針對人體行為隱式識別的傳感器節(jié)點(diǎn)部署優(yōu)化

胡庭進(jìn)，劉進(jìn)軍，張永，吳璽

（1.合肥工業(yè)大學(xué)工業(yè)與裝備技術(shù)研究院，合肥 230000；2.合肥工業(yè)大學(xué)計算機(jī)與信息學(xué)院，合肥 230000；3.滁州學(xué)院計算機(jī)與信息工程學(xué)院，滁州 239000）

針對人體行為隱式識別的傳感器節(jié)點(diǎn)部署優(yōu)化

胡庭進(jìn)1，劉進(jìn)軍2,3，張永1，吳璽2

（1.合肥工業(yè)大學(xué)工業(yè)與裝備技術(shù)研究院，合肥 230000；2.合肥工業(yè)大學(xué)計算機(jī)與信息學(xué)院，合肥 230000；3.滁州學(xué)院計算機(jī)與信息工程學(xué)院，滁州 239000）

無線傳感器網(wǎng)絡(luò)識別人體行為已經(jīng)有廣泛的應(yīng)用，但目前都是利用所有的無線射頻信號進(jìn)行處理和分析，而且未考慮傳感器部署的有效位置，造成定位精度不高、計算復(fù)雜度高和成本浪費(fèi)等問題。為解決這個問題，提出基于多層原始鏈路模型選擇鏈路信號的策略部署傳感器節(jié)點(diǎn)，使用滑動窗口對原始鏈路信號和篩選后的鏈路信號進(jìn)行特征提取，使用SVM分類算法對實驗數(shù)據(jù)進(jìn)行分析，結(jié)果表明：篩選后的鏈路信號對簡單行為如：站、走、坐凳子、坐墊子和躺都有很好的識別效果。

行為識別；SVM；RSS特征值；節(jié)點(diǎn)優(yōu)化

0 引言

人體行為識別已經(jīng)成為熱點(diǎn)研究方向，并在生活中得到了廣泛的應(yīng)用，如空巢老人的健康監(jiān)護(hù)、智能家居、體感游戲等。常見的人體識別方式有智能視頻監(jiān)控[1-2]、穿戴式傳感器[3-4]、無線傳感器網(wǎng)絡(luò)[5-6]等。計算機(jī)視覺的研究已經(jīng)很深入了，識別率也很高，但是硬件設(shè)備價格較高并且涉及個人隱私。穿戴式傳感器[7]主要是對加速度計信號變化進(jìn)行分析，識別人體行為，雖然識別的準(zhǔn)確度提高了，但是它需要待測人員的主動配合，身穿若干個傳感器，行動不便。而基于Wi-Fi人體行為識別通過采集和分析RSS（Received Signal Strength）值的變化識別人體行為，雖然較前兩種有部署簡單、成本低、可大規(guī)模應(yīng)用的優(yōu)點(diǎn)，但數(shù)據(jù)丟包嚴(yán)重，識別的準(zhǔn)確度也有待提高。

無線傳感器技術(shù)有易部署、成本低、不涉及隱私等優(yōu)勢，在日常生活中更易得到擴(kuò)展和普遍應(yīng)用。同時與Wi-Fi識別相比，本文準(zhǔn)確度更高。無線傳感器技術(shù)不需要待測人員身穿任何設(shè)備，只需要被動接受人體活動對收發(fā)器設(shè)備間RSS的變化即可。但是現(xiàn)有的研究通常利用所有無線射頻信號，且未考慮傳感器節(jié)點(diǎn)的有效部署位置，從而可能造成定位精度不高、計算復(fù)雜度高、浪費(fèi)成本等問題。

針對以上問題，本文提出了基于多層原始鏈路模型選擇鏈路信號的策略優(yōu)化傳感器節(jié)點(diǎn)部署，篩選鏈路信號，對比原始鏈路信號識別人體行為的精度，確定篩選的鏈路信號和對應(yīng)的傳感器節(jié)點(diǎn)。

1 多層鏈路分層模型

無線信號傳播是多徑效應(yīng)的方式，一般情況下，無線信號經(jīng)過人體的遮蔽[8]，一部分被人體吸收，一部分發(fā)生衍射、散射、反射等情況，從而造成RSS值的變化。

