融合關(guān)聯(lián)性的多任務(wù)壓縮感知行為識(shí)別方法*

段夢(mèng)琴，李仁發(fā)，黃晶

(湖南大學(xué)嵌入式與網(wǎng)絡(luò)計(jì)算湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410082)

摘要：基于傳感器的人體行為識(shí)別是一個(gè)新興研究領(lǐng)域，作為物聯(lián)網(wǎng)的一項(xiàng)重要應(yīng)用，在醫(yī)療監(jiān)護(hù)、助老助殘、智能辦公/家居等方面有著廣闊的應(yīng)用前景。識(shí)別率是行為識(shí)別的一個(gè)重要衡量指標(biāo)，而特征和分類算法又是影響識(shí)別率的兩個(gè)重要因素。提取了基于多傳感器行為識(shí)別架構(gòu)的關(guān)聯(lián)特征，并引入壓縮感知和稀疏表示理論，提出一種多任務(wù)壓縮感知行為識(shí)別方法。最后，在基準(zhǔn)數(shù)據(jù)庫(kù)上采用個(gè)體無關(guān)的留一驗(yàn)證方法進(jìn)行了大量實(shí)驗(yàn)，結(jié)果表明所提出的融合關(guān)聯(lián)性的多任務(wù)壓縮感知行為識(shí)別方法能有效提升行為識(shí)別率，與對(duì)應(yīng)的單任務(wù)行為識(shí)別方法相比，識(shí)別速度提高約56% 。

關(guān)鍵詞：機(jī)器學(xué)習(xí)； 物聯(lián)網(wǎng)；體域網(wǎng)；行為識(shí)別；特征提取

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

doi:10.3969/j.issn.1007-130X.2015.06.007

收稿日期：*2014-02-25;修回日期：2014-05-22

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61173036，61272061)；湖南省科技計(jì)劃資助項(xiàng)目( 2014GK3009)

作者簡(jiǎn)介:

通信地址：410082 湖南省長(zhǎng)沙市湖南大學(xué)嵌入式網(wǎng)絡(luò)計(jì)算實(shí)驗(yàn)室

Address:Laboratory of Embedded Systems & Networking,Hunan University,Changsha 410082,Hunan,P.R.China

Fusingcorrelationbasedmulti-taskcompressivesensingforactivityrecognition

DUANMeng-qin,LIRen-fa,HUANGJing

(LaboratoryofEmbeddedSystems&Networking,HunanUniversity,Changsha410082,China)

Abstract:Sensor-based human activity recognition is an emerging research field. It is an important application of Internet of Things (IoT), and has very promising application prospects in health care/recovery, elder/invalid people assistant, smart home/office, etc. Accuracy is one of the most important evaluation standards of activity recognition, and appropriate features and classifiers are important accuracy factors. We first extract a novel feature called correlation feature. By combining the theory of compressive sensing and sparse representation, we propose a multi-task compressive sensing method and use it as the classifier to resolve the problem of activity recognition. Finally, we conduct a large amount of experiments on a set of benchmarks with Leave-One-Subject-Out cross validation. Experimental results show that the extracted feature and the proposed method are effective in improving the accuracy of sensor-based activity recognition. Moreover, compared to the corresponding single task method, the proposed classifier can reduce the execution time by nearly 56%.

Keywords:machinelearning;InternetofThings;bodyareanetwork;activityrecognition;featureextraction

1引言

近年，人體行為識(shí)別(ActivityRecognition)受到了社會(huì)各界的關(guān)注，成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，并且在智能家居、醫(yī)療保健、老人/病人監(jiān)護(hù)等方面具有廣泛的應(yīng)用前景。隨著電子、通信技術(shù)的發(fā)展，傳感器在日常生活中得到了廣泛應(yīng)用。基于傳感器的行為識(shí)別作為物聯(lián)網(wǎng)的一項(xiàng)重要應(yīng)用，成為一個(gè)備受關(guān)注的新興研究領(lǐng)域。與基于視覺的行為識(shí)別相比，它具有分布范圍廣、不具侵?jǐn)_性等特點(diǎn)，因而獲得了學(xué)術(shù)和工業(yè)界更深度的認(rèn)可。通過捆綁在身體上一個(gè)或多個(gè)傳感器節(jié)點(diǎn)構(gòu)成的無線體域網(wǎng)(WirelessBodySensorNetwork)[1]來獲取人體運(yùn)動(dòng)信號(hào)，進(jìn)而通過信號(hào)識(shí)別出運(yùn)動(dòng)者行為。2013年9月，Intel發(fā)布了一款名叫Quark的芯片，該款芯片專門用于物聯(lián)網(wǎng)技術(shù)和可穿戴計(jì)算[2]，它將進(jìn)一步推進(jìn)基于傳感器行為識(shí)別研究發(fā)展。

