融合運動和生理傳感數據的層次化復雜活動識別方法技術

本發明專利技術公開了一種融合運動和生理傳感數據的層次化復雜活動識別方法。包括：1)利用智能設備和穿戴式設備采集運動和生理傳感數據；2)對運動傳感數據提取統計特征，對生理傳感數據提取結構特征和瞬態特征；3)對運動傳感數據的統計特征進行K?Means聚類和LDA主題提取，得到運動傳感數據的主題分布；4)在運動傳感數據的主題分布和生理傳感數據的特征基礎上，分別建立相應的分類器；5)采用分數級融合的方法將合分類器的輸出，得到復雜活動分類模型。本發明專利技術利用聚類和主題模型表示復雜活動的層次化結構，且融合運動和生理傳感數據，能實現準確地復雜活動識別，在智能家居、醫療保健、老年人輔助等領域具有廣闊的應用前景。

Hierarchical complex activity recognition method integrating motion and physiological sensing data

The invention discloses a hierarchical complex activity recognition method integrating motion and physiological sensing data. Include: 1) the use of smart devices and wearable devices to collect movement and physiological sensing data; 2) extract the statistical characteristics of motion sensing data extraction, structure characteristics and transient characteristics of physiological sensing data; 3) statistical characteristics of motion sensing data of K Means LDA clustering and topic extraction, motion sensing data subject distribution; 4) in the feature based theme distribution and physiological sensor data on the motion sensing data, establish the corresponding classifier; 5) output by using the method of score level fusion of the classifier, complex activity model. The hierarchical structure of the invention using clustering and topic models represent complex activities, and the fusion movement and physiological sensing data, can realize accurate recognition of complex activities, has broad application prospects in intelligent Home Furnishing, medical care, elderly assistance etc..