根據(jù)以上特性，如圖1所示，使用n個RF傳感器發(fā)射節(jié)點(diǎn)和m個RF傳感器接收節(jié)點(diǎn)，分別部署在兩個高度不同的水平平面，每個平面平均分布相同數(shù)量的收發(fā)器，用于行為監(jiān)測。任意對的接收器和發(fā)射器節(jié)點(diǎn)之間都可以通信，收集每對收發(fā)節(jié)點(diǎn)間link的RSS值，對比人體行為干擾前后RSS值的變化驗證目標(biāo)人體的行為。然后對鏈路進(jìn)行篩選，根據(jù)傳感器節(jié)點(diǎn)部署位置分為上層鏈路信號link（T1，R1）、下層鏈路信號link（T2，R2）、交叉層鏈路信號1（上平面部署發(fā)射器，下平面部署接收器）link（T1，R2）、交叉層鏈路信號2（上平面部署接收器，下平面部署發(fā)射器）link（T2，R1）。

圖1 多層鏈路分層模型

2 實驗設(shè)計

2.1 硬件參數(shù)

本文使用的無線傳感器節(jié)點(diǎn)是由美國Rutgers大學(xué)WINLAB實驗室設(shè)計開發(fā)的，基于433.1MHz頻段的傳感器發(fā)射節(jié)點(diǎn)，每秒發(fā)射一個數(shù)據(jù)包，大小為10個字節(jié)，傳感器接收節(jié)點(diǎn)集成了USB接口，用于采集數(shù)據(jù)之后傳輸?shù)焦P記本采集系統(tǒng)上。發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)都由CR2032紐扣電池供電，發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)的實物如圖2所示：

圖2 硬件設(shè)備

2.2 布局及其說明

在6m×8m的房間部署20個發(fā)射器和6個接收器，分為兩層部署，高低層分別10個發(fā)射器和3個接收器，高層傳感器距離地面130cm，低層傳感器距離地面20cm。整個實驗的布局模擬了日常生活的居住環(huán)境，房間包括木柜、辦公桌、空調(diào)、床、椅子和采集數(shù)據(jù)的筆記本電腦，如圖3所示為高鏈路層的二維平面圖。

圖3 實驗環(huán)境布局

2.3 數(shù)據(jù)采集

本實驗共有兩個身高體重不同的待測人員（均超過1米3），分別對六種人體行為進(jìn)行數(shù)據(jù)采集，分別為訓(xùn)練集和測試集。訓(xùn)練集每個動作為5分鐘，采集的數(shù)據(jù)量為9440個，測試集每個動作為3分鐘，采集的數(shù)據(jù)量為5600個。圖4為除了空房間無人狀態(tài)之外剩下的五種人體行為的示意圖，表1對六種行為進(jìn)行了描述。

圖4 五種行為示意圖

表1 六種人體行為及描述

2.4 數(shù)據(jù)處理

本文使用了滑動窗口技術(shù)對數(shù)據(jù)丟包和噪音進(jìn)行處理，提取特征。首先采集無人室內(nèi)空房間的數(shù)據(jù)信號

圖5 丟包處理

2.5 多分類處理

本文對多層鏈路采集的所有信號使用了三種分類方法進(jìn)行處理，分別為SVM、KNN、樸素貝葉斯，都使用滑動窗口進(jìn)行處理，得到三種多分類算法識別六種行為的精度，分別為99.05%、95.71%、83.12%，SVM分類效果最好，所以篩選鏈路后，本文采用了SVM算法進(jìn)行多分類處理。

3 實驗結(jié)果分析

link是由傳感器收發(fā)節(jié)點(diǎn)唯一確定，本文實驗部署高低兩層傳感器，文本中順序記錄了部署傳感器是高層傳感器和低層傳感器Id，在MATLAB中傳入數(shù)據(jù)集，使用算法讀取文本提取相應(yīng)link，可分成四層。篩選鏈路偽代碼如下：

3.1 原始鏈路層

結(jié)果分析：如表2所示，在原始鏈路的情況下六種人體行為平均識別精度為99.05%，其中站、走、坐凳子上、躺、無人五種行為的準(zhǔn)確率高達(dá)100%，而坐墊子的行為部分識別躺。因為單一特征的SVM算法比較盲目，狀態(tài)之間會相互干擾，因坐墊子上與躺影響下層鏈作為基準(zhǔn)信號特征Base，Base=[RSS1，RSS2，RSS3，...，RSSn]，n為采集到的link總數(shù)。采集到的數(shù)據(jù)信號分成N個窗口，如果一個窗口至少存在一個link數(shù)據(jù)則有效，如果沒有數(shù)據(jù)，則用基準(zhǔn)信號進(jìn)行填充，如圖5所示。路更多，出現(xiàn)了相似的情況，從而出現(xiàn)識別錯誤。

表2 原始鏈路層和分層后每一個鏈路層識別六種行為的精度

3.2 分層

結(jié)果分析：如表2所示，分層后，上鏈路層、下鏈路層、交叉鏈路層1、交叉鏈路層2對六種行為的平均識別精度分別為89.08%、71.43%、85.24%、94.29%，對比原始鏈路層的精度，在保證識別精度的情況下，交叉鏈路2的部署方式更加合理。

