xiàn)異常行為等，為實現(xiàn)智能家居，智慧養(yǎng)老等提供重要支持。

國內外對于行為識別的方法大致可以分為三類：基于圖像分析的方法，基于可穿戴傳感器的方法，和基于環(huán)境信息的方法?；谝曨l的方法是通過攝像頭對人體運動的圖像進行采集，然后通過圖像識別和處理的方法分析和識別行為。例如：專利201510050043.5通過攝像頭采集任意運動圖像，然后提取圖像中的時空特征，再通過識別模型進行行為判斷。這種方法能夠有效的識別出行為，但是由于圖像處理時信息量巨大，算法比較復雜，另外攝像頭覆蓋范圍有限，因此應用場景受限。而且由于涉及用戶的隱私，這種方法只適合于特殊的應用場景?；诳纱┐髟O備的方法相對來說布設方便，構成可穿戴設備的核心元器件包括加速度計，陀螺儀，磁力計等運動傳感器。通過穿戴在人體的特定部位，采集運動過程中的數據信息，再經過處理分析得到行為識別的結果。例如專利201080003387.6，通過采集用戶手部的運動數據，檢測用戶的手部運動模式，再通過行為識別模型識別出行為。這類方法由于設備佩戴在用戶身上，所以識別的時間和地點都不受限制?；诃h(huán)境信息的方法是通過采集人體運動過程中，周圍環(huán)境的變化信息，來逆向推定出人體的行為。例如專利201410209856.x，提出了一種基于wifi背景噪聲的行為識別方法，利用人體運動時候引起的環(huán)境中wifi信號值的變化來識別行為。但這類方法往往受限于環(huán)境的局限性，以及數據噪聲的影響，識別精度無法保證。

在上述三種方法類型中，基于可穿戴設備的方法由于穿戴的便利性，以及環(huán)境無關性，能夠在不同的場景下均很好的識別用戶的行為。已有的基于可穿戴設備的行為識別方法的傳感器基本以加速度計和陀螺儀為主，加速度傳感器能夠檢測到運動時候空間三個軸上的加速度數據，陀螺儀能夠檢測到空間三個軸上的角速度數據。佩戴位置以腕部，腰部，腳部等為主，另外還有褲兜，背包等設備最常放置的位置。但是由于行為之間有一定的相似性，在運動傳感器數據上的表征難以區(qū)分，因此往往會造成識別精度的下降。而且，人體的日常行為非常復雜，行為識別系統(tǒng)只會針對其中的若干種行為進行識別，將其他不輸入所涉及范圍的行為定義為其他行為。但是對這些行為的誤分也會引起識別精度的下降。另外，由于不同的用戶之間存在行為的差異性，因此如果所采集的數據和提取的特征與行為之間沒有強關聯(lián)性，容易使得識別效果對于不同的用戶存在很大差異。

技術實現(xiàn)要素：

針對以上基于可穿戴的行為識別系統(tǒng)所存在的識別精度不高，無法同時適用多用戶等問題，本發(fā)明為了降低識別時的錯分率，并且使得不同人的識別精度都能夠較高，提出了一種基于低成本距離傳感器的行為識別裝置和方法。

具體來說本發(fā)明提供了一種基于低成本傳感器的魯棒行為識別方法，其中包括：

步驟s1、通過安裝于用戶鞋中的低成本距離傳感器，采集用戶腳到地面的實時距離數據；

步驟s2、采用滑動窗口法對該實時距離數據進行分割，生成數據集，并將該數據集無線發(fā)送至步驟s3；

步驟s3、對該數據集按照特性的預處理方式進行特征提取，生成預處理數據，并根據預先訓練完成的數據模型對該預處理數據進行識別，得到用戶的行為結果，最后將該行為結果顯示反饋給用戶。

該基于低成本傳感器的魯棒行為識別方法，其中步驟s3中該預處理方式包括：步驟s31、通過離散快速傅里葉變換對該數據集進行時頻轉換，再通過特征提取得到多個頻域特征和多個時域特征，該時域特征和該頻域特征的集合作為該預處理數據。

