李洪俊

（河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100）

隨著人口老齡化的加劇,越來越多的老人將需要奉養(yǎng),而我國的計(jì)劃生育政策使得許多的老人身邊沒有子女照料,隨之而來的老人獨(dú)立生活的安全等問題變得尤為突出。據(jù)估計(jì)目前全世界將近有1 800萬的人患有老年癡呆，到2025年底，這個數(shù)字可能會達(dá)到3 400萬。在這個基礎(chǔ)上，智能家居的研究就變得非常的迫切。高度智能化的家居環(huán)境能夠給空巢老人的晚年生活帶來極大的便利和安全保障。

在智能家居的研究中，活動[1]識別作為其中的一個研究課題，有著極其重要的作用。在一段時間里許多理論和算法被創(chuàng)造出來解決個人在一個空間里的被動跟蹤,行為識別等。近些年來通過使用無線設(shè)備的個人跟蹤[2-3]和基于空間上的視頻數(shù)據(jù)[4-5]，傳感器數(shù)據(jù)[6]或其他信息的活動識別取得了重要進(jìn)展。在過去的幾年里,有一些方法被用來建立模型和識別活動，如隱含馬爾科夫模型(HMM)[7]等。

CASAS智能家居項(xiàng)目是華盛頓州立大學(xué)專注于創(chuàng)造一個智能家庭環(huán)境的一個研究項(xiàng)目。卡薩斯智能家居項(xiàng)目由各種各樣的傳感器數(shù)據(jù)有運(yùn)動傳感器、光線傳感器等等。為了實(shí)現(xiàn)老年人室內(nèi)幫助(Elderly in-home assistance,EHA[8])，能夠使老年人完成日常的生活活動(ADLS)，諸如：吃飯、服藥、洗衣服、睡覺等，最重要的步驟之一就是識別單獨(dú)一個人在智能環(huán)境中執(zhí)行的活動。

1 數(shù)據(jù)采集

為了能給這些算法提供訓(xùn)練數(shù)據(jù)，我們在華盛頓州立大學(xué)的智能家居試驗(yàn)臺中測試算法，它屬于CASAS智能家居項(xiàng)目的一部分。如圖1所示，其中有3個臥室，1個浴室，1個廚房和1個起居室。在這個校園里的智能家居試驗(yàn)臺中，很多動作發(fā)生在這個智能環(huán)境里。智能環(huán)境試驗(yàn)臺里面裝有運(yùn)動傳感器、溫度傳感器和模擬傳感器。運(yùn)動傳感器分布在幾乎整個天花板上。另外溫度傳感器提供環(huán)境溫度讀數(shù)，模擬傳感器提供熱水、冷水和暖爐的讀數(shù)。接觸開關(guān)傳感器用來監(jiān)管炒菜的鍋、電話本、藥瓶的使用情況?；顒幼R別的傳感器數(shù)據(jù)是由這些定制的傳感器網(wǎng)絡(luò)采集的，并且存放在SQL數(shù)據(jù)庫中?；顒訑?shù)據(jù)是由活動觸發(fā)的傳感器序列組成，稱傳感器事件（Sensor event）。

本文中，為了給算法提供物理數(shù)據(jù)，我們招募了許多志愿者在這個智能環(huán)境里執(zhí)行一系列動作。采集到的傳感器事件被人工的標(biāo)注了活動ID。一共有10個活動，對這10個活動的編號如下：

