孫宏宇，吳嘉伊，吳 宇

（吉林師范大學(xué) 計(jì)算機(jī)學(xué)院，吉林 四平 136000）

0 引言

隨著科學(xué)技術(shù)的發(fā)展，人體行為感知和分析技術(shù)已經(jīng)廣泛應(yīng)用在生活的各個(gè)方面。由于現(xiàn)有的人體行為感知算法需要利用復(fù)雜的特征提取技術(shù)，使其在嵌入式設(shè)備上的運(yùn)行較為困難。而決策樹(shù)算法、例如GBDT等就可以有效解決此問(wèn)題，在不使用復(fù)雜特征提取的基礎(chǔ)上則能夠?qū)崿F(xiàn)精準(zhǔn)的人體行為感知。與其他傳統(tǒng)的感知技術(shù)手段相比，通過(guò)無(wú)線信號(hào)的非接觸式感知信號(hào)對(duì)人體行為的感知分析具備了很多優(yōu)勢(shì)和特點(diǎn)。首先，無(wú)線信號(hào)的非接觸式感知信號(hào)已經(jīng)遍布在日常生活中的每個(gè)角落，其對(duì)人體行為的感知就是通過(guò)對(duì)人體反射、散射以及衍射的無(wú)線信號(hào)的非接觸式感知信號(hào)特征檢測(cè)實(shí)現(xiàn)的，不需要攜帶任何傳感器，并且還具有非視距感知能力，可以較好地穿越障礙。同時(shí)，因?yàn)闊o(wú)線信號(hào)的非接觸式感知信號(hào)屬于電磁波，可以不受外界的溫度、濕度以及光照等因素的影響，能大大提高對(duì)人體行為的分析能力。近年來(lái)，無(wú)線信號(hào)的非接觸式感知技術(shù)也一直處于不斷的發(fā)展之中。2019年9月16日，Wi-Fi聯(lián)盟宣布啟動(dòng)WI-FI 6認(rèn)證計(jì)劃，并于2020年1月3日將使用6 GHz頻段的IEEE 802.11ax稱為Wi-Fi 6E；2022年1月，Wi-Fi聯(lián)盟宣布了Wi-Fi 6第2版標(biāo)準(zhǔn)，Wi-Fi 6目前支持頻段（2.4 GHz，5 GHz，6 GHz）的電源管理。無(wú)線信號(hào)的非接觸式感知技術(shù)的不斷增強(qiáng)即使得對(duì)人體動(dòng)作行為可做到更為精確的檢測(cè)。

梯度提升樹(shù)（GBDT）算法是一種集成機(jī)器學(xué)習(xí)算法，是通過(guò)訓(xùn)練多個(gè)弱分類器來(lái)生成準(zhǔn)確的結(jié)果，GBDT算法在分類、回歸等多方面均表現(xiàn)出優(yōu)異性能，同時(shí)也作為多種算法競(jìng)賽中最受歡迎的算法之一，究其原因就在于GBDT可以高效地解決高維和多分類問(wèn)題。

本文利用梯度提升樹(shù)（GBDT）算法，并通過(guò)無(wú)線信號(hào)的非接觸式感知信號(hào)對(duì)人體行為的識(shí)別進(jìn)行研究和分析。仿真實(shí)驗(yàn)結(jié)果證明，該方法在無(wú)線感知人體動(dòng)作行為方面具有可實(shí)施性。

1 GBDT算法原理

梯度提升（梯度增強(qiáng)）是一種用于回歸和分類問(wèn)題的機(jī)器學(xué)習(xí)技術(shù)，由其產(chǎn)生的預(yù)測(cè)模型是弱預(yù)測(cè)模型的集成，例如采用典型的決策樹(shù)作為弱預(yù)測(cè)模型，這時(shí)則稱為梯度提升樹(shù)（GBDT）。如其他提升方法一樣，這是以分階段的方式構(gòu)建模型，但卻通過(guò)允許對(duì)任意可微分損失函數(shù)進(jìn)行優(yōu)化作為對(duì)一般提升方法的推廣。GBDT是一種準(zhǔn)確有效的程序，可用于各種領(lǐng)域的回歸和分類問(wèn)題，例如Web搜索、排名和生態(tài)領(lǐng)域等。