【技術實現步驟摘要】
融合運動和生理傳感數據的層次化復雜活動識別方法
本專利技術涉及模式識別和普適計算領域，具體涉及一種融合運動和生理傳感數據的層次化復雜活動識別方法。
技術介紹
隨著智能設備(如智能手機、智能手表等)和穿戴式設備(如胸帶、手環等)的發展，加速度、角速度等運動傳感數據以及心電、心率、呼吸率等生理傳感數據的獲取變得日益便捷，如何利用這些數據進行活動識別成為了業界關注的焦點，相應技術在智能家居、醫療保健、老年人輔助等領域具有廣闊的應用前景。簡單活動通常由周期性的動作或者人體單一姿勢組成，如站立、坐、走路、跑步等。相比簡單活動，復雜活動通常規律性不強，持續時間更長，且具有高級語義，如吃飯、工作、購物等。傳統基于智能設備和穿戴式設備的活動識別方法通常首先采集用戶的活動相關數據，然后對其進行預處理和分割，接著進行特征提取，最后利用特征數據訓練一個活動識別模型。然而傳統方法大部分僅基于運動傳感數據，且通常只在簡單活動上取得較高的識別準確率。識別簡單活動不能滿足許多實際應用的需求，復雜活動更能反映用戶的日常生活，例如，在健康監護應用中，識別用戶的復雜活動如吃藥、康復訓練等比簡單活動更有價值。由于同一簡單活動可對應多種復雜活動，如坐著可以是在工作、學習、開會、看電視、吃飯等，現有基于運動傳感數據的活動識別方法不能有效分辨這些活動。因此出現了分層識別復雜活動的方法：將復雜活動看作簡單活動的組合，人工定義簡單活動，并基于領域知識建立簡單活動與復雜活動的組成關系。然而，人工定義的簡單活動難以覆蓋到復雜活動的所有組成，容易造成信息丟失，導致對復雜活動難以進行準確表示。為進一步提高活動識別的性能，目前也出現了融合運動和生理傳感數據的活動識別方法，在特征層面對運動和生理傳感數據進行融合。但由于運動傳感數據和生理傳感數據特性不同，運動傳感數據主要體現瞬態變化，而生理傳感數據變化速度相對緩慢，加之復雜活動種類繁多，特征級融合不能有效整合特性不同的兩類數據進行復雜活動識別。
技術實現思路
鑒于上述，本專利技術提出了一種融合運動和生理傳感數據的層次化復雜活動識別方法，該方法將復雜活動看作多種簡單活動的組合，結合聚類和主題模型來進行層次化的復雜活動識別。一種融合運動和生理傳感數據的層次化復雜活動識別方法，具體包括以下步驟：(1)采集運動傳感數據和生理傳感數據，并對兩種數據進行異常值處理和特征提取，構建運動傳感數據特征向量Fa和生理傳感數據特征向量Fp；(2)將運動傳感數據特征向量Fa進行K-Means聚類和LDA主題提取，得到運動傳感數據的主題分布；(3)建立生理傳感數據的分類器，將生理傳感數據特征向量Fp作為該分類器的輸入，計算得到生理傳感數據在復雜活動上的概率向量Pp＝[Pp1,Pp2…,Ppm]，m為復雜活動類別的總數目；(4)建立運動傳感數據的分類器，將運動傳感數據的主題分布作為該分類器的輸入，計算得到運動傳感數據在復雜活動上的概率向量Pa＝[Pa1,Pa2,…,Pam]；(5)將概率向量Pa和概率向量Pp作為邏輯回歸融合模型的輸入數據，將復雜活動類型作為邏輯回歸融合模型的真值標簽，對邏輯回歸融合模型進行訓練，得到復雜活動分類模型；(6)利用步驟(1)～步驟(4)的方法采集并處理測試運動傳感數據和測試生理傳感數據，得到測試生理傳感數據的概率向量P’p和測試運動傳感數據的概率向量P’a，然后，將概率向量P’p和概率向量P’a輸入到復雜活動分類模型中，計算得到復雜活動類型。所述的步驟(1)的具體步驟為：(1-1)采用智能設備和穿戴式設備采集用戶在復雜活動時的運動傳感數據和生理傳感數據；(1-2)對運動傳感數據和生理傳感數據進行異常值消除處理，并將處理后的兩種數據進行時間窗口劃分；(1-3)對每個時間窗口的運動傳感數據提取常用統計特征，構建運動傳感數據特征向量Fa；(1-4)對每個時間窗口的生理傳感數據提取結構特征和瞬態特征，構建生理傳感數據特征向量Fp。所述的步驟(1-2)的具體步驟為：(1-2-1)對運動傳感數據進行異常點檢測，并對其中的值為零的數據進行插值處理；(1-2-2)對生理傳感數據進行異位檢測與替換，并將其中超出正常值范圍的數據消除或進行均值填充；(1-2-3)對處理后的運動傳感數據與生理傳感數據進行時間窗口劃分，生理傳感數據的時間窗口大小是運動傳感數據的時間窗口大小的整數倍N。步驟(1-3)中，所述的常用統計特征為常用的時域特征，包括：均值(Mean)、方差(Var)、標準差(Std)、中位數(Median)、最小值(Min)、最大值(Max)、四分位距(Iqr)、平均絕對偏差(Mad)以及根均方(Rms)。步驟(1-4)中，所述的結構特征的獲取方法為：采用函數擬合生理傳感數據變化，選取與生理傳感數據擬合最好的函數的系數作為結構特征。所述的瞬態特征有兩種，一是數據的變化趨勢(上升、下降和維持不變)；二是數據的變化幅度。所述的步驟(2)的具體步驟為：(2-1)將所有窗口的運動傳感數據特征向量Fa通過K-Means聚類，得到K個簇，每個時間窗口的運動傳感數據對應一個簇編號，K個簇為K個“詞”；(2-2)將N個窗口的運動傳感數據視作一個復雜活動，為“文檔”，統計每個文檔在K個詞上的分布，得到“文檔”在“詞”上的分布p(w|d)；(2-3)將“文檔”在“詞”上的分布p(w|d)作為LDA主題模型的輸入，經學習得出“文檔”在“主題”上的分布p(z|d)，為運動傳感數據的主題分布。在得到運動傳感數據的主題分布的過程中，每個簇相當于簡單活動的無語義，也就是K個“詞”，“文檔”表示一個復雜活動，“主題”表示復雜活動的潛在語義。本專利技術結合聚類和主題模型來進行復雜活動識別，在分層表示復雜活動的結構時，能充分保留有效信息；同時，采用分數級融合的方法，保持運動和生理傳感數據的獨立性。與現有的方法相比，其優點在于：(1)將復雜活動看作簡單活動組合，簡單活動通過K-Means聚類生成，能充分保留復雜活動的組成部分，有效解決了信息丟失等問題；再利用LDA主題模型表示復雜活動的層次化結構，進而提高識別性能。(2)先針對不同的傳感器數據，提取不同的特征向量，訓練不同的識別分類器，然后再進行分數級融合，解決不同傳感器數據類型不兼容的問題，能充分整合運動和生理傳感數據對復雜活動的表征能力。(3)建立的模型能夠有效識別類型豐富的復雜活動，實用性高，普適性好。附圖說明圖1是本專利技術層次化復雜活動識別方法的整體流程圖；圖2是本專利技術實施例數據處理的流程圖；圖3是本專利技術中LDA主題模型矩陣分解圖；圖4是本專利技術中復雜活動生成示意圖；圖5是本專利技術中不同數據分類器的構建流程圖。具體實施方式為了更為具體地描述本專利技術，下面結合附圖及具體實施方式對本專利技術的技術方案進行詳細說明。如圖1所示，本專利技術融合運動和生理傳感數據的層次化復雜活動識別方法，具體包括數據處理階段和模型訓練階段。在數據處理階段，需要對采集到的數據進行處理，具體過程如下：步驟a-1，采用智能設備和穿戴式設備采集用戶在復雜活動時的數據，其中數據包括運動傳感數據和生理傳感數據。此步驟中，數據的采集的具體方法為：首先，使用智能設備記錄復雜活動時的各類運動傳感數據，同時使用穿戴式設備來記錄復雜活動時的各類生理傳感數據，對于每一項復本文檔來自技高網...