基于傳感器行為識(shí)別工作主要包括以下幾個(gè)方面：(1)構(gòu)建實(shí)時(shí)行為識(shí)別系統(tǒng)[3,4];(2)建立行為識(shí)別數(shù)據(jù)庫(kù)[5,6];(3)改進(jìn)模式識(shí)別或機(jī)器學(xué)習(xí)的分類方法[7,8];(4)提取新的有效的傳感器數(shù)據(jù)特征[9.10]和提出解決傳感器功耗問題的方法[11,12]。目前，絕大多數(shù)基于傳感器行為識(shí)別研究圍繞其中的一個(gè)或者多個(gè)問題進(jìn)行研究?；趥鞲衅餍袨樽R(shí)別跟基于計(jì)算機(jī)視覺的行為識(shí)別有著相似的地方，都是主要采用模式識(shí)別或機(jī)器學(xué)習(xí)的分類方法，如決策樹DT(DecisionTree)、人工神經(jīng)網(wǎng)絡(luò)ANN(ArtificialNeuralNetwork)、支持向量機(jī)SVM(SupportVectorMachines)、近鄰算法NN(NearestNeighbor)等。常見基于傳感器行為識(shí)別采用的主要是時(shí)頻域特征，包括均值、方差、頻譜等[13,14]，很少專門針對(duì)傳感器行為識(shí)別的特征，與圖像特征相比略顯單一。此外，基于傳感器的行為識(shí)別需要考慮整個(gè)識(shí)別系統(tǒng)功耗及系統(tǒng)使用壽命問題。

目前，基于傳感器的行為識(shí)別工作已有些突出性的成果投入市場(chǎng)。2011年，著名的藍(lán)牙耳機(jī)和揚(yáng)聲器廠商Jawbone發(fā)布了腕帶設(shè)備Jawboneup(如圖1a所示)，該設(shè)備可以跟蹤用戶日常活動(dòng)、睡眠情況、飲食習(xí)慣等數(shù)據(jù)。2013年3月，谷歌在美國(guó)SXSW互動(dòng)大會(huì)上展示了一款“會(huì)說話的鞋子”(如圖1b所示)，這是谷歌推出的第二款可穿戴設(shè)備，“鞋子”通過實(shí)時(shí)感知用戶運(yùn)動(dòng)狀態(tài)，識(shí)別用戶運(yùn)動(dòng)情況，連接智能手機(jī)做出相應(yīng)的反應(yīng)[15]，2014年3月，該大會(huì)中依舊展出了幾款可穿戴設(shè)備。2013年11月，日本電器股份有限公司NEC發(fā)布了一種通過弱無線電波來準(zhǔn)確偵測(cè)目標(biāo)形狀、人或物體運(yùn)動(dòng)軌跡的檢測(cè)裝置，如圖1c所示。這種裝置應(yīng)用于NEC公司專門開發(fā)的可鋪設(shè)于地面的片狀傳感器，通過該片狀傳感器可以檢測(cè)目標(biāo)物體或人群的一大情況?？梢缘谝粫r(shí)間發(fā)現(xiàn)無人處摔倒的老人或患者，并且可以很好地保護(hù)大眾隱私安全問題[16]。

Figure 1　Applications of sensor-based activity recognition 圖1　基于傳感器行為識(shí)別應(yīng)用

雖然，基于傳感器行為識(shí)別已經(jīng)開始投入使用，其中仍存在若干亟待解決的問題。本文主要針對(duì)基于傳感器行為識(shí)別研究中，絕大多數(shù)特征為傳統(tǒng)的信號(hào)處理通用特征，缺乏專門針對(duì)基于傳感器行為識(shí)別的特征和分類方法局限于模式識(shí)別或機(jī)器學(xué)習(xí)算法兩個(gè)方面展開研究，以達(dá)到提升行為識(shí)別系統(tǒng)性能的目的。

論文接下來組織如下：第2節(jié)詳細(xì)介紹了所提出關(guān)聯(lián)特征和多任務(wù)壓縮感知方法，并引出了一種針對(duì)多任務(wù)的特征選擇方式。第3節(jié)在公開數(shù)據(jù)集上驗(yàn)證了所提取特征和分類方法的有效性。第4節(jié)對(duì)整篇論文進(jìn)行總結(jié)，并給出了將來的研究方向。

2解決方案

目前，基于傳感器行為識(shí)別的研究已經(jīng)取得一些進(jìn)展和成果，但依然存在很多問題需要研究解決。針對(duì)當(dāng)前用于傳感器行為識(shí)別特征主要為傳統(tǒng)數(shù)字信號(hào)的時(shí)頻域特征問題，論文提出了一種基于多傳感器信息的關(guān)聯(lián)特征。傳感器網(wǎng)絡(luò)能耗集中在信息的接收、發(fā)送和監(jiān)聽方面，而本文中關(guān)聯(lián)特征是從已有傳感器信息中獲取，不需要系統(tǒng)傳輸額外數(shù)據(jù)，這也就避免了信息傳輸過程中額外功耗問題。此外，目前絕大多數(shù)基于傳感器行為分類方法為機(jī)器學(xué)習(xí)算法，論文引入信號(hào)處理方法中的壓縮感知理論，結(jié)合稀疏表示，提出了一種基于多任務(wù)的壓縮感知MTCS(Multi-TaskCompressiveSensing)行為識(shí)別方法，該算法能充分利用傳感器數(shù)據(jù)的稀疏性。

