戴 丹，管有慶，龔 銳

(南京郵電大學 物聯(lián)網(wǎng)學院，江蘇 南京 210003)

0 引 言

活動識別主要是實現(xiàn)對用戶的活動感知，其實質(zhì)是利用計算機對數(shù)據(jù)庫中的低層次數(shù)據(jù)進行識別、理解和預測，推動從低層次數(shù)據(jù)到高層次語義活動的理解。一般低層次數(shù)據(jù)是指采集到的日志數(shù)據(jù)信息，如傳感器的日志數(shù)據(jù)、服務器操作記錄日志數(shù)據(jù)等等，這些數(shù)據(jù)僅僅反映了用戶單純的某個動作，例如打開廚房門、打開水龍頭等簡單的動作。從低層次數(shù)據(jù)中得到的信息會非常零碎，外部控制設備很難根據(jù)這些信息做出具體的智能控制，即活動識別基于這些低層次的數(shù)據(jù)特征識別出高層次的活動信息，完成從數(shù)據(jù)到用戶活動的轉(zhuǎn)變，使得控制器更加智能化和自動化。

因為用戶活動的復雜性和多樣性，如何使用計算機正確進行活動識別一直是智能家居領(lǐng)域的一個難點，總的來說可以分為這幾個研究方向：活動的并發(fā)性、活動的不確定性以及數(shù)據(jù)的不確定性?；顒拥牟l(fā)性是指用戶可以同時進行幾項活動，活動交錯進行且沒有時序性，例如用戶可以在邊打掃衛(wèi)生的同時邊收看電視節(jié)目或者用戶在觀看電視途中收到電話通知會暫停觀看電視節(jié)目去接電話，接完電話再繼續(xù)觀看電視。這種情況下打掃和看電視是同時進行的活動，打電話和看電視是交錯進行的活動，但是有些活動識別的方法并不能有效地識別出不按順序執(zhí)行的活動和沒有時序性的活動，這些方法在解決活動的并發(fā)性上就產(chǎn)生了很大的局限性?；顒拥牟淮_定性是指具有相同動作和傳感器數(shù)據(jù)流程的活動有可能不同，即收集到的傳感器數(shù)據(jù)有可能是一樣的，但是卻對應著多個不同的活動，例如用戶打開廚房的水龍頭開關(guān)有可能是在進行打掃的活動也有可能是在做飯，做飯和打掃都觸發(fā)了同樣的傳感器。數(shù)據(jù)的不確定性是指因環(huán)境因素帶來的傳感器數(shù)據(jù)缺失等。這些數(shù)據(jù)是片面的具有不確定性的，因此在進行用戶的活動識別時往往帶來了一定程度上的困難。

總結(jié)國內(nèi)外大量的活動識別研究方法，可分為數(shù)據(jù)驅(qū)動和知識驅(qū)動方法。數(shù)據(jù)驅(qū)動是基于學習的技術(shù)，基于學習的技術(shù)的優(yōu)勢是處理不確定性的能力，能夠獲得高準確率的活動識別。但是數(shù)據(jù)驅(qū)動易受到維數(shù)的限制，并且需要大量的初始訓練數(shù)據(jù)集來訓練活動模型。知識驅(qū)動方法利用先驗知識建立語義活動模型，然后輸入傳感器數(shù)據(jù)對其進行推理，促進了語義活動模型和識別過程的發(fā)展。但是仍然有一些局限性，它對于時態(tài)信息建模的支持很少，且不能處理不確定性。Lester等人應用數(shù)據(jù)驅(qū)動中的HMM(hidden Markov model，隱馬爾可夫模型)來構(gòu)建用戶的活動，提出了一種判定啟發(fā)式方法來進行用戶活動識別。Chen L等人提出了一種構(gòu)建本體模型的知識驅(qū)動的方法，解決了異構(gòu)數(shù)據(jù)間的知識共享問題，但沒有解決活動的不確定性問題。

該文在采用本體推理的基礎(chǔ)上，融合改進的證據(jù)推理提出了一種ER-OT算法。本體推理主要是通過Jena推理機，證據(jù)推理主要是通過D-S理論(Dempster-Shafer theory，證據(jù)理論)賦予缺失的傳感器數(shù)據(jù)權(quán)重，然后與其他證據(jù)相結(jié)合。此外，通過重新定義的沖突系數(shù)來改進證據(jù)合成規(guī)則，改進的證據(jù)合成規(guī)則可以通過組合證據(jù)來解決沖突數(shù)據(jù)，最后應用于融合最終的推理結(jié)果，從而促進了活動識別過程。該推理算法既保持了本體推理的優(yōu)勢，又使其具有了處理活動識別過程中不確定性的能力。