Bed to toilet 活動編號0：起床上廁所，表示夜里起床到廁所的活動轉(zhuǎn)移。

Breakfast 活動編號1：吃早飯，表示志愿者吃早飯的日常生活活動。

Bed 活動編號2：該活動表示志愿者在床上睡覺。

Computer work 活動編號3：該活動表示志愿者在智能家居的工作空間里工作。

Dinner 活動編號4 ：該活動表示志愿者在吃晚飯的日常生活活動。

Laundry 活動編號5 ：該活動表示志愿者在使用智能空間的洗衣機(jī)洗衣服。

圖1 智能家居環(huán)境的傳感器分布Fig. 1 Sensors distribution in smart home

Leave Home 活動編號6： 該活動表示志愿者離開家。

Lunch 活動編號7： 該活動表示志愿者正在吃午飯的日常生活活動。

Night wondering 活動編號8：該活動表示志愿者在夜里游蕩散步。

Take medicine 活動編號9：該活動表示志愿者在吃藥。

2 特征值的選擇

數(shù)據(jù)搜集了幾個周的時間，相關(guān)的特征值產(chǎn)生于注釋好的傳感器數(shù)據(jù)，數(shù)據(jù)的形式如表1所示。對CASAS智能家居搜集到的數(shù)據(jù)我們用以下的特征來表示：

1)傳感器的邏輯編號 (Sensor ID)

活動觸發(fā)的傳感器的ID，不是使用原始的物理傳感器的編號，它們被映射到了標(biāo)號，標(biāo)號對應(yīng)傳感器安裝在房間里的位置。這個標(biāo)號由0到9的整數(shù)值來表示。這里使用傳感器ID的平均值來表示活動發(fā)生的中心位置。

2)時間 (Time of the day)

傳感器事件的開始時間以秒計(jì)，這個特征值的取值是0到23的整數(shù)值，對應(yīng)一天24小時。當(dāng)活動發(fā)生在0點(diǎn)到1點(diǎn)之間為0，發(fā)生在1點(diǎn)到2點(diǎn)之間為1，發(fā)生在2點(diǎn)到3點(diǎn)之間為2，發(fā)生在3點(diǎn)到4點(diǎn)之間為3，對于表1的數(shù)據(jù)，該活動的該特征值為11。

3)一周中的第幾天(The day of week）

這個特征代表了活動發(fā)生在星期幾。這個特征值的取值是0到6的整數(shù)。0表示星期一，1表示星期二，以此類推。

4)前一個活動(Previous of the activity)

這個是當(dāng)前活動發(fā)生的前一個活動。這個特征值的取值是0到9的整數(shù)，對應(yīng)10個活動的編號，表示10個活動。

5)活動長度(Activity Length )

這個特征值表示當(dāng)前活動的長度，活動長度的長短用活動期間觸發(fā)的傳感器個數(shù)來衡量。這個特征值的取值0到14，共600個活動樣本，按觸發(fā)的傳感器個數(shù)由低到高的順序排列，分成15段，每40個活動為一段，排在前40的該特征值為0，41到80的該特征值為1，以此類推，根據(jù)分段數(shù)對實(shí)驗(yàn)結(jié)果的影響，可以改變分段的選擇。

6)活動持續(xù)時間(During time)

這個特征值表示活動的持續(xù)時間，這個特征值的取值是0到9，根據(jù)活動持續(xù)時間將樣本按從低到高的順序排列，將活動的持續(xù)時間分成10段，每60個活動為一段，前60個活動該特征值為0,第61到120的活動該特征值為1，以此類推，分段數(shù)也可以按實(shí)驗(yàn)結(jié)果的好壞進(jìn)行調(diào)整。

活動的識別問題其實(shí)是一個分類問題，注釋的10個活動類就是學(xué)習(xí)問題的目標(biāo)類。

表1 學(xué)習(xí)數(shù)據(jù)Tab.1 Data used for learning

3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBFN的人類活動識別

人工神經(jīng)網(wǎng)絡(luò)的非線性映射能力非常強(qiáng), 它可以通過學(xué)習(xí)或訓(xùn)練后自動總結(jié)出數(shù)據(jù)間的函數(shù)關(guān)系而不需要任何先驗(yàn)公式, 因此是一種有效的建模手段。