2.1基于多傳感器信息的關(guān)聯(lián)特征提取

特征提取是通過對(duì)數(shù)據(jù)進(jìn)行處理來獲取更多有用信息的過程。而這些有用的信息對(duì)行為識(shí)別至關(guān)重要。在基于傳感器行為識(shí)別研究中，大多數(shù)研究人員使用時(shí)域特征和頻域特征，如均值、方差、標(biāo)準(zhǔn)差、頻譜等。很少有人考慮不同位置傳感器數(shù)據(jù)之間的關(guān)系性。文獻(xiàn)[17]指出在信號(hào)處理過程中不僅僅可以利用信號(hào)的稀疏性，而且還可以利用信號(hào)間的相關(guān)性。關(guān)聯(lián)特征是對(duì)多個(gè)傳感器數(shù)據(jù)進(jìn)行融合獲取的。當(dāng)行為發(fā)生時(shí)，位于身體不同位置的傳感器數(shù)據(jù)之間存在差異，而且對(duì)于不同動(dòng)作而言，這種差異也是不一樣的，即相同傳感器節(jié)點(diǎn)之間對(duì)應(yīng)不同動(dòng)作時(shí)其相關(guān)性不一樣。例如，人在行走跟站立不動(dòng)兩種狀態(tài)下，位于手腕與腳腕傳感器數(shù)據(jù)的差異是不一樣的。關(guān)聯(lián)特征是從已有數(shù)據(jù)中提取的，不需要額外傳輸數(shù)據(jù)，避免了額外數(shù)據(jù)傳輸能耗問題。

兩個(gè)運(yùn)動(dòng)向量之間相關(guān)性如式(1)所示：

(1)

Figure 2　Scatter plot in 2D feature space 圖2　二維特征空間中行為區(qū)分

不可否認(rèn)，單一特征無法區(qū)分所有行為。如圖2所示，橫軸表示關(guān)聯(lián)特征空間，縱軸表示常見的特征空間，如均值、偏度、峰度等。從圖2a中可以看出，給定的兩種特征都無法區(qū)分所有行為。行為站與坐屬于靜態(tài)動(dòng)作，易混淆。從圖2b中可以看出，關(guān)聯(lián)特征對(duì)站與坐這兩種動(dòng)作區(qū)分性較好。而均值特征對(duì)這兩種行為區(qū)分性很差，幾乎無法區(qū)分這兩類動(dòng)作。同樣，在應(yīng)對(duì)三類或四類動(dòng)作時(shí)，關(guān)聯(lián)特征依舊具有較好區(qū)分性，如圖2c和圖2d所示，驗(yàn)證了關(guān)聯(lián)特征的有效性。為了簡(jiǎn)化計(jì)算，本文采用兩個(gè)不同位置傳感器數(shù)據(jù)之差作為關(guān)聯(lián)特征添加到已有數(shù)據(jù)集中，組成新的特征向量進(jìn)行行為識(shí)別。兩個(gè)傳感器數(shù)據(jù)的差值能充分反映不同行為兩傳感器數(shù)據(jù)之間差異的變化。如圖3所示， x軸為每個(gè)傳感器節(jié)點(diǎn)在一個(gè)時(shí)刻點(diǎn)采集的五個(gè)值， y軸為采集數(shù)據(jù)值的大小，圖3中13條線條代表13種不同的動(dòng)作。其中，圖3a為傳感器節(jié)點(diǎn)5的數(shù)據(jù)表示；圖3b為傳感器節(jié)點(diǎn)1的數(shù)據(jù)表示；圖3c為傳感器節(jié)點(diǎn)1和5的數(shù)據(jù)之差，可以明顯看出圖3c中的13條曲線的稀疏性大于圖3a和圖3b。13條曲線的稀疏性在一定程度上反映的是數(shù)據(jù)對(duì)行為的區(qū)分性，主要原因?yàn)橐话闱闆r，若某個(gè)特征值對(duì)所有的行為而言都是一樣，那就意味著該特征對(duì)于行為的區(qū)分沒有意義；反之，若特征值對(duì)若干行為而言，值不一樣，而且，差異越大越有利于行為區(qū)分。

Figure 3　Comparison of correlation data 圖3　關(guān)聯(lián)數(shù)據(jù)對(duì)比

2.2基于多任務(wù)的壓縮感知方法(MTCS)

行為動(dòng)作可以由捆綁在身體上的傳感器節(jié)點(diǎn)獲取的數(shù)據(jù)表示。一個(gè)傳感器數(shù)據(jù)的子集代表一個(gè)行為動(dòng)作，則L個(gè)傳感器節(jié)點(diǎn)數(shù)據(jù)構(gòu)成一個(gè)動(dòng)作空間。

