一种基于移动设备的人体行为识别方法
【技术领域】
[0001] 本发明涉及行为识别技术领域，具体来说涉及一种基于移动设备的人体行为识别 方法。
【背景技术】
[0002] 人体行为识别是一种通过获取和分析人体行为相关数据，判断人体行为状态的技 术。通过获知人体基础行为活动，该技术能够为运动追踪、健康监测、跌倒检测、老年人监 护、病人恢复训练、复杂行为识别、辅助工业制造、人机交互、增强现实、室内定位及导航、个 人特征识别、城市化计算等众多领域的研究和应用提供人体相关信息，因此具有重要的应 用价值和研究意义。
[0003] 传统的人体行为识别技术主要基于图像信息进行。该方法通过视频设备捕获人体 运动的图像信息，对行为相关的图像序列进行分析，判断行为类别。基于图像信息的行为识 别起步早，理论相对成熟，识别准确率较高，但由于方法较复杂、易受背景光线影响，且图像 采集设备体积大、功耗高，应用受到了限制。
[0004] 由于MEMS(Micro-Electro-Mechanical System，微机电系统）制造技术的迅速进 步，各种类型的传感器不断发展，例如加速度计、陀螺仪、磁力计和气压计等。这些传感器能 够收集人体运动的相关信息，同时兼具了便携性好、功耗低等优势，而且对用户无打扰、抗 环境干扰能力强，代替视频设备成为实现持续性人体行为识别的首选数据源。
[0005] 另外，随着移动设备相关技术的迅速进步，尤其以iOS和Android平台为代表的智 能手机、智能平板等设备已经成为了各类MEMS传感器的重要载体。相比较于专门设计的穿 戴式传感器设备，这类移动设备具有更强大的处理、存储和网络连接能力，同时内置多种传 感器，无需使用者再携带或穿着额外设备，对使用者来说更加便利、友好，其开发平台也具 有普适性的特征。因此基于移动设备的行为识别成为研究人员的一个关注焦点。
[0006] 现有的基于传感器的人体行为识别方法大多针对专用的穿戴式设备设计，对基于 通用移动设备的人体行为识别并不适用。由于穿戴式设备的特点所致，传感器被放置在用 户身体的固定位置上，通常也具有固定的方向。而各类移动设备，例如智能手机，由于在日 常生活的携带和使用中，根据个人习惯不同会有不同的放置位置和不同的放置方向。相关 研究显示，将MEMS传感器放置在人体的不同部位时产生的数据特征会有较大差别。因此将 设备处在不同位置收集到的数据相互混淆会导致整体识别准确率的下降；而由于放置方向 不定，基于某些特定方向数据的方法也无法直接使用；另外，智能手机的运算能力离桌面平 台还有较大差距，为了实现实时的行为识别，需要选取和设计复杂度合适的特征提取方法 和分类模型。因此需要针对智能手机的实际情况和运算能力设计合适的方法。
【发明内容】
[0007] 为了克服已有人体行为识别方法的通用性较差、准确性较差的不足，本发明提供 一种通用性良好、准确性较高的基于移动设备的人体行为识别方法。
[0008] 本发明解决其技术问题所采用的技术方案是：
[0009] -种基于移动设备的人体行为识别方法，包括以下步骤：
[0010] 步骤（1)，训练设备位置分类模型^和基于不同设备位置的行为分类模型cancai eC，C是由行为分类模型构成的集合，[^(^，(^，...，(^山行为分类模型咖与设备位置 Pl具有一一对应关系，设备位置Plep，p是由预先定义的设备位置构成的集合，P={P1， p2, . . .，PI}，1为预先定义的设备位置类别数目；
[0011]步骤(2 )，通过移动设备内置传感器实时采集传感器原始数据；
[0012] 步骤(3)，对移动设备内置传感器实时采集的数据进行数据预处理，获得当前时间 窗口对应的数据段；
[0013] 步骤(4)，根据位置识别特征集FP，对获得的数据段进行特征提取，得到该数据段 对应的特征向1
，NP为特征集FP*的特征数目；将特征向量V P 输入设备位置分类模型9，获得设备位置类别Pl;
[0014] 步骤(5)，根据行为识别特征集Fa，对获得的数据段进行特征提取，得到该数据段 对应的特征向i
>1为特征集Fa*的特征数目；根据步骤(4) 获得的位置类别口:选择对应的行为分类模型cai，将特征向量V4俞入行为分类模型cai，输出 行为类别aj，a」eA，A是由预先定义的行为构成的集合，A= {ai，a2, . . .，aj}，J为预先定义的 行为类别数目为最终的识别结果。