1 Dempster-Shafer理論

(1)識別框架(Θ)。

若存在一個需要判決的問題，該問題所有可能答案的有限集用Θ來表示，Θ可以是數(shù)值變量，也可以是非數(shù)值變量，而且在這些答案中有且只有一個是正確的，則稱Θ為識別框架，用數(shù)學語言表示為Θ={

θ

,

θ

,…,

θ

,…,

θ

}，其中

θ

是Θ的一個事件或者一個元素，

n

是Θ中元素的個數(shù)，

i

=1,2,…,

n

，Θ的空間大小為2。

(2)BPA(basic probability assignment,基本概率分配函數(shù))。

設Θ是識別框架，

A

為識別框架Θ的任一子集，集函數(shù)

m

:2→[0,1]，并且滿足條件：

(1)

式中，?是空集，

m

(

A

)是對于事件

A

的基本信任分配值，表示Θ中的證據(jù)對

A

的信任程度。

A

為Θ下的子集，如果滿足

m

(

A

)>0，那么就稱

A

為焦元。焦元中包含Θ的元素的個數(shù)稱為這個焦元的基。所有焦元的集合被稱為該證據(jù)的核。

(3)信任函數(shù)。

D-S理論中的信任函數(shù)定義為Bel，它表示在當前環(huán)境下，對某假設集合所信任的程度。在識別框架Θ上基于BPA的信任函數(shù)的定義為：

(2)

式中，Bel(

A

)稱為事件

A

的信任值，表示事件

A

中所有子集

B

的基本信任分配之和，即對

A

的最低信任程度。根據(jù)定義可以得出空集的信任值為0。

(4)似然函數(shù)。

似然函數(shù)的定義為Pl，又被稱為不可駁斥函數(shù)或上限函數(shù)，一般通過似然函數(shù)來描述對集合為非假的信任程度，即為對事件

A

的懷疑程度。在識別框架Θ上基于BPA的似然函數(shù)的定義為：

(3)

或：

(4)

其中，在Θ中的事件

A

，根據(jù)基本概率分配BPA可以計算出其信任函數(shù)Bel(

A

)和似然函數(shù)Pl(

A

)，其中Bel(

A

)表示對事件

A

為真的信任程度，Pl(

A

)表示對事件

A

為非假的信任程度，且Pl(

A

)≥Bel(

A

)，所以其信任區(qū)間可表示為[Bel(

A

),Pl(

A

)]。

D-S合成規(guī)則是證據(jù)推理完成信息融合過程的核心，它可以表示出證據(jù)間的聯(lián)合作用。如果給定了同一識別框架下幾組不同證據(jù)的基本概率分配函數(shù)即質(zhì)量函數(shù)，且這幾組證據(jù)不是完全互相沖突的，那么就可以利用D-S合成規(guī)則計算出這幾組證據(jù)聯(lián)合作用下的聯(lián)合質(zhì)量函數(shù)。D-S理論的合成主要包括兩組證據(jù)的合成和多組證據(jù)的合成，兩組證據(jù)的D-S理論合成規(guī)則定義如下：

設

m

表示識別框架Θ下第

i

組證據(jù)的基本概率分配函數(shù)，

i

=1,2,…,

n

為證據(jù)組數(shù)。對于第一組、第二組兩組證據(jù)進行合成：

(5)

其中：

(6)

其中，

A

、

B

分別為

m

、

m

的焦元，表示第一組證據(jù)的基本概率分配函數(shù)；

K

表示證據(jù)之間的沖突系數(shù)，反映了證據(jù)間的沖突程度。

K

越大代表證據(jù)之間的沖突越大。若

K

=1則表示證據(jù)之間完全沖突，

K

=0則表示證據(jù)完全不沖突。

多組證據(jù)的D-S理論合成規(guī)則如下：

m

(

Z

)=

m

⊕

m

⊕…⊕

m

=

(7)

其中：

(8)

其中，

A

、

B

和

N

分別為

m

、

m

和

m

的焦元，

m

(

i

=1,2,…,

n

)表示識別框架Θ下第

i

組證據(jù)的基本概率分配函數(shù)，

K

表示證據(jù)之間的沖突系數(shù)。例1：假設2個傳感器對同一個活動進行識別，認為活動可能是睡覺(

A

)，打掃(

B

)和洗澡(

C

)中的一種，則識別框架Θ={

A

,

B

,

C

}，兩組證據(jù)的基本概率函數(shù)如下：

則按照D-S理論合成規(guī)則可得

K

=0

.

