國(guó)網(wǎng)開(kāi)封供電公司 王宏研

淺談基于傳感器的人體行為識(shí)別

國(guó)網(wǎng)開(kāi)封供電公司 王宏研

行為識(shí)別通過(guò)分析獲取的人體行為信息來(lái)理解人的具體行為，以及推斷其下一步行為，具有很高的研究?jī)r(jià)值和廣闊的應(yīng)用領(lǐng)域。本文對(duì)近年來(lái)基于傳感器的人體行為識(shí)別的發(fā)展現(xiàn)狀和常用方法進(jìn)行回顧分析，并對(duì)其相關(guān)難點(diǎn)和研究方向作了簡(jiǎn)要論述。

行為識(shí)別；時(shí)間窗口；行為特征提?。恍袨樘卣骼斫?/p>

0 引言

在普適計(jì)算的模式下，整個(gè)系統(tǒng)都是為人服務(wù)的，其中人機(jī)交互是普適計(jì)算的一個(gè)重要環(huán)節(jié)，它的本質(zhì)是需要計(jì)算機(jī)了解用戶當(dāng)前的行為信息，因?yàn)槿说男袨橥c其所處的環(huán)境息息相關(guān)，人的意圖也都是通過(guò)其本身的行為所表達(dá)的。如果我們可以利用計(jì)算機(jī)技術(shù)手段判別用戶的行為信息，系統(tǒng)就可以依據(jù)用戶的當(dāng)前行為推測(cè)其意圖，進(jìn)而為用戶提供相應(yīng)的服務(wù)，其中對(duì)于用戶行為的確定性顯得尤為關(guān)鍵，所以有必要對(duì)人體行為識(shí)別展開(kāi)深入的研究。

基于傳感器的行為識(shí)別是計(jì)算機(jī)通過(guò)傳感器設(shè)備獲取用戶的行為數(shù)據(jù)，經(jīng)過(guò)一系列機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘的相關(guān)處理，建立分類模型，進(jìn)而識(shí)別出用戶的具體行為，使計(jì)算機(jī)系統(tǒng)能夠主動(dòng)的協(xié)助用戶的工作。

圖1 行為識(shí)別框架

在目前的研究中，基于傳感器的行為識(shí)別流程大體可分為五個(gè)部分，具體如圖1所示。

（1）數(shù)據(jù)采集：主要用來(lái)獲取用戶的行為數(shù)據(jù)，其數(shù)據(jù)類型取決于采用的傳感器類型；

（2）數(shù)據(jù)預(yù)處理：主要用來(lái)對(duì)獲取的原始數(shù)據(jù)進(jìn)行去燥、格式化處理等預(yù)處理操作；

（3）特征提?。褐饕菍?duì)前期格式化的數(shù)據(jù)進(jìn)行表征化的特征提取，以形成用于訓(xùn)練分類模型或識(shí)別具體類別的特征向量序列；

（4）分類模型：主要是針對(duì)處理好的行為數(shù)據(jù)進(jìn)行有監(jiān)督分類學(xué)習(xí)或無(wú)監(jiān)督分類學(xué)習(xí)，從而訓(xùn)練行為識(shí)別模型；

（5）識(shí)別結(jié)果：主要是使用訓(xùn)練好的分類器對(duì)未知的行為進(jìn)行類別劃分；其中數(shù)據(jù)采集、特征提取和分類模型是行為識(shí)別中的三個(gè)主要部分。

1 行為數(shù)據(jù)獲取

近幾十年來(lái)，隨著微電子工藝的發(fā)展，小巧且智能的傳感器不斷涌現(xiàn)，這為行為識(shí)別研究提供了硬件支撐。行為數(shù)據(jù)是進(jìn)行行為識(shí)別的關(guān)鍵所在，在實(shí)際應(yīng)用中，根據(jù)選用的傳感器及佩戴部位的不同，得到的行為數(shù)據(jù)也不盡相同。

部分研究通過(guò)手機(jī)自帶的傳感器來(lái)獲取使用者的加速度、方向等信息，來(lái)預(yù)判用戶的行為，這也是目前一種較為常見(jiàn)的基于手機(jī)傳感器的行為識(shí)別方法，但這種方法獲取的數(shù)據(jù)受限于手機(jī)的置放位置，現(xiàn)在已有針對(duì)手機(jī)非約束的研究出現(xiàn)。