【技術保護點】
一種融合運動和生理傳感數據的層次化復雜活動識別方法，具體包括以下步驟：(1)采集運動傳感數據和生理傳感數據，并對兩種數據進行異常值處理和特征提取，構建運動傳感數據特征向量F

【技術特征摘要】
1.一種融合運動和生理傳感數據的層次化復雜活動識別方法，具體包括以下步驟：(1)采集運動傳感數據和生理傳感數據，并對兩種數據進行異常值處理和特征提取，構建運動傳感數據特征向量Fa和生理傳感數據特征向量Fp；(2)將運動傳感數據特征向量Fa進行K-Means聚類和LDA主題提取，得到運動傳感數據的主題分布；(3)建立生理傳感數據的分類器，將生理傳感數據特征向量Fp作為該分類器的輸入，計算得到生理傳感數據在復雜活動上的概率向量Pp＝[Pp1,Pp2…,Ppm]，m為復雜活動類別的總數目；(4)建立運動傳感數據的分類器，將運動傳感數據的主題分布作為該分類器的輸入，計算得到運動傳感數據在復雜活動上的概率向量Pa＝[Pa1,Pa2,…,Pam]；(5)將概率向量Pa和概率向量Pp作為邏輯回歸融合模型的輸入數據，將復雜活動類型作為邏輯回歸融合模型的真值標簽，對邏輯回歸融合模型進行訓練，得到復雜活動分類模型；(6)利用步驟(1)～步驟(4)的方法采集并處理測試運動傳感數據和測試生理傳感數據，得到測試生理傳感數據的概率向量P’p和測試運動傳感數據的概率向量P’a，然后，將概率向量P’p和概率向量P’a輸入到復雜活動分類模型中，計算得到復雜活動類型。2.根據權利要求1所述融合運動和生理傳感數據的層次化復雜活動識別方法，其特征在于：所述的步驟(1)的具體步驟為：(1-1)采用智能設備和穿戴式設備采集用戶在復雜活動時的運動傳感數據和生理傳感數據...

【專利技術屬性】
技術研發人員：陳嶺，彭梁英，
申請(專利權)人：浙江大學，
類型：發明
國別省市：浙江,33