99，

m

(

A

)=0，

m

(

B

)=1，

m

(

C

)=0，從證據(jù)合成后的結(jié)果可以得到，兩組證據(jù)對

B

的可信度很低，但是合成后卻得到了

B

是確定事件，產(chǎn)生了不合理的結(jié)果，所以證據(jù)在完全沖突或嚴重沖突時，傳統(tǒng)的D-S理論合成規(guī)則可能會得到錯誤的合成結(jié)果，因此下面提出了一種D-S理論的改進方法。

2 基于證據(jù)和本體推理的不確定推理方法

2.1 證據(jù)理論的改進

因為D-S理論用于信息融合時，可能會出現(xiàn)不合常理甚至錯誤的結(jié)論，即當D-S理論所需要的各組證據(jù)合理時，利用D-S理論的合成規(guī)則能夠得到理想的合成結(jié)果，而當證據(jù)間沖突過大即沖突系數(shù)

K

過大時，會得到有悖常理的合成結(jié)果。所以國內(nèi)外學者提出了很多改進辦法，如墨菲(Murphy)提出了一種修改證據(jù)模型但是并不改變D-S理論合成規(guī)則的經(jīng)典算法，其主要思想是將算術(shù)平均證據(jù)作為新證據(jù)，并利用D-S理論合成規(guī)則進行合成。

基于上述改進方法，可應用加權(quán)分配的思想將智能家居中的傳感器收集的多組證據(jù)賦予不同的權(quán)重，一組被其他證據(jù)高度支持的證據(jù)應賦予較高的權(quán)重，而一組與其他證據(jù)沖突較高的證據(jù)應賦予較低的權(quán)重，計算公式如下：

m

(

Z

)=∑

m

(

A

)

ω

+

m

(

B

)

ω

+…+

m

(

N

)

ω

(9)

其中，

ω

,

ω

,…,

ω

表示

m

,

m

,…,

m

對應的加權(quán)系數(shù)。例2：假設識別框架Θ={

A

,

B

,

C

}，兩組證據(jù)的基本概率函數(shù)如下：

M

:

m

(

A

)=0

.

99,

m

(

B

)=0,

m

(

C

)=0

.

01

M

:

m

(

A

)=0

.

01,

m

(

B

)=0,

m

(

C

)=0

.

99由加權(quán)分配的思想將

ω

設為0.5，

ω

設為0，

ω

設為0.5，按加權(quán)合成規(guī)則可得

m

(

A

)=1，

m

(

B

)=0，

m

(

C

)=1，

K

=0

.

990 1?？梢钥闯鲈谧C據(jù)嚴重沖突的情況下基于以上的合成規(guī)則的改進方法，沖突系數(shù)依舊不能清楚表述證據(jù)之間沖突的程度，所以提出在加權(quán)分配的基礎(chǔ)上引入明氏距離函數(shù)來解決這一問題，對沖突系數(shù)重新進行了定義，沖突系數(shù)的定義公式如式(12)所示。假設識別框架Θ={

Z

,

Z

,…,

Z

}，

Z

為識別框架的焦元，

a

和

b

分別為基于焦元

Z

的各組證據(jù)的基本概率分配函數(shù)，證據(jù)體

m

、

m

的定義如式(10)所示：

(10)

根據(jù)明氏距離函數(shù)得到

m

、

m

之間的距離

d

(

m

,

m

)的定義，如式(11)所示。

(11)

式中，

a

和

b

分別為基于焦元

Z

的各組證據(jù)的基本概率分配函數(shù)，當

n

=1時為曼哈頓距離，當

n

=2為歐氏距離，當

n

→∞時為切比雪夫距離?；诿魇暇嚯x函數(shù)重新定義的沖突系數(shù)

K

為：

(12)

結(jié)合加權(quán)分配法的證據(jù)推理算法處理有矛盾沖突的證據(jù)，步驟如下:

Step1：讀入兩組證據(jù)

m

和

m

;Step2：按重新定義的沖突系數(shù)計算沖突系數(shù)