4 結(jié)語

本文主要介紹對于復(fù)雜的室內(nèi)環(huán)境中實現(xiàn)人體被動行為識別的傳感器節(jié)點(diǎn)部署優(yōu)化，提出了多層鏈路分層模型的策略，分析原始鏈路層和單一鏈路層對行為識別的精度，在保證識別精度的情況下找到識別人體行為的最優(yōu)鏈路層，降低計算復(fù)雜度和硬件成本。實驗結(jié)果表明，分層后，交叉鏈路層2的是部署方式可以有效地識別人體行為，在不降低人體行為識別精度的情況下可以減少傳感器節(jié)點(diǎn)部署的使用數(shù)量。

參考文獻(xiàn)：

[1]N Robertson，IReid.A General Method for Human Activity Recognition in Video[J].Computer Vision&Image Understanding，2006，104（2）:232-248.

[2]黃維堯.基于人體行為分析的智能監(jiān)控系統(tǒng)設(shè)計與實現(xiàn)[J].西安電子科技大學(xué)，2008.

[3]盧先領(lǐng)，王洪斌，王瑩瑩，徐保國.一種基于加速度傳感器的人體跌倒識別方法[J].計算機(jī)應(yīng)用研究，2013，30（4）:1109-1111.

[4]YJHong，IJKim，CA Sang，HG Kim.Activity Recognition Using Wearable Sensors for Elder Care[J].Second International Conference on Future Generation Communication&Networking，2008，2:302-305.

[5]谷雨，權(quán)良虎，陳孟妮，任福繼.基于Wi-Fi背景噪音的被動式人體行為識別研究[J].中國科學(xué)技術(shù)大學(xué)學(xué)報，2015（4）:308-313.

[6]基于無線背景信號的人體行為識別研究[J].蚌埠學(xué)院學(xué)報，2015（2）:16-21.

[7]P Juha，EMiikka，K Panu，etc.Activity Classification Using Realistic Data from Wearable Sensors[J].IEEE Transactions on Information Technology in Biomedicine A Publication of the IEEEEngineering in Medicine&Biology Society，2006，10（1）:119-128.

[8]B Mager，N Patwari，M Bocca.Fall detection using RF Sensor Networks[J].American Physical Society，2013，30（2）:3472-3476.

Research on Sensor Node Deployment Optim ization Based on Im plicit Recognition of Human Behavior

HU Ting-jin1，LIU Jin-jun2，3，ZhANG Yong1，WU Xi2

（1.Institute of Industry&Equipment Technology，HefeiUniversity of Technology，Hefei 230000；2.School of Computer and Information，Hefei University of Technology，Hefei 230000；3.School of Computer and Information Engineering，Chuzhou University，Chuzhou 239000）

Wireless sensor network to identify human behavior has been widely used，but are using all of the radio frequency signal processing and analysis，and not considering the effective position of sensor deployment,causing some problems such as positioning accuracy is not high, high computational complexity and cost of waste,etc.To solve this problem,presents amodel based on multi-layer original link select link signal strategy to optimize sensor nodes deployment,the original link signal and selection of link signal feature extraction,uses the SVM classification algorithm to analyze the experimental data,the results show that the filter link signals for simple actions such as: standing,walking,sit stool,sitmat,and lying has good recognition effect.

胡庭進(jìn)（1990-），男，安徽馬鞍山人，碩士研究生，研究方向為智能計算理論與軟件

劉進(jìn)軍（1979-），男，安徽滁州人，博士研究生，副教授，從事領(lǐng)域為網(wǎng)絡(luò)與通信工程

張永（1990-），男，陜西渭南人，碩士研究生，研究方向為人工智能及其應(yīng)用

吳璽（1979-），女，安徽合肥人，博士研究生，講師，從事領(lǐng)域為電子通信

2017-03-09

2017-05-10

基于隱式感知的老人健康照護(hù)平臺聯(lián)合研發(fā)（No.S2015ZR1077）、安徽省高校自然科學(xué)基金資助項目（No、KJ2013B182）、教育部高等學(xué)校學(xué)科創(chuàng)新引智計劃（“111”）資助項目（No.B14025）、佛山市科技創(chuàng)新團(tuán)隊項目基于智慧服飾的可穿戴設(shè)備研發(fā)和產(chǎn)業(yè)推廣（No.2015IT100095）、廣東省省級科技計劃項目（No.2016B010108002）

1007-1423（2017）14-0040-04

10.3969/j.issn.1007-1423.2017.14.008

Behavior Recognition;SVM;RSSEigenvalue;Node Optimization