假定共有L個(gè)傳感器節(jié)點(diǎn)用于測(cè)量m種日常行為動(dòng)作，傳感器節(jié)點(diǎn)i在t時(shí)刻所采集到的K個(gè)數(shù)據(jù)值構(gòu)成的一維動(dòng)作觀測(cè)向量記為：

(2)

每個(gè)動(dòng)作序列由節(jié)點(diǎn)i在時(shí)長(zhǎng)h內(nèi)獲取的數(shù)據(jù)表示為:

(3)

由傳感器節(jié)點(diǎn)i獲取的第j類動(dòng)作對(duì)應(yīng)訓(xùn)練集中所有一維運(yùn)動(dòng)向量構(gòu)成的字典集表示為：

(4)

將整個(gè)訓(xùn)練集中m類動(dòng)作向量串聯(lián)起來，得到傳感器節(jié)點(diǎn)i對(duì)應(yīng)的字典集vi。

(5)

結(jié)合L個(gè)傳感器節(jié)點(diǎn)數(shù)據(jù)，得到整體行為數(shù)據(jù)集v。

(6)

文獻(xiàn)[18]驗(yàn)證了傳感器所獲取的運(yùn)動(dòng)數(shù)據(jù)是稀疏的，且行為數(shù)據(jù)的獲取是通過多個(gè)傳感器節(jié)點(diǎn)實(shí)現(xiàn)的。因此，引入多任務(wù)壓縮感知(MTCS)方法作為行為識(shí)別分類器。

分別將所有傳感器節(jié)點(diǎn)運(yùn)動(dòng)向量看成是單個(gè)任務(wù)，另外，將2.1節(jié)中獲取的關(guān)聯(lián)特征數(shù)據(jù)也看成獨(dú)立任務(wù)，得到如表達(dá)式(7)所示的多任務(wù)數(shù)據(jù)模型。

(7)

在沒有提取關(guān)聯(lián)特征情況下，公式(7)中的N=L;當(dāng)提取關(guān)聯(lián)特征，并將提取的關(guān)聯(lián)特征加入到原有數(shù)據(jù)集時(shí),N>L。

假定用于測(cè)試的行為屬于第k類，則有近似的線性方程組表示如下：

(8)

在求解一個(gè)待識(shí)別的動(dòng)作的時(shí)候，利用稀疏表達(dá)分類方法可以將待求解問題轉(zhuǎn)換成多元線性回歸模型?？紤]到實(shí)際測(cè)量過程中存在不可避免的誤差，可表示如下：

(9)

其中,εi(i=1,2,3,…)為噪聲值。

行為識(shí)別架構(gòu)如圖4所示。該架構(gòu)具有便于并行處理的優(yōu)勢(shì)。

Figure 4　Framework of multi-task activity recognition 圖4　多任務(wù)行為識(shí)別框架

根據(jù)壓縮感知理論可知，只要數(shù)據(jù)夠稀疏，可以將問題轉(zhuǎn)換成二次約束條件下最優(yōu)l1范數(shù)進(jìn)行求解。

αi=argmin‖αi‖1

(10)

(11)

其中，ri為任務(wù)i的殘差值向量。

共有m類動(dòng)作，在行為識(shí)別過程中，每個(gè)行為解析殘差向量將對(duì)應(yīng)m個(gè)殘差值，最終，將待求解行為分類到殘差值最小的類別。在處理多任務(wù)識(shí)別結(jié)果時(shí)，很多研究人員傾向使用MajorityVoting[19]方法，在眾多識(shí)別結(jié)果中找出得票最高的類別作為最終識(shí)別結(jié)果。但是，實(shí)驗(yàn)結(jié)果顯示該方法存在一定局限，例如：不同的任務(wù)具有不同的行為識(shí)別能力，如表1所示，當(dāng)傳感器數(shù)目L=5，行為數(shù)目m=13，傳感器節(jié)點(diǎn)數(shù)據(jù)數(shù)目K=5時(shí)，在特征向量大小一致情況下，傳感器節(jié)點(diǎn)1～5的行為識(shí)別率是不同的，驗(yàn)證了不同任務(wù)對(duì)行為識(shí)別能力存在差異。圖5給出的是傳感器節(jié)點(diǎn)1～5的數(shù)據(jù)對(duì)13種行為的識(shí)別率?？梢悦黠@看出，不同傳感器節(jié)點(diǎn)數(shù)據(jù)對(duì)不同行為區(qū)分差異明顯，差別可以從99%到30%不等。采用MajorityVoting方法的缺點(diǎn)是存在強(qiáng)制性，多數(shù)派可以把意愿強(qiáng)加于少數(shù)派。例如：任務(wù)i對(duì)行為j的識(shí)別率為99%，而其他任務(wù)對(duì)該行為的識(shí)別率偏低，這勢(shì)必導(dǎo)致最終結(jié)果偏差。此外，實(shí)驗(yàn)結(jié)果顯示，采用MajorityVoting方法、得到的識(shí)別率為88.77%，而采用多個(gè)任務(wù)殘差之和求解多任務(wù)識(shí)別率可以達(dá)到91.77%，因此本文在多任務(wù)結(jié)果融合過程中采用多個(gè)任務(wù)殘差之和的方法。