K

，判斷

K

是否大于設定的閾值，如果大于閾值則是沖突證據(jù)，跳到Step4；否則跳到Step3；

Step3：按D-S理論合成規(guī)則對證據(jù)進行合成，跳到Step5；

Step4：使用加權(quán)分配法處理沖突證據(jù)；

Step5：如果證據(jù)合成未結(jié)束，跳到Step2繼續(xù)合成，否則結(jié)束。

2.2 ER-OT算法

ER-OT算法的流程如圖1所示。

在ER-OT算法的本體推理中，主要是應用Jena推理機進行本體推理。首先對傳感器數(shù)據(jù)信息進行分類，列出各種可能推測的結(jié)果，再將這些信息與推測結(jié)果根據(jù)某種算法映射起來，并計算出每個獨立結(jié)果的可能性。要對用戶正在進行的活動進行推測，首先要對從傳感器收集到的傳感器信息按照其可能對應的推理結(jié)果進行分類。比如，用戶活動的推理結(jié)果“睡覺”，那么就要將對應的可能能夠作為判斷依據(jù)的傳感器數(shù)據(jù)信息歸為一類，其可能是加速度傳感器、光敏傳感器或者心率傳感器等。歸類之后，就會按照某一原始的推理算法推算出用戶在睡覺的可能性。

證據(jù)推理就是融合動作上下文來計算活動的信任度，由低級的動作上下文來推斷出高級的活動信息。可以將D-S理論中的證據(jù)理解為知識庫中的低級本體，而活動識別中的高級本體能對應的就是D-S理論中的識別框架集合。然后，D-S理論會根據(jù)每個不同的證據(jù)，以及每個證據(jù)單獨的支持的Bel函數(shù)根據(jù)信任度函數(shù)和合成規(guī)則將本體推理和證據(jù)推理的結(jié)果進行合成，最后得出每個支持的證據(jù)的信任度。只需要選取其中信任度最高的前一項或者兩項，就是所要得到的推理結(jié)果。

圖1 ER-OT算法流程

ER-OT算法基本思想概述為：

Step1：一旦觸發(fā)推理模塊，判斷輸入的信息。

Step2：如果輸入的數(shù)據(jù)無法和知識庫中的數(shù)據(jù)進行本體匹配，將推理信息輸入到Jena本體推理機和改進的證據(jù)推理算法中，兩者會分別得出相應的推理結(jié)果，跳到Step3;如果輸入的數(shù)據(jù)可以和知識庫中的數(shù)據(jù)進行本體匹配，則將匹配的數(shù)據(jù)存入到知識庫中并更新本體數(shù)據(jù)，跳到Step4。

Step3：將推理結(jié)論用改進的D-S理論合成規(guī)則進行結(jié)論的合成后輸出最終推理結(jié)果，同時也將推理結(jié)果存入知識庫中以方便以后提取。

Step4：將匹配到的數(shù)據(jù)以及推理出的結(jié)果存入知識庫中，從而得出最終的推理結(jié)果。

3 模擬實驗結(jié)果與分析

實驗重點在于驗證ER-OT算法在解決活動識別中的不確定性問題的實用性，并與現(xiàn)有的算法(如MLN，本體(ontology)等)在CASAS(center for advanced studies in adaptive systems，自適應系統(tǒng)高級研究中心)數(shù)據(jù)集下進行比較。通過下面實驗可知，基于ER-OT算法的活動識別方法能很好地解決活動中的不確定性，并且優(yōu)于其他的推理方法。

3.1 實驗環(huán)境及數(shù)據(jù)集介紹

實驗環(huán)境是基于eclipse，Jena，Matlab 2016b和Protégé 5.0的。日?；顒訑?shù)據(jù)集收集于華盛頓州立大學的CASAS項目，活動數(shù)據(jù)集(ADL)記錄了傳感器的開關(guān)時間和位置等。智慧空間分為四個區(qū)域：休息室、衛(wèi)生間、廚房和餐廳。

智能家居場景下的傳感器包括檢測人體壓力的PIR(pyroelectric infrared sensor for human body，人體熱釋電紅外傳感器)傳感器和“物品傳感器”，每個區(qū)域內(nèi)的PIR傳感器用于檢測用戶是否存在，“物品傳感器”用于指示給定對象的狀態(tài)，例如“門傳感器”用于表示門的打開或關(guān)閉。采用ADL和ADL-D兩組數(shù)據(jù)集進行驗證，其中ADL為用戶順序執(zhí)行活動的數(shù)據(jù)集，ADL-D為用戶不遵循特定順序執(zhí)行活動的數(shù)據(jù)集。

