一種基于模糊支持向量機的行為識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及行為識別技術(shù)領(lǐng)域，具體來說涉及一種基于模糊支持向量機的人體行 為識別方法。
【背景技術(shù)】
[0002] 近年來，健康成為人們關(guān)注的熱點，對人體行為進(jìn)行識別與監(jiān)測，可以間接的估算 人的活動量，對于異常行為（比如跌倒）的識別可以很好的處理一些意外的情況，尤其對于 老人而言。通過對人體的行為的識別也可以間接的獲取被監(jiān)測者的某些生活習(xí)慣，由此可 以獲得人體更多的生理狀況。
[0003] 傳統(tǒng)的人體行為識別是基于圖像圖形的方式，雖然基于圖像的人體行為識別技術(shù) 發(fā)展比較早，理論比較成熟，但是基于圖像的人體行為識別技術(shù)存在著不足，主要表現(xiàn)在圖 形處理算法較復(fù)雜、硬件成本較高、應(yīng)用場景有限、準(zhǔn)確率不高等問題上。
[0004] 基于傳感器的人體行為識別，具有十分明顯的優(yōu)勢，主要表現(xiàn)在，可以自由的獲取 人體日常行為數(shù)據(jù)，可以方便的攜帶在被測者身上等上。
[0005] 對于基于傳感器的人體行為識別技術(shù)，應(yīng)用的主要的分類算法有KNN算法、決策 樹算法、SVM、極速學(xué)習(xí)機算法。
[0006] KNN算法，存在計算和存儲開銷大；分類速度慢，大樣本數(shù)據(jù)下存在高維災(zāi)難問 題，且分類的精度低，無法消除噪聲點和孤立點的影響。
[0007] 決策樹算法，雖然計算速度快，運算量小，但是類別太多時，錯誤增加比較快。
[0008] 神經(jīng)網(wǎng)絡(luò)算法，具有相對較快的學(xué)習(xí)速度，但是其泛化性能卻不是很理想。
[0009] 極速學(xué)習(xí)機算法，是一種新型學(xué)習(xí)方法和工具，具有求解速度快、學(xué)習(xí)精度高等特 點，但是其學(xué)習(xí)能力卻建立在大量隱層節(jié)點的消耗上。
[0010] SVM，支持向量機是基于結(jié)構(gòu)風(fēng)險最小化原則，保證了良好的泛化能力。因此，支持 向量機在模式識別、回歸分析、函數(shù)估計、時間序列預(yù)測等領(lǐng)域得到廣泛的應(yīng)用。但是，由支 持向量機理論分析可知，支持向量機分類超平面容易受到噪聲點和孤立點的影響，從而導(dǎo) 致降低分類的精確度。
[0011] 由上面分析可知，各種分類方法都存在各自的優(yōu)勢和劣勢，調(diào)查分析顯示，目前， 對于基于傳感器的行為識別，多使用SVM以及SVM的改進(jìn)算法。

【發(fā)明內(nèi)容】

[0012] 針對上面提到的問題，本發(fā)明采用一種基于模糊支持向量機的行為識別方法，將 模糊理論與支持向量機理論融合，目的在于消除噪聲點和孤立點對分類效果的影響，提高 分類的精確度。
[0013] 為實現(xiàn)上述目的，本發(fā)明具體內(nèi)容包括：
[0014] Sl、采用三軸加速度計采集數(shù)據(jù)，對合成加速度提取特征值，特征值包括：均值、 方差、能量、三維數(shù)據(jù)中任意兩維數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)，表示如下S= {Sl，S2，…，sn}，S = It1, t2, t3, t4, t5, t6}，式中η表示總的樣本點數(shù)，且能對采集的特征值進(jìn)行歸一化處理，消除 '大數(shù)吃小數(shù)'的問題；
[0015] S2、計算每一類的類中心，計算公式如η
【主權(quán)項】
1. 一種基于模糊支持向量機的行為識別方法，其特征在于，所述方法包括： 51、 采用=軸加速度計采集數(shù)據(jù)，對合成加速度提取特征值，特征值包括：均值、方 差、能量、S維數(shù)據(jù)中任意兩維數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)，表示如下S = (Si，S2,…，S。}，S = (ti，t,，t3, t4, tg，tj，式中n表示總的樣本點數(shù)，并對樣本特征集進(jìn)行歸一化處理； 52、 計算每一類的類中屯、，計算公式如下a = A +& +A，1表示該一類的樣本點數(shù)， 在計算每一類中樣本點到類中屯、的歐氏距離時，需根據(jù)歐式距離算取每一個樣本點對所屬 類別的隸屬度； 53、 采用模糊支持向量機實現(xiàn)分類和識別。
2. 根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機的行為識別方法，其特征在于，采 用=軸加速度計采集數(shù)據(jù)，對合成加速度進(jìn)行特征提取，提取的特征值包含有；均值、方差、 能量、=維數(shù)據(jù)中任意兩維數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)，并對獲得的特征值進(jìn)行歸一化處理，歸一 化處理的公式如下：
3. 根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機的行為識別方法，其特征在于，計 算每一類的類中屯、，分別算取每一類中的樣本點與類中屯、的歐氏距離，根據(jù)歐式距離計算 每一個樣本點隸屬于該一類的隸屬度，其歐氏距離計算公式如下：
式中A取2,在采用基于樣本之間緊密度的隸屬度的計算方法時，樣本之間的緊密度 的算取方法如下：
式中，a為類中屯、，C是懲罰因子，且通過算去R的大小來表示樣本之間的緊密度；通過 緊密度來算去隸屬度，隸屬度算去方法如下：
4. 根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機的行為識別方法，其特征在于，將 預(yù)處理過的樣本集對模糊支持向量機進(jìn)行分類訓(xùn)練得到一個分類模型，在在線識別階段， 將采集到的樣本點輸入到分類模型得到分類結(jié)果。


5.根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機的行為識別方法，其特征在于，對 于模糊支持向量機的訓(xùn)練，采用多層分類模型：首先、將行為分為相對靜止不動（靜止站 立、靜坐）類和動作類，構(gòu)建一個而分類模糊分類模型；其次，對動作類中正常行為和異常 行為進(jìn)行分類模型的構(gòu)造，異常行為主要是跌倒行為的識別；最后，采用多分類模型將正常 行為分為；站立、走、跑、上下樓梯。
【專利摘要】本發(fā)明采用模糊支持向量機實現(xiàn)對人體各種行為(包括正常的行為，比如站立、走、跑步、上下樓梯以及異常行為，比如跌倒等)的識別，主要用于消除樣本點中孤立點和噪聲點對分類效果的影響，提高對行為識別的精確率。本發(fā)明實現(xiàn)對行為識別的主要內(nèi)容有：其一，采用三軸加速度計實現(xiàn)對行為數(shù)據(jù)的采集，獲得X軸加速度、Y軸加速度、Z軸加速度。采用合成加速度提取特征值，分別提取合成加速度的均值、方差、能量以及三維數(shù)據(jù)中任意兩維之間的關(guān)聯(lián)系數(shù)，獲得一個六維的特征向量。其二，計算每一個樣本點對所屬類別的隸屬度。其三，采用模糊支持向量機實現(xiàn)分類模型的構(gòu)造。其四，在線階段實現(xiàn)對人體行為的識別。
【IPC分類】G06K9-62, G06K9-00
【公開號】CN104598880
【申請?zhí)枴緾N201510011414
【發(fā)明人】唐承佩, 張明, 李海良, 劉友檸, 譚杜康
【申請人】中山大學(xué), 中山大學(xué)深圳研究院
【公開日】2015年5月6日
【申請日】2015年3月6日