崔 震，魯衛(wèi)華，李 鵬，韓 涵，陳 文

（中國電子工程設(shè)計院有限公司 健康與養(yǎng)老研究所，北京 100142）

1 研究現(xiàn)狀

近年來，老齡化問題日趨嚴峻，現(xiàn)有的住宅環(huán)境并未系統(tǒng)地考慮老年人日常起居的各種適老性需求，老年人生活中存在諸多不便，甚至存在不同程度的安全隱患，從而影響到老年人的生活品質(zhì)和健康質(zhì)量。針對此類問題，王羽等搭建了國內(nèi)首個適老建筑參數(shù)實驗室，在老年人臥室設(shè)計、輪椅回轉(zhuǎn)半徑、老年人起居室照度、適老住宅開關(guān)插座高度、廚房衛(wèi)生間空間適老性等方面進行了大量實驗，并初步提出了各項適老化改造規(guī)范[1-5]。但尚未從老年人實際個人需求出發(fā)，制定各改造項的改造規(guī)則。

本文擬從老年人實際個人狀況出發(fā)，利用多標簽機器學習算法研究老年人能力與適老改造項之間的關(guān)聯(lián)性，并給出個性化推薦方案。

2 多標簽排序算法原理

本文主要針對居家環(huán)境的適老化改造，利用電子問卷的方式對居家老人完成數(shù)據(jù)采集，內(nèi)容包括21項老人能力項及15項適老改造項。用D表示數(shù)據(jù)集，D={(Xi,Yi)｜i=1,2,…,m}，其中：Xi是第i個老人樣本的能力特征向量；Yi表示第i個樣本的適老改造項有序相關(guān)標簽集合。有序多標簽數(shù)據(jù)集的樣例，如表1所示。

表1 有序多標簽數(shù)據(jù)集樣例

為了學習適老改造項標簽的順序，本文在校準標簽排序算法的基礎(chǔ)上引入了ML-kNN算法，在學習過程中將標簽排序問題轉(zhuǎn)換成多標簽分類問題，Dtrain和Dtest分別表示訓練集和測試集。

2.1 校準標簽排序

傳統(tǒng)的成對比較排序法是利用One VS One策略將標簽排序問題轉(zhuǎn)換成標簽分類問題，將兩兩標簽對的排序進行比較，如式1所示。

根據(jù)One VS One策略，需遍歷n*(n－1）/2次即可完整表述所有標簽對之間的關(guān)系，n為標簽總個數(shù)，對每個標簽對構(gòu)建分類器，給定一個未知樣本，對每個分類器的預(yù)測值進行投票，通過閾值法將排序后的投票結(jié)果劃分為該樣本的相關(guān)標簽和不相關(guān)標簽，然后根據(jù)投票結(jié)果對相關(guān)標簽進行排序[6]。該方法的主要難點在于：如何確定閾值來盡可能正確地估計樣本所屬的類別標簽集合。因此校準標簽排序算法引入了校準標簽yv，將其作為每個樣本的相關(guān)標簽和不相關(guān)標簽的一個自然劃分點；在每個標簽相互成對比較的同時，也要將每個標記與校準標簽進行成對比較。對于給定的未知樣本，將所有分類器的預(yù)測結(jié)果進行投票，將投票次數(shù)大于校準標簽yv的類別標記看成該樣本的相關(guān)標簽，并根據(jù)投票結(jié)果進行排序[7-8]。問題轉(zhuǎn)換過程如圖1所示。

校準標簽排序問題轉(zhuǎn)換過程：

圖1 校準標簽排序問題轉(zhuǎn)換

2.2 多標簽k近鄰

通過校準標簽排序問題轉(zhuǎn)換后，將問題轉(zhuǎn)換為無相關(guān)的多標簽分類問題，其特點是標簽維度多，分布雜亂且有交叉，因此本文引入了多標簽k近鄰（Multi-label K Nearest Neighbors，ML-kNN）算法。ML-kNN算法是在kNN框架下處理多標簽分類問題的算法，具有效率高，且對標簽域有交叉重疊的分類效果較好等特點[8]。ML-kNN算法在輸入測試數(shù)據(jù)后，用kNN算法根據(jù)老人能力項確定相應(yīng)的鄰域標簽信息，如式2所示。利用先驗概率與后驗概率通過最大后驗概率準則和貝葉斯準則計算得到預(yù)測樣本的標簽對關(guān)系集合，如式3所示。

ML-kNN算法流程：

（2）確定數(shù)據(jù)鄰域N(xi),i∈{1,…,n*(n+1)/2}。

（3）forlfrom 1 toq//q為類標個數(shù)即n*(n+1)/2。

（5）fori∈{0,1,…,n}。

（6）forj∈{0,1,…,k}。

（7）確定測試數(shù)據(jù)的鄰域N(t)。

（8）forlfrom 1 toq。

（9）將分類問題反變換回到排序問題，得到測試數(shù)據(jù)標簽排序Zt。

根據(jù)矩陣對稱的特點，重構(gòu)標簽對關(guān)系矩陣，并進行投票統(tǒng)計，將投票次數(shù)大于校準標簽yv的類別標記看成該樣本的相關(guān)標簽，并對相關(guān)標簽按照投票結(jié)果排序，如圖1所示。

