一种基于无线可穿戴式感知平台的典型行为实时识别方法与流程

本发明属于物联网智能家居领域，涉及一种基于无线可穿戴式感知平台的典型行为实时识别方法。

背景技术：

随着全球老龄化日益加剧，独居老人护理问题引发了研究人员越来越广泛的关注。跌倒事件在医院频发，30％的跌倒事件会引发其他一些伤害。其中，84％的跌倒事件发生在老年患者的房间，19％发生在行走途中，并且这些跌倒事件通常发生在床、椅子周围。同时，传感技术的日趋成熟为日常行为识别方法的研究提供了技术保障。然而，目前对老年人日常行为识别的设备大多需要电源，且通过有线连接，体积笨重，携带较为不便。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于无线可穿戴式感知平台的典型行为实时识别方法，目的在于实时识别独居老人离开床、椅子的行为，一旦检测到异常立刻发送报警信息给医护人员，有效预防跌倒。

为达到上述目的，本发明提供如下技术方案：

一种基于无线可穿戴式感知平台的典型行为实时识别方法，包括以下步骤：

s1：数据采集；用户w²isp采集活动、身份数据，并通过rfid设备进行实时传送；

s2：特征提取；提取加速度、时间、射频角度、频道、接收信号强度特征作为行为预测阶段的输入；

s3：行为预测；采用基于线性链条件随机场改进的dwcrf，向目标函数中引入一个动态计算的类相关的权重参数来惩罚误分的少数类；

s4：行为识别；在离开床、椅子的行为识别阶段提出一个评价函数，对1秒内占主导地位的数据分配一个活动类，降低行为预测阶段由噪声引起的误差；当识别到用户离开床或者椅子则触发警报，且在接下来的1.75秒内不会发生同类型报警。

进一步，所述w²isp是一个包含三轴加速度计和单片机单元的无源rfid标签；其中三轴加速度计adxl330最小满量程±3g，电流180μa，电源电压1.8v，输出灵敏度300mv/g；单片机单元msp430f2132是包括一个10位模数转换器adc、超低功耗的16位闪存。

进一步，所述加速度包含用户执行活动的信息。

进一步，所述接收信号强度表示用户距离天线的远近，低数值表示用户远离天线。

进一步，所述射频角度为由rfid读取器发送的在给定频率信道的rf载波与传感器返回的信号之间的相位角。

进一步，所述dwcrf计算每个传感器观测的边际概率作为行为预测的置信度。

进一步，所述评价函数选择1秒作为时间间隔，移除噪声，过滤错误预测行为。

本发明的有益效果在于：针对目前根据无线可穿戴设备识别老人行为的算法研究空白，通过布置真实的实验环境采集老人在床、椅子周围的活动数据；提取了加速度、时间、射频角度、频道、接收信号强度等特征改善分类器的性能；提出了dwcrf模型解决类不平衡问题从而使行为预测更准确；最后提出了评价函数来移除噪声，过滤掉误报警信息。本发明提出的行为识别方法能有效预防老人跌倒，为老人护理提供了可靠的算法保障。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明概述图；

图2为本发明流程图；

图3为本发明状态机切换图；

图4为本发明临床环境图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1所示，由rfid基础设施采集的数据被实时输入到离开床、椅子的识别算法中，通过报警信号，医护人员可以确定是谁(who)在什么时间(when)执行什么行为(what)。另外，rfid天线和读取器标识符可以提示病人占用的房间(where)。

如图2所示，其中，接收信号强度计算如下：

其中，k是后向散射增益，pt是读数计的输出功率，gt是单个读数计天线的增益，λ是波长，h是多路径信道响应，d0是发射天线和接收天线的直线距离。

1.特征提取

(1)瞬时特征：这些特征来源于当前记录的传感器观测，提供了正在执行的行为信息以及用户的身份信息。包括以下特征数据：

加速度计的三轴读数：av，al，af；

身体前倾、后倾的程度：

横摆角：

坡度：

接收传感器数据的天线id：aid；

从传感器接收到的功率：rssi；

与前一观测的时差；

用户的性别。

(2)上下文信息特征：从一个固定时间4s的滑动窗口段获取这些特征，该分段的第一个元素对应于当前的传感器观察。包括以下特征数据：

床和椅区域之间的互信息：

其中πx是指示函数，n是分段中的元素数量；

接收到最大、最小rssi的天线id；

av轴的置换：

av，al，af的均值及标准差(仅用于room1)；

所有天线rssi的均值、标准差(仅用于room1)；

加速度轴间的皮尔森相关性；

可变频率相位变化率(vfpr)的标准差(仅用于room1)；

恒频相位(cfpr)系数和(仅用于room1)。

(3)段间特征：这些特征来自连续段的信息差异，描述了连续段加速度和接收信号功率的变化趋势，提供了运动及感兴趣区域的信息。包括以下特征数据：

连续段中加速度读数av，al，af的中位数、最大及最小值的差异；

连续段中每个天线rssi的中位数、最大及最小值的差异。

2.行为预测

给定训练序列标签序列加权对数似然函数为：

λ是提出的dwcrf模型的参数，ωt是动态计算的类相关的加权参数，最大化召回率和准确率的整体调和平均值。dwcrf模型实时评估提取的特征值，并产生每个可能的活动类的边际概率。该模型在没有增加模型复杂度的基础上解决了类不平衡问题，能够实时评估感兴趣的类。

边际概率计算如下：

m(yt|xt)是给定观察数据xt，所有k个可能的y的边际概率。zt是正规项，f是由特征函数决定的势函数。

3.行为识别

分配标签由下式给出：

mk是行为预测阶段得出的边际概率，yk,t是t时刻所有可能的标签，x是传感器观测值。

评价函数的目标是对1秒内占主导地位的数据分配一个活动类，尽可能地降低行为预测阶段由噪声引起的误差。

如图3、图4所示，当检测到“躺/坐在床上”发生在“行走”或“坐在椅子上”之前，生成“离开床”的警报。同样地，当检测到“坐在椅子上”之后发生了其他行为，就认为“离开椅子”。即使没有发生“行走”(因为在行走的时候很可能会丢失一些传感器观测值)，一旦发生了“床→椅子”、“椅子→床”的转移，就认定发生了“离开床”、“离开椅子”的行为。警报触发后的1.75秒——行为变换的最短时间内，系统自动忽略一切同类型的报警。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。