該基于低成本傳感器的魯棒行為識別方法，其中步驟s3中該數據模型的建立過程包括：

步驟s32、首先規(guī)劃所要識別的多個行為種類，并選擇多位實驗者作為訓練數據的采集對象，讓該實驗者分別執(zhí)行該行為種類，采集該實驗者腳部到地面的距離數據，并通過滑動窗口法對采集到的該距離數據進行分割，作為訓練距離數據；

步驟s33、根據該訓練距離數據，利用極速學習機模型訓練生成該數據模型。

該基于低成本傳感器的魯棒行為識別方法，其中步驟2中該滑動窗口法采用的滑動窗口時長為l，且相鄰兩個滑動窗口間的實時距離數據有l(wèi)/2的重疊。

該基于低成本傳感器的魯棒行為識別方法，其中該步驟s2中無線發(fā)送方式為藍牙傳輸或wifi傳輸。

本發(fā)明還提供一種基于低成本傳感器的魯棒行為識別系統(tǒng)，其中包括：

數據采集單元，包括安裝于用戶鞋中的低成本距離傳感器，用于分別采集用戶腳到地面的實時距離數據；

數據傳輸單元，與該數據采集單元相連，用于根據滑動窗口法對該實時距離數據進行分割，生成數據集，并將該數據集無線發(fā)送至數據處理單元；

數據處理單元，運行在移動設備端，用于對該數據集按照特性的預處理方式進行特征提取，生成預處理數據，并根據預先訓練完成的數據模型對該預處理數據進行識別，得到用戶的行為結果，最后將該行為結果顯示反饋給用戶。

該基于低成本傳感器的魯棒行為識別系統(tǒng)，其中數據處理單元中該預處理方式包括：通過離散快速傅里葉變換對該數據集進行時頻轉換，再通過特征提取得到多個頻域特征和多個時域特征，該時域特征和該頻域特征的集合作為該預處理數據。

該基于低成本傳感器的魯棒行為識別系統(tǒng)，其中數據處理單元中該數據模型包括：

訓練數據采集模塊，用于采集實驗者腳部到地面的距離數據，并通過滑動窗口法對采集到的該距離數據進行分割，作為訓練距離數據；

數據模型生成模塊，用于根據該訓練距離數據，利用極速學習機模型訓練生成該數據模型。

該基于低成本傳感器的魯棒行為識別系統(tǒng)，其中數據傳輸單元中該滑動窗口法采用的滑動窗口時長為l，且相鄰兩個滑動窗口間的實時距離數據有l(wèi)/2的重疊。

基于低成本傳感器的魯棒行為識別系統(tǒng)，其中該數據傳輸單元中無線發(fā)送方式為藍牙傳輸或wifi傳輸。

綜上所述本發(fā)明具有穿戴便利、測量精度高且不受環(huán)境影響，能夠在不同的場景下均很好的識別用戶的行為這三點優(yōu)勢。

附圖說明

圖1為本發(fā)明的行為識別系統(tǒng)示意圖；

圖2為本發(fā)明所采用的elm算法的網絡結構圖。

具體實施方式

為讓本發(fā)明的上述特征和效果能闡述的更明確易懂，下文特舉實施例，并配合說明書附圖作詳細說明如下。

本發(fā)明所提出的行為識別裝置如圖1所示，由三部分組成，包括數據采集單元、數據傳輸單元和數據處理單元部分。

數據采集單元，包括兩個安裝于用戶左、右鞋中的低成本距離傳感器，具體安裝在兩只鞋的外側，距離探測傳感器方向向下，在進行各項行為運動的過程中，分別測量用戶左、右腳到地面的實時距離數據。

