賀炎　張航

【摘 要】移動(dòng)設(shè)備放置位置多樣化以及不同用戶行為的差異性，大大增加了用戶行為識(shí)別的難度。為了提高移動(dòng)用戶行為識(shí)別的準(zhǔn)確率，本文提出了一種多分類器融合的移動(dòng)用戶行為識(shí)別模型（BRMMCF）。該模型根據(jù)融合算法將多個(gè)基分類器的識(shí)別結(jié)果進(jìn)行融合處理，得到行為識(shí)別的最終結(jié)果。該模型分別采用SVM和決策樹(shù)作為分類算法，基于數(shù)據(jù)集XUPT-AAD進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該模型對(duì)靜止、步行、跑步、上樓、下樓的平均識(shí)別準(zhǔn)確率達(dá)到95.05%。

【關(guān)鍵詞】行為識(shí)別；基分類器；多分類器融合

0 引言

隨著科技發(fā)展以及人們生活水平的提高，智能手機(jī)已經(jīng)成為了日常生活的必需品。集成在智能手機(jī)內(nèi)的加速度傳感器，具有體積小、功耗低和靈敏度高等特點(diǎn)，為利用智能手機(jī)實(shí)現(xiàn)移動(dòng)情景識(shí)別提供了必要條件。作為移動(dòng)情景識(shí)別的一個(gè)重要研究方向，專家學(xué)者們就如何根據(jù)智能手機(jī)內(nèi)部各種傳感器采集的數(shù)據(jù)進(jìn)行人體行為識(shí)別展開(kāi)了廣泛研究，越來(lái)越多的研究人員通過(guò)移動(dòng)設(shè)備內(nèi)嵌傳感器來(lái)采集數(shù)據(jù)，并對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理、特征選擇、分類器訓(xùn)練，得到用戶行為模型，運(yùn)用該模型分析、確定未知用戶的行為，并根據(jù)行為識(shí)別結(jié)果為用戶提供所需要的各項(xiàng)服務(wù)。該技術(shù)在兒童和老年人安全監(jiān)護(hù)、智能監(jiān)測(cè)、生物醫(yī)學(xué)、智能視頻監(jiān)控等方面具有極其廣闊的應(yīng)用前景。

1 已有研究

用戶行為本身具有較大差異性，數(shù)據(jù)采集過(guò)程中移動(dòng)設(shè)備放置位置多樣化，以及采集環(huán)境多樣化等因素，都將大大增加用戶行為識(shí)別的難度。國(guó)內(nèi)外研究者們?cè)谶@一方面做了大量研究。Zhang等人[1]提出一種基于粗糙集理論的知識(shí)增益方法來(lái)選擇特征，進(jìn)而用于人體行為識(shí)別。趙海勇等人提出了一種以人的動(dòng)作序列圖像的輪廓為特征、基于隱條件隨機(jī)場(chǎng)的行為識(shí)別方法，利用背景差分法和陰影消除技術(shù)提取運(yùn)動(dòng)人體輪廓[2]。謝立東提出了一種采用分層方法來(lái)研究人體行為識(shí)別技術(shù)的方法[3]。范琳等人提出了一種與穿戴位置無(wú)關(guān)的手機(jī)用戶行為識(shí)別模型[4]，對(duì)走路、跑步、上樓、下樓等日常行為識(shí)別的準(zhǔn)確率最高達(dá)88.32%。王忠民等人提出了一種多頻段時(shí)域分解的行為識(shí)別特征優(yōu)選方法[5]，對(duì)日常行為的識(shí)別準(zhǔn)確率最高達(dá)89%。衡霞等人提出了一種依據(jù)手機(jī)內(nèi)置三維加速度傳感器采集的人體日常行為數(shù)據(jù)來(lái)進(jìn)行識(shí)別分類的方法，平均識(shí)別正確率為87.17%。陳益強(qiáng)等人將智能手機(jī)放置位置細(xì)分為：右褲子口袋、右手、右上衣口袋、左褲子口袋、左手、左上衣口袋6種，從加速度數(shù)據(jù)中提取最大值、最小值、標(biāo)準(zhǔn)差、能量、均值等特征，采用ELM算法，建立手機(jī)放置位置交叉的自適應(yīng)行為識(shí)別模型，對(duì)靜止、下樓、走路、跑步、上樓進(jìn)行識(shí)別，其平均識(shí)別準(zhǔn)確率能提高12%左右。