Table 1　Activity recognition accuracy of sensor node 1～5

Figure 5　Recognition accuracy of sensor node 1～5 for 13 actions 圖5　1～5號(hào)傳感器節(jié)點(diǎn)數(shù)據(jù)對(duì)應(yīng)13種行為的識(shí)別率

所提出的方法中包括四個(gè)通用變量：傳感器數(shù)L、行為數(shù)目m、傳感器節(jié)點(diǎn)包含數(shù)據(jù)數(shù)目K和采樣時(shí)長(zhǎng)h。整個(gè)行為識(shí)別實(shí)現(xiàn)詳細(xì)過程如下：

步驟4通過求解最小化l1范數(shù)下的優(yōu)化問題得到稀疏系數(shù)。

步驟5計(jì)算殘差，融合多個(gè)任務(wù)殘差結(jié)果，選擇多個(gè)任務(wù)殘差和最小的類別作為最終識(shí)別結(jié)果。

2.3基于多任務(wù)的特征選擇

在行為識(shí)別過程中，并不是所有的特征都對(duì)行為識(shí)別有效，特征選擇不僅僅可以找出更有用的特征，而且可以降低數(shù)據(jù)維度，解決大數(shù)據(jù)帶來的維度災(zāi)難，簡(jiǎn)化計(jì)算模型。

Relief算法是一種特征權(quán)重算法，最先由Kira K和Rendell L A[20]在1992年提出，根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重，權(quán)重小于某個(gè)閾值的特征將被移除。該算法局限于兩類數(shù)據(jù)的分類問題。1994年Kononenko I[21]改進(jìn)了Relief算法，提出Relief-F算法。Relief-F算法突破Relief算法的缺陷，能解決多類分類問題。由于該算法具有較低時(shí)間開銷，并且在很多模式識(shí)別和機(jī)器學(xué)習(xí)問題中效果良好，受到眾多學(xué)者喜歡。因此，論文采用Relief-F作為特征選擇算法。

一般情況下，研究人員更傾向于對(duì)所有數(shù)據(jù)進(jìn)行一次性特征選擇，即將所有用于識(shí)別的數(shù)據(jù)存儲(chǔ)在一個(gè)特征向量中，然后用特征選擇方法對(duì)特征進(jìn)行選擇。每個(gè)特征具有一個(gè)特征權(quán)值，通過選擇權(quán)值較大的n個(gè)特征組成新的特征向量，最后轉(zhuǎn)換成多任務(wù)模型對(duì)數(shù)據(jù)進(jìn)行分類或識(shí)別。然而,該種方法沒有充分考慮不同位置傳感器數(shù)據(jù)對(duì)行為區(qū)分度的差異性，即處于不同位置的傳感器節(jié)點(diǎn)對(duì)行為特征的權(quán)值不一樣?？紤]傳感器節(jié)點(diǎn)分布異構(gòu)性，本文將多任務(wù)對(duì)應(yīng)多個(gè)特征向量，對(duì)每個(gè)特征向量進(jìn)行特征選擇，每個(gè)特征向量選擇權(quán)值較大的n個(gè)特征，最后對(duì)多任務(wù)進(jìn)行分類或識(shí)別。圖6給出的是20組測(cè)試數(shù)據(jù)采用兩種不同的特征選擇方法得到的行為識(shí)別情況。采用多任務(wù)壓縮感知分類方法(MTCS)，每個(gè)任務(wù)具有40個(gè)特征?？梢悦黠@看出，對(duì)于不同位置傳感器數(shù)據(jù)按照不同權(quán)值向量進(jìn)行特征選擇得到的結(jié)果優(yōu)于按照相同權(quán)值向量進(jìn)行特征選擇的結(jié)果。另外，第二組測(cè)試數(shù)據(jù)識(shí)別效果明顯差于其他幾組，主要原因是20個(gè)志愿者中除了第二名志愿者年齡為75，其余19位志愿者年齡皆位于19～36。

Figure 6　Error recognition rate of 20 groups of individual data in different feature selection ways 圖 6　不同特征選擇方式下20組個(gè)體數(shù)據(jù)誤識(shí)率

3實(shí)驗(yàn)結(jié)果

所有實(shí)驗(yàn)運(yùn)行在奔騰雙核E6700，CPU主頻為3.2 GHz、內(nèi)存為2 GB的PC機(jī)上，采用Matlab 2013作為仿真工具。