給定訓(xùn)練集｛（，），，（x，y）｝，損失函數(shù)（，（）），基函數(shù)集｛（，）｝，算法的設(shè)計(jì)步驟可具體表述如下。

（1）初始化（）0，對(duì)此可表示為：

（2）對(duì)1，2，…，

①計(jì)算殘差。其數(shù)學(xué)表達(dá)式可寫為：

②以殘差r為預(yù)測(cè)值，訓(xùn)練一個(gè)回歸樹(shù)T（，）。

③更新f（）。此處需用到的數(shù)學(xué)公式為：

（3）經(jīng)過(guò)次迭代后得到最終模型，采用函數(shù)的形式進(jìn)行表示，即：

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)集

研究人體動(dòng)作行為的識(shí)別需要進(jìn)行實(shí)證分析，本文在信號(hào)采集上使用了構(gòu)建原型系統(tǒng)，如圖1所示。該原型系統(tǒng)共采集了1040個(gè)樣本數(shù)據(jù)，數(shù)據(jù)采集場(chǎng)景如圖2所示。這些樣本均來(lái)源于實(shí)驗(yàn)室的志愿者，本文衡定后選取了7個(gè)和人體日常行為相關(guān)的動(dòng)作作為指標(biāo)，其中包括水平走（WH）、垂直走（WV）、跑（RV）、跳（JM）、向前摔倒（FF）、向左摔倒（FL）、向右摔倒（FR），并對(duì)這7個(gè)動(dòng)作行為進(jìn)行特征提取。

圖1 非接觸感知系統(tǒng)原型系統(tǒng)Fig.1 Prototype system of device-free sensing system

圖2 數(shù)據(jù)采集場(chǎng)景Fig.2 Data acquisition scenario

2.2 實(shí)驗(yàn)及結(jié)果

動(dòng)作分類準(zhǔn)確率是評(píng)價(jià)算法對(duì)人體動(dòng)作行為識(shí)別的重要評(píng)價(jià)指標(biāo)。其中，本文所使用的梯度提升樹(shù)（GBDT）算法進(jìn)行動(dòng)作識(shí)別不主要做特征工程，該算法中共使用了4個(gè)參數(shù)，具體來(lái)說(shuō)分別為_(kāi)，_，_，_。 其中，每個(gè)參數(shù)的取值不同會(huì)對(duì)其預(yù)測(cè)結(jié)果產(chǎn)生不小的影響，本實(shí)驗(yàn)針對(duì)4個(gè)參數(shù)的不同取值共做了16組隨機(jī)實(shí)驗(yàn)取值，實(shí)驗(yàn)結(jié)果如圖3所示。由圖3可知，當(dāng)4個(gè)參數(shù)分別取值（_150，_10，_30，_0）時(shí)，其分類準(zhǔn)確率最高，可以達(dá)到0.98789，此時(shí)可以對(duì)人體行為進(jìn)行很好的識(shí)別，且基本沒(méi)有誤差，其識(shí)別準(zhǔn)確度結(jié)果接近100%。

圖3 不同參數(shù)預(yù)測(cè)結(jié)果折線圖Fig．3 Line chart of prediction results of different parameters

本文還使用其他常用算法也進(jìn)行了動(dòng)作行為的識(shí)別和分析，其他行為的動(dòng)作分類準(zhǔn)確率均不如本文所使用的梯度提升樹(shù)（GBDT）算法，參見(jiàn)圖4。

從圖4可以看出，在面對(duì)相同一組動(dòng)作行為數(shù)據(jù)時(shí)，該算法與其他算法相比，其準(zhǔn)確度更高，擬合度更好。

圖4 本文算法與其他算法識(shí)別準(zhǔn)確度對(duì)比Fig.4 The comparison of the recognition accuracy of this algorithm and other algorithms

實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)其他算法相比，本文提出的使用梯度提升樹(shù)（GBDT）算法具有可實(shí)施性，其較低的誤差率表明該方法可以廣泛應(yīng)用于睡眠檢測(cè)、跌倒檢測(cè)、日常行為檢測(cè)等方面，為人體行為的識(shí)別方面提供了更切實(shí)可行的方法。

3 結(jié)束語(yǔ)

針對(duì)通過(guò)無(wú)線信號(hào)的非接觸式感知信號(hào)對(duì)人體行為動(dòng)作感知分類問(wèn)題，本文設(shè)計(jì)了一種基于梯度決策樹(shù)（GBDT）算法對(duì)人體行為動(dòng)作進(jìn)行感知與分析的方法。實(shí)驗(yàn)結(jié)果表明，在通過(guò)無(wú)線信號(hào)的非接觸式感知信號(hào)對(duì)人體行為的感知方面，該方法在動(dòng)作分類方面的準(zhǔn)確率高于其他算法，證明了所提出的方法對(duì)于人體行為動(dòng)作的感知和分類問(wèn)題具有顯著效果，并為后續(xù)的人體動(dòng)作行為識(shí)別、預(yù)測(cè)研究做了有益的探索與嘗試。