一种基于多层次融合的活动识别方法
【技术领域】
[0001] 本发明涉及活动识别领域，具体涉及一种基于多层次融合的活动识别方法。
【背景技术】
[0002] 随着移动通信技术的提高以及智能设备的快速更新，普适计算不断发展，越来越 多的智能应用出现在各个领域并服务于大众，如饮食监控、儿童监护、技能评估等等。这些 应用极大的方便了人们的生活，而想在普适环境中开发实用有效的应用，其中的核心问题 便是识别人们的活动，从而为其提供个性化的服务。活动识别主要由采集信号、提取特征和 分类活动这三部分组成。
[0003] 在传统的活动识别中一般使用加速度传感器，提取的特征主要是基于领域知识的 时域和频域特征，以进行运动识别。
[0004] 例如，公开号为102707806A的专利文献公开了一种基于加速度传感器的运动识 别方法，属于人机交互技术领域，该方法首先采集传感器的加速度信号，在线的对加速度 信号进行平滑处理，并自动的检测运动的起点和终点，分割出运动片段，实现信号的自动分 害h为了提高识别准确率，该方法采用Fused隐马尔科夫模型算法作为分类器，在训练阶段 对每个已知运动进行建模，并在识别阶段估计出当前信号表示的运动；为了能够在每个运 动完成之前给出识别结果，该方法采用一个自回归的预测模型，用已经采集到的已知数据 对未知数据进行预测，从而达到提前识别的效果。
[0005] 然而这些特征的表征能力有限，例如用这些特征进行活动识别需要将加速度传感 器固定在特定的位置，当加速度传感器的位置发生偏移时活动识别准确率会明显下降，然 而这一问题时有发生。随着传感器技术的发展，作为与活动密切相关的生理信号自然成为 了活动识别重要的数据来源。使用生理传感器进行活动识别借鉴了加速度中使用的特征， 一般提取心率、呼吸率、呼吸振幅、皮肤温度和皮肤电阻等生理信号的时域特征和频域特 征，然而使用传统特征在普适环境下进行活动识别的准确率不理想。
[0006] 针对单种传感器的活动识别准确率较低的问题，其中的一种解决方法是利用多种 传感器进行融合。目前的融合方法主要是对活动识别过程中的某个层次进行单层次的融 合，然而对于层次的选择暂时没有明确的理论分析，同时缺少对于多种传感器进行多层次 融合的方法。
【发明内容】
[0007] 针对现有技术的不足，本发明提供了一种基于多层次融合的活动识别方法。
[0008] 一种基于多传感器融合的活动识别方法，包括如下步骤：
[0009] S1 :获取用户设定时间内的活动数据，并对得到的活动数据进行数据成帧处理得 到数据帧；
[0010] 所述的活动数据包括生理数据和运动数据，相应的得到的数据帧包括生理帧和运 动帧；
[0011] S2:对所述的数据帧进行数据级融合、特征级融合和分数级融合，分别得到数据级 融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵；
[0012] S3 :根据数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵进行 活动识别。
[0013] 本发明中设定时间根据实际应用情况设定。
[0014] 本发明的生理数据包括心率、呼吸率、呼吸振幅、皮肤温度和皮肤电阻。
[0015] 本发明要解决的问题是如何对多种传感器进行多层次的融合，从而提高活动识别 的准确率。为了解决上述问题，本发明通过将多种传感器信号（如加速度信号、生理信号 等）、多种传感器特征和多种传感器分类结果分别使用数据级融合、特征级融合和分数级融 合后的特征再融合进行活动识别。
[0016] 本发明首先对采集到的数据进行数据级融合特征，然后提取特征进行融合得到特 征级融合特征，接着融合多种传感器分类结果得到分数级融合特征，最后将这些特征再融 合进行活动识别。
[0017] 作为优选，所述步骤S1中进行数据过程如下：
[0018] 将所述的活动数据按照预设的时间间隔分割即得到相应的数据帧。
[0019] 本发明中的数据多为传感器设备采集传感器信号，传感器信号是一种时序数据。 对时序数据直接按照时间间隔进行分割完成数据成帧处理，简单易于实现。
[0020] 本发明数据成帧时分别对生理数据和运动数据进行处理，具体如下：
[0021] 将所述的生理数据按照第一时间间隔分割为若干时序数据帧，对应得到的时序数 据帧即为生理帧；
[0022] 将所述的运动数据按照第二时间间隔分割为若干时序数据帧，对应得到的时序数 据帧即为运动帧。对运动数据和生理数据进行数据成帧处理时，采用的时间间隔可以相同 也可以不同，具体根据实际应用情况设定。
[0023] 数据级融合包括如下步骤：
[0024] (al)计算生理帧和运动帧的帧长的最小公倍数，将最小公倍数内的生理帧和运动 帧依次拼接在一起生成一帧数据级融合帧；
[0025](a2)对各个数据级融合帧进行特征提取，并根据提取结果生成数据级融合特征矩 阵。
[0026] 特征级融合包括如下步骤：
[0027] (bl)针对每一个生理帧和运动帧，分别进行特征提取，并以提取结果作为相应的 特征帧；
[0028] (b2)计算生理帧和运动帧对应的特征帧长的最小公倍数，将该最小公倍数时间内 的特征帧依次拼接在一起生成一帧特征级融合帧。
[0029] 提取结果包括时域特征和频域特征。作为优选，本发明使用机器学习方法进行特 征提取。
[0030] 分数级融合包括如下步骤：
[0031] (Cl)针对生理帧和运动帧对应的特征帧，分别基于正确标注的特征帧训练单数据 活动分类模型，得到相应的分类结果帧；
[0032] (c2)计算生理帧和运动帧对应的分类结果帧长的最小公倍数，将该最小公倍数时 间内的不同分类结果帧依次拼接在一起生成一帧分数级融合帧；
[0033] (c3)将所有分数级融合帧拼接生成分数级融合特征矩阵。
[0034] 所述步骤S3具体如下：
[0035] (3-1)将数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵组合 得到层次融合矩阵：
[0036] (3-2)基于若干个正确标注了活动的层次融合矩阵训练活动分类模型；
[0037] (3-3)以待识别活动数据得到的层次融合矩阵作为测试矩阵，将该测试矩阵输入 所述的活动分类模型中以进行活动识别。
[0038] 在训练活动分类模型时，采用的层次融合矩阵训的数量能够影响最终的活动识 别的精度，作为优选，本发明中训练时使用的正确标注了活动的层次融合矩阵的数量为 1000~2000个。实际应用时，可根据精度进行调整。
[0039] 本发明针对单传感器活动识别能力较弱，多传感器融合选择层次困难的问题，提 出一种新的基于多层次融合的活动识别方法，与现有的方法相比，本发明在信号、特征、分 类结果这三个不同层次上进行融合，根据三个不同层次融合的结果进行活动识别，有利于 提高该识别方法的准确率，且随着层次的变化该融合方法具有很好的可扩展性，有利于提 高该方法的对应用环境的普适性。
【附图说明】