徑向基神經(jīng)網(wǎng)絡(luò)RBFN是由Moody和Darken于20世紀(jì)80年代末提出的一種性能良好的前饋網(wǎng)絡(luò)。具有最佳函數(shù)逼近性能和全局最優(yōu)特性，廣泛地應(yīng)用于模式識別、分類、圖像處理、系統(tǒng)辨識、函數(shù)逼近和信號處理等方面。大部分基于反饋的多層前饋網(wǎng)絡(luò)的學(xué)習(xí)算法必須基于某種非線性優(yōu)化技術(shù)的缺點(diǎn)，計(jì)算量大、學(xué)習(xí)速度慢，而RBF神經(jīng)網(wǎng)絡(luò)不僅具有良好的推廣能力，而且計(jì)算量少，學(xué)習(xí)速度一般也比其它算法快得多。RBF神經(jīng)網(wǎng)絡(luò)由三層組成, 包括輸入層、隱含層和輸出層。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖2。輸入層將網(wǎng)絡(luò)與外界環(huán)境連接起來，隱含層的作用是從輸入空間到隱含層空間進(jìn)行非線性變換，通常具有較高的維數(shù)。輸出層則是在該新的空間中對基函數(shù)的中心進(jìn)行線性組合。

在RBF網(wǎng)絡(luò)結(jié)構(gòu)中，X=[x1, x2,…,xn]T∈Rn為網(wǎng)絡(luò)的n維輸入向量。設(shè)RBF網(wǎng)絡(luò)隱藏層的徑向基向量

H=[h1, h2,…,hm]T其中hj為高斯基函數(shù)，即：

公式中，網(wǎng)絡(luò)第i個節(jié)點(diǎn)的中心向量為Ci=[ci1, ci2,…,cin]T,i=1,2,3,…,m,Ci為與X同維的中心向量。m為徑向基層神經(jīng)元數(shù)。

設(shè)網(wǎng)絡(luò)的基寬向量為B=[b1, b2,…,bn]T, bi為節(jié)點(diǎn)i的基寬參數(shù)，且為大于零的數(shù)。RBF網(wǎng)絡(luò)輸入層到隱含層的權(quán)值為1.0；網(wǎng)絡(luò)隱含到輸出層權(quán)向量為

圖2 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig. 2 RBF neural network structure

RBF神經(jīng)網(wǎng)絡(luò)的第n個節(jié)點(diǎn)的輸出為：

RBF網(wǎng)絡(luò)逼近的性能指標(biāo)函數(shù)為

根據(jù)梯度下降法，輸出權(quán)、節(jié)點(diǎn)基寬參數(shù)及節(jié)點(diǎn)中心矢量的迭代算法如下

式中，η為學(xué)習(xí)速率, α為動量因子η∈[0,1], α∈[0,1] 。

RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的本質(zhì)是修改隱藏層到輸出層的權(quán)值,隱藏層節(jié)點(diǎn)的基寬參數(shù)和中心矢量使得誤差接近目標(biāo)值。

4 實(shí)驗(yàn)結(jié)果

在本文中RBF神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為6，分別對應(yīng)活動數(shù)據(jù)的6個特征值。將6個特征值歸一化后作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入。輸出節(jié)點(diǎn)數(shù)為10，分別對應(yīng)10個活動。隱藏層節(jié)點(diǎn)數(shù)為20。為了簡化計(jì)算過程，學(xué)習(xí)速率和動量因子取相同的值， 取為0.9， 取為0.000 2。訓(xùn)練的樣本數(shù)據(jù)來自于CASAS智能公寓試驗(yàn)臺的55天，10個活動共600個實(shí)例和647 485個運(yùn)動傳感器事件。