還有部分研究通過(guò)使用傳感器來(lái)獲取用戶的位置信息，進(jìn)而推斷用戶行為。譬如基于WIFI傳感器數(shù)據(jù)的方法，它通過(guò)用戶接入無(wú)線熱點(diǎn)，推斷出用戶的所有隱變量（位置變量、動(dòng)作變量及目標(biāo)變量），這種行為數(shù)據(jù)獲取方式往往需要大量的前期準(zhǔn)備，工作量較大。

還有就是通過(guò)在人體部位佩戴各種傳感器（譬如加速度計(jì)），獲取用戶在不同行為狀態(tài)下的數(shù)據(jù)，這種方法一般選擇采集變幅較大的身體部位數(shù)據(jù)，或者根據(jù)不同行為有針對(duì)性的佩戴在某些身體部位，這是一種目前較為主流的基于傳感器的人體行為識(shí)別方法。

另外，還有一些研究通過(guò)在用戶的日常物品上安裝射頻傳感器，采集用戶使用物品的數(shù)據(jù)，進(jìn)而來(lái)判別用戶的行為。這種數(shù)據(jù)獲取方法具有被動(dòng)型、間斷性，因?yàn)橹挥杏脩羰褂梦锲窌r(shí)，才可以獲取用戶的行為數(shù)據(jù)信息。

2 特征提取

從傳感器得到的原始數(shù)據(jù)序列是一個(gè)連續(xù)的數(shù)據(jù)流，如果直接使用這些數(shù)據(jù)難以反映出人體的運(yùn)動(dòng)形態(tài)。因此，需要對(duì)這些原始數(shù)據(jù)進(jìn)行預(yù)處理和語(yǔ)義分析，進(jìn)而提取高階特征來(lái)表征行為，并建立特征向量序列集訓(xùn)練分類模型，以實(shí)現(xiàn)通過(guò)數(shù)據(jù)分析對(duì)未知行為類別進(jìn)行識(shí)別；其中滑動(dòng)時(shí)間窗口及特征選取是此部分要解決的重點(diǎn)問(wèn)題。

2.1 時(shí)間窗口

由于得到的原始數(shù)據(jù)為數(shù)據(jù)流，如何從數(shù)據(jù)流中分割出包含一個(gè)完整行為信息的數(shù)據(jù)段就是時(shí)間窗口的劃分問(wèn)題。

如果過(guò)大劃分時(shí)間窗口，則時(shí)間片內(nèi)的行為數(shù)據(jù)量過(guò)多，增大了計(jì)算量，也增加了系統(tǒng)負(fù)載；如果過(guò)小劃分時(shí)間窗口，則時(shí)間片內(nèi)的數(shù)據(jù)不能完整包含一個(gè)行為，造成缺失行為數(shù)據(jù)信息，降低識(shí)別的準(zhǔn)確率。

目前，較為常見(jiàn)的有固定時(shí)間窗口和重疊時(shí)間窗口兩種方式，第一種是對(duì)數(shù)據(jù)流采用固定的分割窗口，即一個(gè)獨(dú)立的時(shí)間窗口數(shù)據(jù)代表一個(gè)行為；第二種則是在第一種的基礎(chǔ)上讓相鄰兩個(gè)時(shí)間窗口重疊一定比例；這兩種劃分方式各有優(yōu)缺點(diǎn)，如何選擇一個(gè)合理的時(shí)間窗口和滑動(dòng)方式，需要經(jīng)過(guò)大量實(shí)驗(yàn)分析，綜合識(shí)別準(zhǔn)確率與實(shí)時(shí)性來(lái)進(jìn)行抉擇。

2.2 特征選取

特征提取是從原始數(shù)據(jù)流中提取具有表征行為類別的特征，雖然研究者們依據(jù)自己的研究課題和實(shí)驗(yàn)平臺(tái)來(lái)選擇的特征值類型不盡相同，但選擇信息含量高的特征向量時(shí)特征選取的基本準(zhǔn)則。

目前，在行為識(shí)別中選擇的特征主要包括運(yùn)動(dòng)特征、統(tǒng)計(jì)特征和頻域特征；一般在特征選擇初期，盡量選擇較大的特征集，通過(guò)數(shù)據(jù)挖掘評(píng)估器評(píng)估每個(gè)特征屬性的預(yù)測(cè)能力及其相互之間的冗余度，以找到識(shí)別準(zhǔn)確率最高的特征向量子集。