數據傳輸單元與該數據采集單元相連，用于根據滑動窗口法對該實時距離數據進行分割，生成數據集，該數據傳輸單元具體包括三個主要組成：控制板，通信模塊，供電電池。由距離傳感器采集的實時距離數據統(tǒng)一傳輸到控制板中，再由控制板調用通信模塊，將實時距離數據發(fā)送到數據處理模塊，其中發(fā)送方式可為藍牙傳輸或者wifi傳輸等無線傳輸方式，電池負責為控制板、通信模塊以及距離傳感器供電。

數據處理單元，運行在移動設備端，包括了數據接收模塊，特征提取模塊，識別算法模塊和用戶界面模塊。數據接收模塊，用于和數據傳輸單元中的通信模塊配對，建立傳輸關系，通過自定義的協(xié)議進行數據的傳輸。在特征提取模塊中，對接收到的實時距離數據按照特性的預處理方式進行特征提取，生成預處理數據，然后輸入到行為識別算法模塊中，識別算法模塊根據預先訓練完成的數據模型對該預處理數據進行識別，得到用戶的行為結果，再通過交互界面顯示反饋給用戶，其中該數據處理單元還包括預處理模塊，通過離散快速傅里葉變換對該數據集進行特征提取，得到多個頻域特征和多個時域特征，該頻域特征和該時域特征的集合作為該預處理數據。

本發(fā)明采用的行為識別方法與傳統(tǒng)行為識別技術基于的運動傳感器不同，本發(fā)明提出的識別裝置放置在與行為最相關的腳部，并且采集的腳部對地面的距離數據對所識別的行為具有明顯的可分性，例如原地踏步和走路在運動傳感器的識別下很難區(qū)分出二者，但是通過采集實時距離數據，并從中提取距離信息特征，就能夠達到很好的區(qū)分性?；谒岢龅男袨樽R別裝置，本專利所提出的行為識別過程主要步驟包括：

步驟s31，確定所要識別的行為的標準。

預先設定所要識別的行為個數(種類)m(m為大于2的正整數)，距離傳感器采集數據的頻率f，數據處理的滑動窗口大小(時長)l，每次移動步長為l/2，即相鄰兩個滑動窗口間的實時距離數據會有l(wèi)/2的重疊。在每個數據窗口里，采集到的數據包括左右兩只腳上的距離傳感器數據，即實時距離數據。假設用和表示來自第i個時間窗口的左腳和右腳上傳感器的時域數據，將時域數據經過fft(離散快速傅里葉變換)后得到頻域數據和本發(fā)明要通過對雙腳的距離數據進行頻域或時域特征提取來構建行為識別的特征向量，本發(fā)明一共提取17個時域特征和21個頻域特征。時域特征包括左右腳各自數據的均值t_mean、方差t_var、最大值t_max、最小值t_min、第一四分位數t_q1、第二四分位數t_q2、第三四分位數t_q3、過均值數t_mean_cross，以及左右腳時域數據的互相關系數t_corr；頻域特征包括左右腳各自距離數據經過fft(快速傅里葉變換)后的頻域前10項系數{f_a1～f_a10},以及左右腳頻域數據的互相關系數f_corr，即步驟s3中該預處理方式包括：通過離散快速傅里葉變換對該數據集進行時頻轉換，再通過特征提取得到多個頻域特征和多個時域特征，該時域特征和該頻域特征的集合作為該預處理數據。所有特征如表1所示。

表1：

步驟s32，數據采集。選擇若干個實驗者作為訓練數據的采集對象，將行為識別裝置佩戴在采集者的雙腳的外側，然后讓實驗者分別進行步驟s31中設定的m個行為，每個用戶每個動作采集一定時長，相應的行為類型由人為進行標定。然后按照步驟s31中規(guī)定的滑動窗方法對數據進行分割，形成數據集dataset。dataset可以表示為(xi,yi)∈r³⁸×r^m,(i＝1,2,...,n)，表示該數據集合共有n條數據。xi是一個1×38維的向量，表示一個窗口中提取出的38個特征，yi是一個1×m的one-hot(獨熱)向量，其中只有一項值為1，其余m-1項全部為0，表示該條數據屬于某一個行為類別。