本文采用加州伯克利大學(xué)Yang A等人[22]提供的可穿戴行為識(shí)別數(shù)據(jù)庫(kù)WARD(Wearable Action Recognition Database) 。它是一個(gè)公開的相對(duì)穩(wěn)定的基于傳感器的行為識(shí)別數(shù)據(jù)庫(kù)，便于對(duì)已經(jīng)存在的算法進(jìn)行定量分析比較。

通過捆綁在身體上的L=5個(gè)傳感器節(jié)點(diǎn)組成的體域網(wǎng)獲取人體運(yùn)動(dòng)行為數(shù)據(jù)。五個(gè)傳感器節(jié)點(diǎn)分別捆綁于腰部、左右手腕和左右腳腕。每個(gè)傳感器節(jié)點(diǎn)包含了一個(gè)三軸加速度計(jì)和一個(gè)二軸陀螺儀，即傳感器節(jié)點(diǎn)測(cè)量值數(shù)目。采樣頻率為30 Hz。數(shù)據(jù)庫(kù)包含了m=13種日常行為動(dòng)作，由20名志愿者采集完成(其中13名男性，7名女性)，每名志愿者重復(fù)每個(gè)動(dòng)作五遍，共計(jì)13×20×5=1300個(gè)動(dòng)作序列。13種行為動(dòng)作分別為:(1)站(ST);(2)坐(SI);(3)躺(LI);(4)向前走(WF);(5)逆時(shí)針走(WL);(6)順時(shí)針走(WR);(7)向左轉(zhuǎn)(TL);(8)向右轉(zhuǎn)(TR);(9)上樓(UP);(10)下樓(DO);(11)慢跑(JO);(12)跳 (JU);(13)推輪椅(PU)。以h=40采樣時(shí)長(zhǎng)為大小的固定窗口選取數(shù)據(jù)組成訓(xùn)練集。每個(gè)傳感器節(jié)點(diǎn)對(duì)應(yīng)的動(dòng)作向量看成單個(gè)任務(wù)，得到單個(gè)任務(wù)數(shù)據(jù)維數(shù)為5×40=200。然后采用MTCS方法對(duì)多任務(wù)數(shù)據(jù)進(jìn)行分類。應(yīng)用MTCS方法求解過程中使用了Matlab工具包[23]。所有用到的特征都被歸一化到區(qū)間[-1,1]。為了保證數(shù)據(jù)個(gè)體獨(dú)立性，實(shí)驗(yàn)采用留一驗(yàn)證方法，即每次采用一個(gè)志愿者數(shù)據(jù)作為測(cè)試數(shù)據(jù)，另外19個(gè)志愿者數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。共計(jì)20組測(cè)試數(shù)據(jù)，最后將20組結(jié)果取平均值作為最終行為識(shí)別結(jié)果。

3.1基于多任務(wù)壓縮感知方法效果

為了評(píng)估所提出的多任務(wù)壓縮感知算法的性能，我們以識(shí)別率作為衡量指標(biāo)，與Weka工具中的六種常見分類算法(J48算法，隨機(jī)森林(RF)、近鄰(NN)、樸素貝葉斯(NB)、貝葉斯網(wǎng)絡(luò)(BN)和支持向量機(jī)(SVM))進(jìn)行比較，所有方法參數(shù)采用默認(rèn)值。結(jié)果如圖7所示，在參數(shù)默認(rèn)情況下，其中BN算法是Weka中六種分類方法效果最好的，它的行為識(shí)別率為87.08%，比MTCS方法的識(shí)別率低了近5%。

Figure 7　Accuracy of 7 classifiers 圖7　七種不同分類器識(shí)別效果對(duì)比

圖8給出的是單任務(wù)壓縮感知方法(特殊的多任務(wù)壓縮感知方法，其任務(wù)數(shù)N=1)與多任務(wù)壓縮感知方法行為識(shí)別效果對(duì)比。采用Relief-F算法進(jìn)行特征選擇，隨著所采用的特征數(shù)增加，多任務(wù)壓縮感知方法優(yōu)勢(shì)明顯。在識(shí)別率上，最優(yōu)情況下，多任務(wù)壓縮感知方法能高出單任務(wù)壓縮感知方法約6%。而且， 在總的特征維數(shù)為1 000時(shí)，單任務(wù)壓縮感知方法整體識(shí)別效果只能達(dá)到87.92%，比多任務(wù)壓縮感知方法識(shí)別率低了近4%。另外，單任務(wù)方式識(shí)別65組測(cè)試數(shù)據(jù)所需時(shí)間開銷約為18 s，多任務(wù)方式采用并行方式所需時(shí)間開銷約為8 s，速度提升一倍多。由此可見，所提出的多任務(wù)壓縮感知方法不但能提升行為識(shí)別率，而且便于采用并行方式進(jìn)行求解，有效提高行為識(shí)別速度。

Figure 8　Single task compressive sensing VS MTCS 圖 8　單任務(wù)與多任務(wù)壓縮感知行為識(shí)別效果對(duì)比