3 行為分類

目前，計(jì)算機(jī)還無(wú)法具備與人類一樣的強(qiáng)大學(xué)習(xí)能力。然而，一些針對(duì)特定學(xué)習(xí)任務(wù)的算法已經(jīng)產(chǎn)生。關(guān)于學(xué)習(xí)的理論認(rèn)識(shí)已經(jīng)逐步形成，其中的“學(xué)習(xí)”可以定義為：如果一個(gè)計(jì)算機(jī)程序在某類任務(wù)T上，其性能度量P隨著經(jīng)驗(yàn)E而自我完善，我們就稱這個(gè)計(jì)算機(jī)程序在從經(jīng)驗(yàn)E學(xué)習(xí)。在行為識(shí)別的算法中，可以得到下面的一個(gè)學(xué)習(xí)問(wèn)題：

（1）任務(wù)T：行為識(shí)別；

（2）性能標(biāo)準(zhǔn)P：行為分類的正確率；

（3）訓(xùn)練經(jīng)驗(yàn)E：已知行為類別的數(shù)據(jù)庫(kù)。

其中對(duì)于行為識(shí)別的學(xué)習(xí)問(wèn)題，它可以通過(guò)已知行為類別的數(shù)據(jù)庫(kù)獲取經(jīng)驗(yàn)；它的任務(wù)是進(jìn)行行為識(shí)別；它的性能由它行為分類的正確率來(lái)衡量。

數(shù)據(jù)分類的目的就是利用訓(xùn)練數(shù)據(jù)得到一個(gè)分類器(分類模型或分類函數(shù))，然后通過(guò)此分類器將未有類別標(biāo)記的數(shù)據(jù)進(jìn)行類別劃分。

如圖2所示，行為分類可分為兩步，第一步是建立分類模型，即訓(xùn)練階段，它通過(guò)分析給定的、有行為類別標(biāo)記的訓(xùn)練數(shù)據(jù)集，建立能夠反映其特性的模型。第二步對(duì)訓(xùn)練好的分類模型進(jìn)行綜合評(píng)估，如果符合預(yù)期效果，則可以用來(lái)對(duì)未知類別數(shù)據(jù)進(jìn)行分類。

圖2 行為識(shí)別示意圖

4 總結(jié)

基于傳感器的行為識(shí)別具有廣闊的應(yīng)用前景，可應(yīng)用于智能家居、人體交互式游戲、老人監(jiān)護(hù)、健康醫(yī)療等眾多領(lǐng)域。值得一提的是，基于傳感器的行為識(shí)別方法對(duì)傳統(tǒng)的人機(jī)交互方式進(jìn)行了革命性改變，它通過(guò)在用戶身體部位上佩戴傳感器，并依據(jù)采集的傳感器數(shù)據(jù)識(shí)別用戶的具體行為，從而為其提供相應(yīng)服務(wù)，整個(gè)識(shí)別過(guò)程都是在用戶不曾主動(dòng)參與，甚至不知曉的情況下完成的。

總的來(lái)說(shuō)，基于傳感器的行為識(shí)別研究層出不窮，各大會(huì)議期刊都或多或少的有行為識(shí)別領(lǐng)域論文的發(fā)表。但是，由于眾多客觀條件的限制，基于傳感器的行為識(shí)別目前還處在實(shí)驗(yàn)和理論研究階段，并且現(xiàn)有的行為識(shí)別方法及識(shí)別種類都較為單一。

[1]Bulling A,Blanke U and Schiele B．A tutorial on human activity recognition using body-worn inertial sensors[J]．ACM Computing Surveys(CSUR),2014,46(3)：33．

[2]Welsh,M．Codeblue：Wireless sensor networks for medical care,in：http：//fiji．eecs．har-vard．edu/CodeBlue/．2009．

[3]Yang G Z．Ubimon-ubiquitous monitoring environment for wearable and implantable sensors[J]．2009．

[4]Stikic M,Huynh T,Laerhoven K V,etc．ADL recognition based on the combination of RFID and accelerometer sensing[C]//Pervasive Computing Technologies for Healthcare,2008．PervasiveHealth 2008．Second International Conference on．IEEE,2008：258-263．

[5]Wang L,Gu T,Chen H,etc．Real-time activity recognition in wireless body sensor networks：from simple gestures to complex activities[C]//Embedded and Real-Time Computing Systems and Applications(RTCSA),2010 IEEE 16th International Conference on．IEEE,2010：43-52．