淺談基于傳感器的人體行為識別

國網開封供電公司 王宏研

淺談基于傳感器的人體行為識別

國網開封供電公司 王宏研

行為識別通過分析獲取的人體行為信息來理解人的具體行為，以及推斷其下一步行為，具有很高的研究價值和廣闊的應用領域。本文對近年來基于傳感器的人體行為識別的發展現狀和常用方法進行回顧分析，并對其相關難點和研究方向作了簡要論述。

行為識別；時間窗口；行為特征提取；行為特征理解

0 引言

在普適計算的模式下，整個系統都是為人服務的，其中人機交互是普適計算的一個重要環節，它的本質是需要計算機了解用戶當前的行為信息，因為人的行為往往與其所處的環境息息相關，人的意圖也都是通過其本身的行為所表達的。如果我們可以利用計算機技術手段判別用戶的行為信息，系統就可以依據用戶的當前行為推測其意圖，進而為用戶提供相應的服務，其中對于用戶行為的確定性顯得尤為關鍵，所以有必要對人體行為識別展開深入的研究。

基于傳感器的行為識別是計算機通過傳感器設備獲取用戶的行為數據，經過一系列機器學習、數據挖掘的相關處理，建立分類模型，進而識別出用戶的具體行為，使計算機系統能夠主動的協助用戶的工作。

圖1 行為識別框架

在目前的研究中，基于傳感器的行為識別流程大體可分為五個部分，具體如圖1所示。

（1）數據采集：主要用來獲取用戶的行為數據，其數據類型取決于采用的傳感器類型；

（2）數據預處理：主要用來對獲取的原始數據進行去燥、格式化處理等預處理操作；

（3）特征提取：主要是對前期格式化的數據進行表征化的特征提取，以形成用于訓練分類模型或識別具體類別的特征向量序列；

（4）分類模型：主要是針對處理好的行為數據進行有監督分類學習或無監督分類學習，從而訓練行為識別模型；

（5）識別結果：主要是使用訓練好的分類器對未知的行為進行類別劃分；其中數據采集、特征提取和分類模型是行為識別中的三個主要部分。

1 行為數據獲取

近幾十年來，隨著微電子工藝的發展，小巧且智能的傳感器不斷涌現，這為行為識別研究提供了硬件支撐。行為數據是進行行為識別的關鍵所在，在實際應用中，根據選用的傳感器及佩戴部位的不同，得到的行為數據也不盡相同。

部分研究通過手機自帶的傳感器來獲取使用者的加速度、方向等信息，來預判用戶的行為，這也是目前一種較為常見的基于手機傳感器的行為識別方法，但這種方法獲取的數據受限于手機的置放位置，現在已有針對手機非約束的研究出現。

還有部分研究通過使用傳感器來獲取用戶的位置信息，進而推斷用戶行為。譬如基于WIFI傳感器數據的方法，它通過用戶接入無線熱點，推斷出用戶的所有隱變量（位置變量、動作變量及目標變量），這種行為數據獲取方式往往需要大量的前期準備，工作量較大。

還有就是通過在人體部位佩戴各種傳感器（譬如加速度計），獲取用戶在不同行為狀態下的數據，這種方法一般選擇采集變幅較大的身體部位數據，或者根據不同行為有針對性的佩戴在某些身體部位，這是一種目前較為主流的基于傳感器的人體行為識別方法。

另外，還有一些研究通過在用戶的日常物品上安裝射頻傳感器，采集用戶使用物品的數據，進而來判別用戶的行為。這種數據獲取方法具有被動型、間斷性，因為只有用戶使用物品時，才可以獲取用戶的行為數據信息。

2 特征提取

從傳感器得到的原始數據序列是一個連續的數據流，如果直接使用這些數據難以反映出人體的運動形態。因此，需要對這些原始數據進行預處理和語義分析，進而提取高階特征來表征行為，并建立特征向量序列集訓練分類模型，以實現通過數據分析對未知行為類別進行識別；其中滑動時間窗口及特征選取是此部分要解決的重點問題。