為了進(jìn)一步提高移動(dòng)用戶行為識(shí)別的準(zhǔn)確率，本文提出了一種基于多分類器融合的行為識(shí)別模型。

2 行為識(shí)別模型

2.1 數(shù)據(jù)處理流程

本文根據(jù)內(nèi)嵌在智能設(shè)備中的三軸加速度計(jì)實(shí)時(shí)采集人體日常行為加速度信號(hào)，從中提取出常用時(shí)域特征，生成特征數(shù)據(jù)集T后，劃分為訓(xùn)練集X和測(cè)試集Y。根據(jù)訓(xùn)練集X訓(xùn)練出k個(gè)基分類器，并用測(cè)試集對(duì)各基分類器進(jìn)行測(cè)試。測(cè)試結(jié)果經(jīng)融合器處理后，得到最終的行為識(shí)別結(jié)果（圖1）。

2.2 基分類器

基分類器的生成主要有神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、支持向量機(jī)、Bayes準(zhǔn)則等方法，基分類器的性能對(duì)行為識(shí)別有重要影響。本文選用決策樹(shù)算法和支持向量機(jī)來(lái)訓(xùn)練基分類器。

2.3 融合算法

集成學(xué)習(xí)的思路是在對(duì)未知的實(shí)例進(jìn)行識(shí)別時(shí)，把若干個(gè)基分類器的行為識(shí)別結(jié)果通過(guò)某種規(guī)則進(jìn)行融合，確定最終識(shí)別結(jié)果，以取得比單個(gè)分類器更好的識(shí)別效果。本文采用多數(shù)投票法作為融合算法（如圖2所示），所構(gòu)建的行為識(shí)別模型如圖3所示。

3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集

本文所用數(shù)據(jù)集是XUPT-ADD，是課題組成員使用內(nèi)嵌三軸加速度計(jì)的智能手機(jī)實(shí)時(shí)采集的靜止、行走、跑步、上樓、下樓等日常行為數(shù)據(jù)。數(shù)據(jù)采集時(shí)，智能手機(jī)分別放置在手中、包里以及褲子前口袋。參與此次數(shù)據(jù)采集的一共有15人，每人分別采集三種不同位置下每種行為的加速度數(shù)據(jù)，共1973個(gè)樣本。從原始加速度數(shù)據(jù)中提取平均值、中位數(shù)、方差、標(biāo)準(zhǔn)差、最大值、最小值、范圍、均方根、直流分量、系數(shù)和、頻譜能量等特征值，生成特征數(shù)據(jù)集T。

行為識(shí)別模型訓(xùn)練和測(cè)試所用軟件環(huán)境為MATLAB R2010b。

3.2 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

為了驗(yàn)證多分類器融合的行為識(shí)別模型的有效性，本文首先將特征數(shù)據(jù)集T劃分為五組，訓(xùn)練出5個(gè)采用SVM算法的基分類器和5個(gè)采用決策樹(shù)算法的基分類器，然后將各基分類器的測(cè)試結(jié)果和融合后的測(cè)試結(jié)果進(jìn)行對(duì)比分析。

（1）數(shù)據(jù)集劃分

將特征數(shù)據(jù)集T隨機(jī)分為三個(gè)人一組，共五組數(shù)據(jù)，每組數(shù)據(jù)都包含了五種行為。訓(xùn)練基分類器時(shí)，根據(jù)以下方式將特征數(shù)據(jù)集再細(xì)分為訓(xùn)練集和測(cè)試集：第一種，是分別提取每組數(shù)據(jù)中每一種行為的前一半作為訓(xùn)練集，而剩下的一半作為測(cè)試集；第二種，是每組的全部數(shù)據(jù)作為訓(xùn)練集，第五組數(shù)據(jù)作為測(cè)試集；第三種，是取每組數(shù)據(jù)的奇數(shù)行作為訓(xùn)練集，偶數(shù)行作為測(cè)試集。