收集了20個測試人員的5種日常活動：(1)打掃(180 s)；(2)吃飯(120 s)；(3)休閑活動(240 s)；(4)洗漱(60 s)；(5)睡覺(720 s)，包括6 438條數(shù)據(jù)。表1給出了5種用戶順序執(zhí)行的活動及其描述。

表1 5種用戶順序執(zhí)行的活動

實驗中閾值代表某一項活動中證據(jù)的強度，范圍為[0,1]，其中0表示沒有證據(jù)，1表示確定性，在這里設置為0.5，表示要求至少有一半的證據(jù)來斷定用戶在進行某個活動。用改進的證據(jù)推理和本體推理的算法推理出結(jié)果后，按照本體推理權(quán)重系數(shù)0.3，D-S理論權(quán)重系數(shù)0.7再對推理結(jié)果用D-S理論合成公式進行合成。

3.2 實驗結(jié)果與分析

使用F1作為評價標準，F(xiàn)1的計算方法如公式(13)所示。

(13)

其中，準確率Precision=TP/(TP+FP)、召回率Recall=TP/(TP+FN)，TP表示正確識別的活動數(shù)目，F(xiàn)P表示錯誤識別的活動數(shù)目，F(xiàn)N表示沒有識別出的活動數(shù)目。按順序執(zhí)行的活動得出的最終推理結(jié)果的準確率如表2所示，參與者在執(zhí)行活動時不遵循特定順序最終推理結(jié)果的準確率如表3所示。

表2 利用ADL數(shù)據(jù)集進行活動識別的準確率

表3 利用ADL-D數(shù)據(jù)集進行活動識別的準確率

將ER-OT算法與Ontology算法以及MLN算法進行對比實驗。其中Ontology算法使用Protégé 5.0構(gòu)建活動本體，并用Jena推理機進行推理，完成實驗。MLN算法則使用工具Tuffy來實現(xiàn)。

如表2和表3所示，因為傳感器數(shù)據(jù)在傳輸中的丟失導致的不確定性，Ontology算法在兩個數(shù)據(jù)集除打掃外的所有活動中均表現(xiàn)良好。ER-OT算法融合了改進證據(jù)推理的推理結(jié)果，提高了準確率。表2中可以看出ER-OT算法量化了傳感器數(shù)據(jù)中的不確定性，提高了在不遵循特定順序執(zhí)行活動的活動識別準確率，并且優(yōu)于其他兩個算法。總體而言，在實驗所考慮的大多數(shù)活動中，ER-OT算法的活動識別準確率均優(yōu)于Ontology算法和MLN算法。

由圖2可知，ER-OT算法在識別Activity1、Activity4以及Activity5時優(yōu)于其他算法，但在識別Activity2和Activity3時，ER-OT算法和MLN算法由于其規(guī)則采用人工定義，且用戶活動打掃和休閑活動執(zhí)行方式具有多樣性的特點，因此同Ontology算法一樣，F(xiàn)1值較低，但也優(yōu)于其他算法。

圖2 ADL數(shù)據(jù)集下活動識別的F1值

圖3 ADL-D數(shù)據(jù)集下活動識別的F1值

在ADL-D數(shù)據(jù)集下，各方法的F1值如圖3所示。各方法的F1值均有下降，但ER-OT算法在識別活動Activity1、Activity2、Activity3、Activity4以及Activity5時仍保持最高的F1值。

如圖4所示，在實驗所考慮的大多數(shù)活動中包括順序執(zhí)行活動的數(shù)據(jù)集ADL和不遵循特定順序執(zhí)行活動的數(shù)據(jù)集ADL-D中，ER-OT算法的平均準確率均優(yōu)于Ontology算法和MLN算法。

圖4 ADL和ADL-D數(shù)據(jù)集各方法的平均準確率

4 結(jié)束語

該文提出了一種混合式推理算法(ER-OT)，將改進的證據(jù)推理與基于Jena推理機的本體推理相結(jié)合，應用于智能家居場景下的活動識別中，解決了活動的不確定性與推理結(jié)果間的沖突。實驗表明，設計的不確定性推理方法具有較高的推理準確性。在未來的工作中，希望能夠通過大數(shù)據(jù)、云計算等技術(shù)進一步提高推理的準確性。