3.2引入關(guān)聯(lián)特征行為識(shí)別效果

為了評(píng)估關(guān)聯(lián)特征對(duì)基于傳感器行為識(shí)別的影響，采用MTCS算法進(jìn)行行為分類，Relief-F算法進(jìn)行特征選擇。如圖9所示，隨著特征數(shù)目增加，使用了關(guān)聯(lián)特征的識(shí)別結(jié)果總是優(yōu)于沒有使用關(guān)聯(lián)特征數(shù)據(jù)的識(shí)別結(jié)果，而且平均高出2%。從圖9中可以看出，當(dāng)特征數(shù)達(dá)到40之后，行為識(shí)別率變化不大，這也就說明了所提出的方法對(duì)于降低數(shù)據(jù)維數(shù)具有一定效果。當(dāng)總的特征維數(shù)為700時(shí)，行為識(shí)別率可以達(dá)到93.77%，對(duì)應(yīng)混淆矩陣如表2所示，混淆矩陣給出了所有測(cè)試數(shù)據(jù)中每種行為被正確識(shí)別的數(shù)目，以及誤識(shí)數(shù)目及類別。

Table 2　Confusion matrix for recognition of 13 actions

與使用相同數(shù)據(jù)庫(kù)的已有方法進(jìn)行比較，結(jié)果如表3所示。

Table 3　Comparison with other methods using WARD

文獻(xiàn)[22]中，作者使用分布式稀疏分類器，采用滑動(dòng)窗口策略選取數(shù)據(jù)，窗口大小為45個(gè)采樣點(diǎn)，另外，其獲取的動(dòng)作序列為13 000，高出本文所采用的1300十倍，與之相比，論文方法具有更簡(jiǎn)單的計(jì)算模型。文獻(xiàn)[18]中，作者所采用的采樣點(diǎn)數(shù)目和動(dòng)作序列數(shù)目與本文相同，但是多任務(wù)方法使其具有更好的識(shí)別效果，包括識(shí)別率和識(shí)別速度的提升。文獻(xiàn)[24]雖然在識(shí)別率上優(yōu)于本文，但是其采用的驗(yàn)證方法為3倍交叉驗(yàn)證的方法，這存在的巨大問題是無法保證個(gè)體獨(dú)立性。另外，如文獻(xiàn)[25]中所示，同樣的數(shù)據(jù)，采用不同的驗(yàn)證方式結(jié)果相差巨大。

Figure 9　Effect of correlation features on activity recognition 圖 9　關(guān)聯(lián)特征對(duì)行為識(shí)別率影響

4結(jié)束語

本文通過分析已有基于傳感器行為識(shí)別研究點(diǎn)，針對(duì)其中的行為識(shí)別方法和特征提取展開研究。提出了一種基于多任務(wù)的壓縮感知方法用于行為分類；同時(shí)，針對(duì)已有行為識(shí)別方法中單一時(shí)頻域特征問題，提出了新的關(guān)聯(lián)特征。另外，引出與多任務(wù)相對(duì)應(yīng)的基于任務(wù)的特征選擇方式。大量實(shí)驗(yàn)結(jié)果表明了所提出的特征和分類方法有助于提升基于傳感器行為識(shí)別的性能。下一步工作是在現(xiàn)有的基礎(chǔ)上，應(yīng)對(duì)大數(shù)據(jù)時(shí)代，提升數(shù)據(jù)規(guī)模，加大行為識(shí)別過程中并行力度，構(gòu)建基于云平臺(tái)的實(shí)時(shí)行為識(shí)別系統(tǒng)。

參考文獻(xiàn):

[1]Thapa A,Shin S.QoS provisioning in wireless body area networks:A review on MAC aspects[J].KSII Transactions on Internet & Information Systems, 2012, 6(5):1267-1285.

[2]Intel’s new Quark chips target wearable computing [EB/OL]. [2013-09-11]. http://www.infoworld.com/d/computer-hardware/intels-new-quark-chips-target-wearable-computing-226529.

[3]Zhu C,Sheng W.Realtime recognition of complex human daily activities using human motion and location data[J]. IEEE Transactions on Biomedical Engineering,2012,59(9):2422-2430.

[4]Maekawa T, Kishino Y,Sakurai Y, et al.Activity recognition with hand-worn magnetic sensors[J].Personal and Ubiquitous Computing,2013, 17(6):1085-1094.

[5]Chavarriaga R, Sagha H, Calatroni A, et al. The opportunity challenge:A benchmark database for on-body sensor-based activity recognition[J]. Pattern Recognition Letters, 2013, 34(15):2033-2042.

[6]Anguita D, Ghio A, Oneto L, et al. A public domain dataset for human activity recognition using smartphones[C]//Proc of European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 2013:437-442.

[7]Chavarriaga R, Bayati H, Millán J R. Unsupervised adaptation for acceleration-based activity recognition:Robustness to sensor displacement and rotation[J]. Personal and Ubiquitous Computing, 2013, 17(3):479-490.