步驟s33，模型訓練，生成數據模型。模型的訓練目的是使得通過特征xi能夠判斷出所對應的類別值yi，即滿足f(xi)＝y(tǒng)i,(i＝1,2,...,n)。但是在實際的應用中，很難滿足完全的相等關系，因此模型的訓練目的是為了盡量最小化與目標之間的誤差：minf||f(xi)-yi||。由該步驟得到的數據模型f將用于實時的行為識別中。

步驟s34，實時行為識別。

上述構建好的識別模型將會被內置于識別系統(tǒng)中，用戶將傳感器裝置穿戴在兩只腳部的外側。啟動系統(tǒng)后，在運動的過程中，距離數據采集后通過傳輸模塊發(fā)送到數據處理模塊，數據被按照步驟s31中所述的方法進行數據分割(滑動窗口分割實時距離數據)和特征提取得到x'，然后輸入數據模型f，得到最終的行為識別結果y'＝f(x')。

為了對本發(fā)明進一步詳細說明，下舉具體實施例加以詳細展示上述步驟，但是本發(fā)明不限于下述的實施方式。

步驟1，確定所要識別的行為的標準。

預先設定要識別的行為類別有6類(m＝6)，分別為靜止、走路、跑步、上樓梯、下樓梯、原地踏步。設定距離傳感器的采集頻率為f＝50hz，即每秒采集50個實時距離數據。設定數據處理的滑動窗口大小為l＝2秒，每次的移動步長為1秒。因此，在每個窗口中就有100個數據點。然后本發(fā)明提取該窗口內數據的特征：

其中，

步驟2，數據采集。本發(fā)明一共采集4名實驗者(3男1女)的數據，每個實驗者穿戴好設備后，按照要求依次做上述行為，每個行為類別持續(xù)5分鐘。并且按照上述的數據分割和特征提取方法，最后得到3374條數據(n＝3374)。

步驟3，模型訓練，生成數據模型。本發(fā)明的一個實施方案通過使用極速學習機模型(extremelearningmachine，elm)來訓練行為識別模型，elm模式是最近出現(xiàn)的一種機器學習方法，它具有計算速度快、泛化能力強的特點。

如圖2所示，elm是一個具有單隱結點層的前向神經網絡，輸入層(inputlayer)包含所有輸入神經元，每個輸入神經元對應樣本的一個特征；隱結點層(hiddenlayer)包含所有隱層神經元；輸出層(outputlayer)包含所有輸出神經元，每個輸出神經元對應多分類問題的一個類別。對于含有n個樣本的訓練集合其中樣本是一個行向量，其長度n對應著特征的個數；ti是一個行向量，其長度m對應著類別的個數，當xi的類標號為m'時，向量ti的第m'位為1，其他各位全部為0。