2.1 時間窗口

由于得到的原始數據為數據流，如何從數據流中分割出包含一個完整行為信息的數據段就是時間窗口的劃分問題。

如果過大劃分時間窗口，則時間片內的行為數據量過多，增大了計算量，也增加了系統負載；如果過小劃分時間窗口，則時間片內的數據不能完整包含一個行為，造成缺失行為數據信息，降低識別的準確率。

目前，較為常見的有固定時間窗口和重疊時間窗口兩種方式，第一種是對數據流采用固定的分割窗口，即一個獨立的時間窗口數據代表一個行為；第二種則是在第一種的基礎上讓相鄰兩個時間窗口重疊一定比例；這兩種劃分方式各有優缺點，如何選擇一個合理的時間窗口和滑動方式，需要經過大量實驗分析，綜合識別準確率與實時性來進行抉擇。

2.2 特征選取

特征提取是從原始數據流中提取具有表征行為類別的特征，雖然研究者們依據自己的研究課題和實驗平臺來選擇的特征值類型不盡相同，但選擇信息含量高的特征向量時特征選取的基本準則。

目前，在行為識別中選擇的特征主要包括運動特征、統計特征和頻域特征；一般在特征選擇初期，盡量選擇較大的特征集，通過數據挖掘評估器評估每個特征屬性的預測能力及其相互之間的冗余度，以找到識別準確率最高的特征向量子集。

3 行為分類

目前，計算機還無法具備與人類一樣的強大學習能力。然而，一些針對特定學習任務的算法已經產生。關于學習的理論認識已經逐步形成，其中的“學習”可以定義為：如果一個計算機程序在某類任務T上，其性能度量P隨著經驗E而自我完善，我們就稱這個計算機程序在從經驗E學習。在行為識別的算法中，可以得到下面的一個學習問題：

（1）任務T：行為識別；

（2）性能標準P：行為分類的正確率；

（3）訓練經驗E：已知行為類別的數據庫。

其中對于行為識別的學習問題，它可以通過已知行為類別的數據庫獲取經驗；它的任務是進行行為識別；它的性能由它行為分類的正確率來衡量。

數據分類的目的就是利用訓練數據得到一個分類器(分類模型或分類函數)，然后通過此分類器將未有類別標記的數據進行類別劃分。

如圖2所示，行為分類可分為兩步，第一步是建立分類模型，即訓練階段，它通過分析給定的、有行為類別標記的訓練數據集，建立能夠反映其特性的模型。第二步對訓練好的分類模型進行綜合評估，如果符合預期效果，則可以用來對未知類別數據進行分類。

圖2 行為識別示意圖

4 總結

基于傳感器的行為識別具有廣闊的應用前景，可應用于智能家居、人體交互式游戲、老人監護、健康醫療等眾多領域。值得一提的是，基于傳感器的行為識別方法對傳統的人機交互方式進行了革命性改變，它通過在用戶身體部位上佩戴傳感器，并依據采集的傳感器數據識別用戶的具體行為，從而為其提供相應服務，整個識別過程都是在用戶不曾主動參與，甚至不知曉的情況下完成的。

總的來說，基于傳感器的行為識別研究層出不窮，各大會議期刊都或多或少的有行為識別領域論文的發表。但是，由于眾多客觀條件的限制，基于傳感器的行為識別目前還處在實驗和理論研究階段，并且現有的行為識別方法及識別種類都較為單一。

[1]Bulling A,Blanke U and Schiele B．A tutorial on human activity recognition using body-worn inertial sensors[J]．ACM Computing Surveys(CSUR),2014,46(3)：33．

[2]Welsh,M．Codeblue：Wireless sensor networks for medical care,in：http：//fiji．eecs．har-vard．edu/CodeBlue/．2009．

[3]Yang G Z．Ubimon-ubiquitous monitoring environment for wearable and implantable sensors[J]．2009．

[4]Stikic M,Huynh T,Laerhoven K V,etc．ADL recognition based on the combination of RFID and accelerometer sensing[C]//Pervasive Computing Technologies for Healthcare,2008．PervasiveHealth 2008．Second International Conference on．IEEE,2008：258-263．

[5]Wang L,Gu T,Chen H,etc．Real-time activity recognition in wireless body sensor networks：from simple gestures to complex activities[C]//Embedded and Real-Time Computing Systems and Applications(RTCSA),2010 IEEE 16th International Conference on．IEEE,2010：43-52．