[0015] 进一步，所述步骤（1)中训练设备位置分类模型^和训练基于不同设备位置的行 为分类模型cai的步骤如下：
[0016] 步骤（1-1)，通过移动设备内置传感器离线采集不同设备位置和不同人体行为情 况下的传感器原始数据；
[0017] 步骤(1-2)，对获取的传感器原始数据进行数据预处理，获得对应不同时间窗口的 数据段；
[0018] 步骤(1-3 )，根据特征集F，对每个数据段进行特征提取，获得该数据段对应的特征 向量Vk=[vi， v2, . . .，vn]ERn，N为特征集F中的特征数目，ke{l，2,. . .，K}，所有数据段提取 的特征向量共同构成样本集S，S=[V1;V2; . . . ;VK]，特征向量数目Κ即为数据段数目；
[0019] 步骤（1-4)，对样本集S中的每个特征向量Vk，标记数据采集时的设备位置类别Pl， Piep，获得位置训练向量= [VhP」，ke {1，2, . . .，K}，标记后的所有训练向量构成位 置训练集Τ1
[0020] 步骤(1-5)，利用训练集Τρ训练设备位置分类模型，获得设备位置分类模型cP;
[0021] 步骤（1-6)，根据分类模型cP，选择特征集F中用于该模型的部分特征组成位置识 别特征集FP;
[0022] 步骤（1-7)，对特征集F进行特征选择，选择其中适用于行为识别模型的部分特征 组成行为识别特征集Fa;
[0023] 步骤（1-8)，筛选样本集S中对应设备位置类别标记为Pl的特征向里，组成样本 子集Si，满足為<=S;
[0024] 步骤（1-9)，对样本子集Si中的每个特征向量，标记数据采集时的行为类别％，
aj￡A，获得行为训练向量.,_.t n _，1^￡{1，2，...，1^}，标记后的所有训练向量构成 行为训练集
L为样本子集&中特征向量的数目；
[0025] 步骤（1-10)，利用行为训练集7f训练分类模型，获得对应位置?1的行为分类模型 CBi ；
[0026] 对步骤（1-8)-(1_10)，分别取1 = 1，2，...，1依次重复，1表示预先定义的设备位置 类别数目，训练得到不同设备位置下的行为分类模型cai，ca 2,. . .，Cai。
[0027] 再进一步，所述步骤（1-1)中的传感器原始数据包括不同的移动设备内置传感器 及同一传感器不同方向上的数据;每个采样点获得的传感器原始数据即Χι=[ Χ1，Χ2, ...， 奸]6矿，？为传感器原始数据维数，16{1，2，...儿}儿为传感器数据总的采样长度。
[0028]优选的，所述步骤(3)中的数据预处理包括如下步骤：
[0029]步骤(3-1)对传感器原始数据进行校正和滤波；
[0030]步骤(3-2)根据校正和滤波后的数据计算生成数据. . .，yQ]eR?，Q 为生成数据维数；由传感器原始数据和生成数据合并，获得 2,. . .，L};所有采样点上的数据组合为传感器数据集，即[Z1;Z2; . . . ;ZL];
[0031]步骤(3-3)数据分割根据时间窗口将连续的传感器数据集划分为数据段。
[0032] 步骤(1-1)中的预处理也采用上述过程。
[0033] 所述步骤(4)中获得设备位置类别是将特征向量VP输入位置分类模型cP，cP为训练 得到的决策树模型；输入的特征向量根据决策树的分裂条件逐级地选择符合条件的分支， 在叶节点处得到分类的结果，即位
[0034] 所述步骤(5)中获得行为类别是将特征向量V4俞入行为分类模型cancmS训练得 到的支持向量机分类模型，由g( J)个支持向量机组成，函数g(X)由模型的多类别分类策略 决定，J为分类目标即行为类别的数目；每个支持向量机对应的分类超平面表达式为f( x)， 根据输入的特征向量V计算函数值f (V)，获得分类结果(f(V)20或f(v)<0);对所有支持向 量机的分类结果进行加权处理，取最高值作为行为分类结果输出。
[0035] 步骤(1-3)中的特征集F由数据段中每一维对应的时域、频域或时频域特征组成。
[0036] 步骤(1-5)中训练的设备位置分类模型为决策树模型，该分类器由一组"如果-则" 形式的分类规则构成树形结构;在训练时，每个分裂节点选择评价函数取值最高的特征作 为分裂条件。
[0037] 步骤（1-6)中的特征选择从特征集F中选择用于位置分类模型输入的特征集FP， 尽d; Fp采用嵌入方式筛选，即训练