文中使用了交叉驗(yàn)證的方法，即在給定的建模樣本中，拿出大部分樣本進(jìn)行建模型，留小部分樣本用剛建立的模型進(jìn)行預(yù)報(bào)，并求這小部分樣本的預(yù)報(bào)誤差，記錄它們的平方加和。這個過程一直進(jìn)行，直到所有的樣本都被預(yù)報(bào)了一次而且僅被預(yù)報(bào)一次。把每個樣本的預(yù)報(bào)誤差平方加和，稱為PRESS(predicted Error Sum of Squares)。3折交叉驗(yàn)證，把訓(xùn)練數(shù)據(jù)平均分成3份，其中2份作為訓(xùn)練樣本，剩下1份作為測試樣本,直到每個活動樣本實(shí)例都作為測試樣本測試一次而且僅被測試一次。

實(shí)驗(yàn)結(jié)果如表格2中所示。總的樣本個數(shù)為600，其中RBF神經(jīng)網(wǎng)絡(luò)有522個活動實(shí)例判斷正確，78個樣本實(shí)例判斷錯誤，總的準(zhǔn)確率為0.870。其中活動0總共有30個樣本實(shí)例，活動1總共有48個樣本實(shí)例，活動2總共有207個樣本實(shí)例，活動3總共有46個樣本實(shí)例，活動4總共有42個樣本實(shí)例，活動5總共有10個樣本實(shí)例，活動6總共有69個樣本實(shí)例，活動7總共有37個樣本實(shí)例，活動8總共有67個樣本實(shí)例，活動9總共有44個樣本實(shí)例。結(jié)果表明徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的判別效果在8個活動上比隱含馬爾科夫模型要更好。RBF神經(jīng)網(wǎng)絡(luò)的在活動0，活動1，活動2，活動3，活動4，活動5，活動7，活動8上的識別率比隱含馬爾科夫模型要高。而只有在活動6上的活動的識別率RBF神經(jīng)網(wǎng)絡(luò)的識別率比隱含馬爾科夫模型低?？梢钥闯龈[含馬爾科夫模型相比RBF神經(jīng)網(wǎng)絡(luò)能夠更有效的進(jìn)行活動的識別。

表2 實(shí)驗(yàn)結(jié)果比較Tab.2 Experimental results comparing

5 結(jié) 論

這篇文章中采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)被用來進(jìn)行人類活動的識別，為了得到一個直觀的觀察，我們把它和隱含馬爾科夫模型的識別結(jié)果進(jìn)行比較。通過該實(shí)驗(yàn)結(jié)果，很容易看出選擇合適的參數(shù)和特征量，RBF神經(jīng)網(wǎng)絡(luò)的人類活動識別比隱含馬爾科夫模型的識別率要更好。

[1] CHEN Li-ming,Nugent C D,WANG Hui.A knowledge-driven approach to activity recognition in smart homes[J].IEEE Transactions On Knowledge and Data Engineering,June 2012,24(6):961-974.

[2] Cook D J,SONG Wen-zhan.Ambient intelligence and wearable computing:Sensors on the body,in the home, and beyond[J].Journal of Ambient Intelligence and Smart Environments,2009(1):1-4.

[3] Priyantha N,Chakraborty A,Balakrishnan H.The cricket location support system[C]//Proc.6th Ann. International Conference on Mobile Computing and Networking,2000:32-43 .

[4] Brezeale D,Cook D J,Automatic video classification:a survey of the literature[J].IEEE Transactions On Systems,Man,and Cybernetics—Part C: Applications and Reviews,2008,38(3):416-430.

[5] Intille S S,Designing a home of the future[J].IEEE Pervasive Computing,2002(1):80-86.

[6] Crandall A S,Cook D J,Coping with multiple residents in a smart environment[J]. Journal of Ambient Intelligence and Smart Environments, 2009(1):323-334.

[7] Cuntoor N P,Yegnanarayana B,Chellappa R.Activity modeling using event probability sequences[J].IEEE Trans.Image Proc,2008,17(4):594-607.

[8] ZHOU Feng,Jianxin (Roger) Jiao, CHENG Song-lin, et al.A case-driven ambient intelligence system for elderly in-home assistance applications[J].IEEE Transactions On Systems,Man,and Cybernetics—Part C:Applications and Reviews,2011,41(2):179-189.