每種數(shù)據(jù)分組方式都將分別訓(xùn)練出5個(gè)采用SVM算法的基分類器（ClassifierS1～ClassifierS5）和5個(gè)采用決策樹(shù)算法的基分類器（ClassifierD1～ClassifierD5）。

（2）基分類器與多分類器融合的行為識(shí)別結(jié)果分析

按照上述三種方式將特征數(shù)據(jù)集劃分為不同的分組后，在 MATLAB中分別訓(xùn)練決策樹(shù)和支持向量機(jī)的基分類器模型，并采用對(duì)應(yīng)的測(cè)試集作為輸入數(shù)據(jù)來(lái)測(cè)試基分類器。將上述基分類器的行為識(shí)別結(jié)果根據(jù)多數(shù)投票法進(jìn)行融合處理，得到多分類器融合的行為識(shí)別結(jié)果。對(duì)上述識(shí)別結(jié)果進(jìn)行比較，其識(shí)別準(zhǔn)確率如表2所示。

表2中，從12個(gè)基分類器的行為識(shí)別結(jié)果來(lái)看，由于不同用戶的行為差異較大，因此第二種數(shù)據(jù)分組方式中，分別采用其他組的數(shù)據(jù)（第五組除外）來(lái)訓(xùn)練基分類器而用第五組數(shù)據(jù)來(lái)測(cè)試時(shí)，不論是采用SVM還是決策樹(shù)分類算法，行為識(shí)別的準(zhǔn)確率都比較低。三種數(shù)據(jù)分組凡是相比，第三種分組方式的行為識(shí)別準(zhǔn)確率較高。

總的來(lái)說(shuō)，不論采用哪種數(shù)據(jù)分組方式，多分類器融合的行為識(shí)別模型結(jié)合了各個(gè)基分類器的優(yōu)點(diǎn)，其行為識(shí)別準(zhǔn)確率比單個(gè)基分類器的識(shí)別準(zhǔn)確率高，在第三種數(shù)據(jù)分組方式中，行為識(shí)別準(zhǔn)確率最高提高了25.99%。

4 結(jié)論

為了提高移動(dòng)用戶行為識(shí)別的準(zhǔn)確率，本文提出了一種基于多分類器融合的行為識(shí)別模型。本文將特征數(shù)據(jù)集按照三種不同的方式分別劃分為訓(xùn)練集和測(cè)試集，采用SVM算法和決策樹(shù)算法分別訓(xùn)練基分類器，并對(duì)各基分類器和多分類器融合后的行為識(shí)別結(jié)果進(jìn)行了對(duì)比分析。實(shí)驗(yàn)結(jié)果證明，多分類器融合的行為識(shí)別模型能夠提高行為識(shí)別的準(zhǔn)確率，最高達(dá)25.99%，充分驗(yàn)證了改模型的有效性。

【參考文獻(xiàn)】

[1]Zhang B，De Natale F G B，Conci N.Recogition of social interactions based on feature selection from visual codebooks[C]//Image Processing，2013 20th IEEE International Conference on， 2013： 3557-3561.

[2]趙海勇，賈保先.基于輪廓特征的人體行為識(shí)別[J].計(jì)算機(jī)科學(xué)，2013，40（2）：312-315.

[3]謝立東.基于分層方法的復(fù)雜人體行為識(shí)別研究[D].廈門：廈門大學(xué)，2014.

[4]范琳，王忠民.穿戴位置無(wú)關(guān)的手機(jī)用戶行為識(shí)別模型[J].計(jì)算機(jī)應(yīng)用研究， 2015，32（1）：63-66.

[5]王忠民，王斌.多頻段時(shí)域分解的行為識(shí)別特征優(yōu)選[J].計(jì)算機(jī)應(yīng)用研究， 2015，32.

[6]衡霞，王忠民.基于手機(jī)加速度傳感器的人體行為識(shí)別[J].西安郵電大學(xué)學(xué)報(bào)，2014，19（6）：76-79.

[7]CHEN Yiqiang， ZHAO Zhongtang， WANG Shuangquan and CHEN Zhenyu. Extreme Learning Machine based device displacement free activity recognition model[J]. Soft Computing. Volume 16， Issue 9： 1617-1625. Springer-verlag 2012.

[責(zé)任編輯：楊玉潔]