用單隱層前向神經網絡對該問題建模，選定輸入結點個數為n，隱層結點個數為輸出結點個數為m，激勵函數為g(a,b,x)。對每一個樣本xi，有：

其中：表示第i個隱結點到所有輸入結點之間權值組成的向量；

bi表示第i個隱結點的偏移量；

ai和bi的值隨機生成，其取值在[-1,1]之間。

表示第i個輸出結點到每一個隱結點之間的權值組成的向量；

[oi1,oi2,...,oim]表示m個輸出結點的值組成的向量。

則對于訓練集合中所有n個樣本，每個樣本均可以寫成式(4.2)的形式?？梢园阉衝個等式寫成如式(4.3)的矩陣形式：

對于訓練集合其對應的單隱層前向網絡的優(yōu)化目標是使得預測誤差趨近于0，即：即存在βi、ai和bi，使得：

上式可以采用矩陣的形式，寫的更加緊湊一些，即：hβ＝t，

其中：

按照傳統(tǒng)的方法，訓練一個單隱層前向網絡，本發(fā)明需要找到特定的β、ai、bi和使得：

ai和bi的值無需調整，只需在算法開始時隨機生成即可，那么問題就轉換為：

則該問題的最小范數二乘解為：

需要注意的是，其中在定義為是矩陣h的moor-penrose偽逆。

當用elm分類器分類新樣本x時，elm輸出結點的值可以計算如下：

其中，m是輸出結點的個數，也是分類問題中類的個數。相應的，ty就是一個含有m個值的行向量。

elm根據輸出向量決定樣本的類標號的方法為，根據elm的訓練過程可知，ty的哪個分量距離1最近，那么該分量相應的下標就是樣本x的類標號，即：

j就是樣本的類標號。

本發(fā)明驗證上述算法的分類精度和模型在不同用戶間的遷移學習能力。本發(fā)明一共采集4名實驗者(3男1女)的數據，每個實驗者穿戴好設備后，按照要求依次做上述行為，每個行為類別持續(xù)5分鐘。并且按照上述的數據分割和特征提取方法，最后得到3374條數據(＝3374)。實驗的驗證環(huán)境為win10操作系統(tǒng)，在matlabr2013a上進行仿真實驗。

對于模型的分類精度測試，本發(fā)明將3374條數據隨機分成相同的兩部分，1687條作為訓練數據，另外1687條作為測試數據。測試結果的混合矩陣如表1所示。六種行為的整體查全率為91.5％，查準率為93.2％。

表2：分類結果混合矩陣

行為識別的目的是要求多使用的行為識別系統(tǒng)和方法具有魯棒性，魯棒性的要求是對于模型訓練中所沒有涉及到的用戶也能夠有很好的行為識別效果。因此，本發(fā)明的一個具體實例就是使用“留一法”進行方法效果測試。即使用四個用戶中的三個用戶的數據訓練模型，然后用第四個用戶的數據測試模型，來驗證本發(fā)明所提出的基于低成本距離傳感器的行為識別裝置和方法能否具有魯棒的行為識別能力。本發(fā)明分別讓四個用戶的數據作為測試數據，得到的測試結果的混合矩陣如表2至表5所示。其中，用戶1的查全率為97.3％，查準率為88.2％；用戶2的查全率為94.4％，查準率為96.1％；用戶3的查全率為84.05％，查準率為85.5％；用戶4的查全率為90.4％，查準率為90.4％。

表3：用戶1的行為識別結果混合矩陣

表4：用戶2的行為識別結果混合矩陣

表5：用戶3的行為識別結果混合矩陣

表6：用戶4的行為識別結果混合矩陣

實驗結果表明，本發(fā)明所提出的基于低成本距離傳感器的行為識別裝置和方法對于日常行為具有很好的識別效果，并且方法具有很好的魯棒性，能夠適應新用戶的行為識別需求。

本發(fā)明中“魯棒”表示所提出的識別方法和系統(tǒng)針對不同人的行為進行識別的時候都有很好的識別效果，精確度穩(wěn)定，因此本發(fā)明屬于一種魯棒的行為識別方法。在具體的實施方式中，通過“留一法”驗證了這一結論。

以下為與上述方法實施例對應的系統(tǒng)實施例，本實施系統(tǒng)可與上述實施方式互相配合實施。上述施方式中提到的相關技術細節(jié)在本實施系統(tǒng)中依然有效，為了減少重復，這里不再贅述。相應地，本實施系統(tǒng)中提到的相關技術細節(jié)也可應用在上述實施方式中。

本發(fā)明還提供一種基于低成本傳感器的魯棒行為識別系統(tǒng)，其中包括：

數據采集單元，包括安裝于用戶鞋中的低成本距離傳感器，用于分別采集用戶腳到地面的實時距離數據；

數據傳輸單元，與該數據采集單元相連，用于根據滑動窗口法對該實時距離數據進行分割，生成數據集，并將該數據集無線發(fā)送至數據處理單元；

該基于低成本傳感器的魯棒行為識別系統(tǒng)，其中數據處理單元中該數據模型包括：

訓練數據采集模塊，用于采集實驗者腳部到地面的距離數據，并通過滑動窗口法對采集到的該距離數據進行分割，作為訓練距離數據；