[8]Banos O, Damas M, Pomares H, et al. Human activity recognition based on a sensor weighting hierarchical classifier[J]. Soft Computing, 2013, 17(2):333-343.

[9]Chen C, Shen H. A feature evaluation method for template matching in daily activity recognition[C]//Proc of 2013 IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC), 2013:1-4.

[10]Zhang M, Sawchuk A A. A feature selection-based framework for human activity recognition using wearable multimodal sensors[C]//Proc of the 6th International Conference on Body Area Networks, 2011:92-98.

[11]Wu C H, Tseng Y C. Data compression by temporal and spatial correlations in a body-area sensor network:A case study in pilates motion recognition[J]. IEEE Transactions on Mobile Computing, 2011, 10(10):1459-1472.

[12]Qi Juan,Chen Yi-qiang,Liu Jun-fa,et al. Power-efficient activity recognition based on multi-modal information sensing and fusion[J].Journal of Software, 2010,21(12):39-50.(in Chinese)

[13]Barshan B,Yüksek M C.Recognizing daily and sports activities in two open source machine learning environments using body-worn sensor units[J].The Computer Journal,2013,56(11):1-19.

[14]Casale P, Pujol O, Radeva P.Human activity recognition from accelerometer data using a wearable device[C]//Proc of the Iberian Conference on Pattern Recognition and Image Analysis, 2011:289-296.

[15]The talking trainers:Hi-tech shoes that nag you to get off the sofa and work out[EB/OL].[2013-03-10]. http://www.dailymail.co.uk/sciencetech/article-2291275/SXSW-2013-Googles-Hi-tech-shoes-nag-sofa-work-out.html.

[16]NEC develops cameraless monitoring system [EB/OL]. [2013-11-14]. http://www.ubergizmo.com/2013/11/ nec-develops-cameraless-monitoring-system/.

[17]Zhang Hai-chao, Zhang Yan-ning, Nasrabadi N M, et al.Joint-structured-sparsity-based classification for multiple-measurement transient acoustic signals[J].IEEE Transactions on Systems,Man, and Cybernetics Part-B:CYBERNETICS, 2012,42(6):1586-1598.

[18]Xiao Ling,Li Ren-fa,Luo Juan.Recognition of human activity based on compressed sensing in body sensor networks[J].Journal of Electronics & Information Technology, 2013,35(1):119-125.(in Chinese)

[19]Hajdu A, Hajdu L, Jonas A, et al. Generalizing the majority voting scheme to spatially constrained voting[J]. IEEE Transactions on Image Processing, 2013,22(11):4182-4194.

[20]Kira K, Rendell L A.The feature selection problem:Traditional methods and a new algorithm[C]//Proc of AAAI, 1992:129-134.

[21]Kononenko I.Estimating attributes:Analysis and extensions of RELIEF[C]//Proc of Machine Learning:ECML-94, 1994:171-182.

[22]Yang A Y, Jafari R, Sastry S S,et al.Distributed recognition of human actions using wearable motion sensor networks[J].Journal of Ambient Intelligence and Smart Environments,2009,1(2):103-115.

[23]Berg E V,Friedlander M P.SPGL1:A solver for large-scale sparse reconstruction [EB/OL]. [2013-05-10].http://www.cs.ubc.ca/labs/scl/spgl1.

[24]Guo Y C, He W H, Gao C.Human activity recognition by fusing multiple sensor nodes in the wearable sensor systems[J].Journal of Mechanics in Medicine and Biology,2012,12(5):1-15.

[25]Altun K, Barshan B, Tun?el O.Comparative study on classifying human activities with miniature inertial and magnetic sensors[J].Pattern Recognition,2010, 43(10):3605-3620.

參考文獻(xiàn)：附中文

[12]齊娟,陳益強(qiáng),劉軍發(fā),等.融合多模信息感知的低功耗行為識(shí)別[J].軟件學(xué)報(bào),2010,21(12):39-50.

[18]肖玲,李仁發(fā),羅娟.體域網(wǎng)中一種基于壓縮感知的人體動(dòng)作識(shí)別方法[J].電子與信息學(xué)報(bào),2013,35(1):119-125.

段夢(mèng)琴(1989-),女,湖南洪江人，碩士生，CCF會(huì)員(E200029841G),研究方向?yàn)闄C(jī)器學(xué)習(xí)和傳感器網(wǎng)絡(luò)。E-mail:mengqinduan@126.com

DUAN Meng-qin,born in 1989,MS candidate,CCF member(E200029841G),her research interests include machine learning, and senor network.

李仁發(fā)(1956-),男,湖南郴州人，博士，教授，博士生導(dǎo)師，研究方向?yàn)榍度胧较到y(tǒng)、CPS和傳感器網(wǎng)絡(luò)。E-mail:lirenfa@vip.sina.com

LI Ren-fa,born in 1956,PhD,professor,PhD supervisor,his research interests include embedded system, CPS, and sensor network.