3 實驗效果分析

3.1 預(yù)處理

本文在前期進行了大量的數(shù)據(jù)采集工作，采集方式主要為電子問卷的方式，數(shù)據(jù)內(nèi)容包括兩部分：能力項和適老改造項，其中能力項包括進食能力、梳洗能力、如廁能力、排便能力、自由移動能力、自主洗浴能力、記憶力衰退、抑郁癥、跌倒、噎食、高血壓、糖尿病、帕金森、老年癡呆、通風、肢體骨折、眼疾、失聰?shù)?，每個能力項根據(jù)嚴重程度分為4個等級（0分、3分、5分、10分），分值越高，能力越差；適老改造項包括選用照度高的燈具、清除房間地面高差、選用防滑地面、降低開關(guān)位置、爐灶自動斷火、水溫調(diào)節(jié)、操作臺添加輪椅空間、安全扶手、洗手盆下方留空、洗浴區(qū)助浴椅、玄關(guān)鞋柜及穿鞋凳、發(fā)光門鈴、馬桶扶手及安裝緊急呼叫器等。每位老人根據(jù)個人實際狀況勾選能力項并根據(jù)個人意愿對適老改造項進行篩選并按照需求進行排序。

由于采集對象為老年人，消費觀念和身體重視程度差異較大，因此需要進行數(shù)據(jù)清洗，刪除個人能力項和改造項為空集的樣本，并對相鄰重復(fù)的樣本進行了適當?shù)膭h減，最終獲得的老人樣本數(shù)為257個。為了提高學習器的準確性，對數(shù)據(jù)進行了歸一化處理并對數(shù)據(jù)的能力項特征進行主成分分析（Principal Component Analysis，PCA）處理，刪除冗余的能力項信息，最終保留了15項作為能力項的屬性特征。對樣本集做隨機抽樣，選取205個樣本作為訓練集Dtrain，52個樣本作為測試集Dtest。

3.2 評測指標

本文采用3個評測指標對算法性能進行評價。對于一個樣本Xi，用Zi表示學習器給出的Xi所屬的標簽集，Yi表示老人自選改造項集，ri(y)表示標簽y在預(yù)測出來標簽中的排序位置，y'表示預(yù)測出來的標簽。

漢明損失Hamming Loss：該指標度量的是預(yù)測標簽與真實標簽集之間的差異性，及相關(guān)的標簽不包含在真實結(jié)果中或不相關(guān)標簽包含在真實結(jié)果中。該指標值越小說明與真實標簽集越吻合。

其中ZiΔYi表示對稱差集長度；Zi∪Yi表示并集長度。

（2）1-錯誤率One-Error：該指標度量的是學習器對每個樣本的預(yù)測標簽集合中，排序最靠前的標簽不屬于該樣本實際標簽集合的情況。該指標值越小說明預(yù)測效果越好。

其中arg miny∈Yri(y)表示預(yù)測排位最靠前的標簽，當arg miny∈Yri(y)∈Yi時，δ(y)=0；否則δ(y)=1。

平均精度AvgPrec：該指標反映了所有樣本的預(yù)測標簽排序中，標簽排序值比真實結(jié)果集中的某一個標簽大的標簽個數(shù)，該值越大表明預(yù)測結(jié)果越好。

3.3 適老改造預(yù)測效果

本文選擇傳統(tǒng)的成對比較排序法（Ranking by Pairwise Comparison，RPC）與校準標簽排序算法（Calibrated Label Ranking，CLR）作為對比方法進行試驗，兩種算法都屬于問題轉(zhuǎn)換方法且均采用支持向量機（Support Vector Machine，SVM）作為基分類器。實驗結(jié)果如表2所示，可以直觀地看出CLR+ML-kNN算法的漢明損失更低，準確率更高，因為SVM在處理分布不均的類標集時容易陷入過擬合。從1-錯誤率與平均精度來看CLR+SVM和CLR+ML-kNN效果更佳，這是因為校準標簽的引入，過濾了部分非相關(guān)標簽，使得排序精度更高，效果更好。

表2 3種算法在各評測指標上的結(jié)果

4 結(jié)語

隨著社會老齡化日趨嚴重，居家養(yǎng)老的適老化改造逐漸成為社會的熱點研究問題。然而大多數(shù)都是趨于某個改造項的參數(shù)研究，缺少將改造項整合的個性化方案研究。本文根據(jù)老年人改造需求的排序，提出了基于多標簽機器學習的環(huán)境適老化改造算法，引入CLR與ML-kNN，經(jīng)測試表明，相比傳統(tǒng)的RPC與CLR效果更佳，適合進行環(huán)境適老化改造個性化的方案推薦。

[參考文獻]

[1]王羽，王朝霞，王辛，等.適老建筑實驗室[J].住區(qū)，2015（1）：103-109，102.

[2]貴晨，王羽，王辛，等.適老臥室實驗[J].住區(qū)，2015（2）：115-125，114.

[3]王朝霞，王羽，王辛，等.老年人居住建筑設(shè)計規(guī)范系列論證（一）—老年人輪椅回轉(zhuǎn)空間基礎(chǔ)實驗[J].住區(qū)，2015（1）：145-151.

[4]鄧超，王羽，郝俊紅.適老住宅開關(guān)插座高度實驗[J].住區(qū)，2015（5）：82-88.

[5]HüLLERMEIER E，F(xiàn)üRNKRANZ J，CHENG WW，et al.Label ranking by learning pairwise preferences[J].Artificial Intelligence，2008（16）：1897-1916.

[6]FüRNKRANZ J，HüLLERMEIER E，MENCíA EL，et al.Multilabel classification via calibrated label ranking[J].Machine Learning，2008（2）：133-153.

[7]WANG M，LIU M，F(xiàn)ENG S，et al.A novel calibrated label ranking based method for multiple emotions detection in Chinese microblogs[J].Communications in Computer & Information Science，2014（496）：238-250.

[8]ZHANG M L，ZHOU Z H.ML-KNN：a lazy learning approach to multi-label learning[J].Pattern Recognition，2007（7）：2038-2048.