CN102254226A - 基于bp神经网络的人类活动在智能家居环境中的辨识方法 - Google Patents

Abstract

本发明公布了一种基于BP神经网络的人类活动在智能家居环境中的辨识方法，首先对布置在智能家居环境测试台中由运动传感器和项目传感器所采集的各种人类活动的数据进行标注并对已标注的传感器数据进行特征提取；然后再将提取的特征数据采用3折交叉验证的方式输入到BP神经网络模型中进行训练与辨识；最后将基于BP神经网络的人类活动辨识结果与隐马尔科夫模型方法以及朴素贝叶斯分类器方法相比较，计算结果表明基于BP神经网络的方法获得了更好的辨识准确度。该发明采用的是由传感器所获得的数据，不需要在住处中安装视频摄像装置。这样更容易被住户接受，并且对传感器数据的处理相对于视频数据处理要更容易，减少了工作量，保护了住户的隐私。

Description

基于BP神经网络的人类活动在智能家居环境中的辨识方法

技术领域

本发明涉及依据安装在智能家居环境测试台中的运动传感器和项目传感器所采集的人类不同活动的数据对人类的活动进行辨识的方法，特别是涉及一种基于BP神经网络(Back Propagation Neural Networks)的人类活动的辨识方法，应用于智能家居、模式识别等技术领域。

背景技术

智能家居是以住宅为平台，兼备建筑、网络通信、信息家电、设备自动化，集系统、结构、服务、管理为一体的高效、舒适、安全、便利、环保的居住环境。智能家居利用先进的计算机技术、网络通讯技术、综合布线技术，将与家居生活有关的各种子系统有机地结合在一起，通过统筹管理，让家居生活更加舒适、安全、有效。与普通家居相比，智能家居不仅具有传统的居住功能，提供舒适安全、高品位且宜人的家庭生活空间，还由原来的被动静止结构转变为具有能动智能的工具，提供全方位的信息交换功能，帮助家庭与外部保持信息交流畅通，优化人们的生活方式。这可能包括住户的安全、维护环境费用的减少、资源利用的最优化或者是任务的自动化。智能家居环境的特点是他们具有自治的能力，能够自己适应变化的环境，以一个自然的方式和人类进行交流。智能自动化能够减少居民需要合作的次数，减少资源的损耗和其他潜在的消费。智能家居还可能具备其它的功能，比如说可以发觉不正常行为的健康监测功能和家庭安全功能。智能家居还可以帮助那些不能独立生活的人完成日常生活，比如老年人和残疾人。所以智能家居环境不仅仅可以给住户提供方便，也能够保障住户的健康和人身安全。

人是智能家居的核心，智能家居中的各项功能都是为人服务的，而老年人又是一个非常特殊的群体。

随着世界人口老龄化程度的加深，独立生活的老年人也日益增多。20世纪90年代，我国也迈进了老龄化社会。人口普查数据显示，到2002年底，全国60岁以上的老年人已达1.32亿，60至69岁的低龄老人约6000万，占人口总量的10.32％，占世界老年人口的五分之一。而根据专家预测，今后几十年内，我国老年人口数量将以年均3％以上的速度递增，而80岁以上的高龄老人则每年以5％的速度增长。到2050年，全国老年人口总量将达到4亿多，占人口总数的四分之一多。

另据调查，我国老年人中，“空巢”率已达到26.4％，这就意味着有四分之一的老人身边无子女照料。然而，年纪的增长会产生一系列的健康问题，例如出现行动困难，视力、听力的下降，记忆力衰退以及各种多发疾病等，这给他们独立生活带来一定的困难。基于中国人传统的思想，家庭养老仍然是大部分子女和老人共同的愿望。由于大部分老年人还是希望生活在自己熟悉的生活环境里，所以我们希望老年人独立生活在家中时，仍然能够正常生活，这促进了智能家居环境技术的发展。智能家居技术的一个重要作用就是能够为那些长时间待在家里不能独立生活的老年人和残疾人提供帮助，并进行健康监护。

为了能够独自在家生活，个人需要完成日常生活的许多活动，比如吃饭、穿衣服、煮饭、喝水、吃药等。要使智能家居能够帮助人类的日常生活，就要使智能家居能够读懂和理解人类的活动，从而需要研究人类活动的辨识方法。对住户的活动进行正确辨识和理解是给住户提供正确服务的前提，无论是智能家居直接给住户提供服务，还是将来通过机器人给住户提供服务，都是在正确辨识住户的活动、理解住户意图的基础上实现的。因此能够使智能家居对住户的活动进行辨识和理解具有重要的意义，这也为实现对独居老人和残疾人的智能监护提供了一种模式，为服务机器人真正走进家庭提供了可能。

目前国内外对人类活动辨识的研究大部分集中在基于视觉的辨识研究领域，但是对于智能家居而言，许多住户认为安装视频摄像装置会侵犯住户的隐私，所以并不希望家中安装有视频摄像装置。相对而言，利用由运动传感器和项目传感器采集住户的活动数据来进行活动辨识就没有了这样的烦恼，保护了住户的隐私。

发明内容

本发明针对由运动传感器和项目传感器所采集的数据，提出了一种基于BP神经网络的人类活动辨识方法，具有更高的辨识准确度。

为了实现上述目的，本发明通过以下技术路线来实现：

基于BP神经网络的人类活动在智能家居环境中的辨识方法，其过程包括如下的步骤：

步骤S1)数据采集：由实验人员在智能家居环境测试台中按照要求重复进行指定的不同活动，与此同时由安装在智能家居环境测试台中的运动传感器和项目传感器对实验活动进行数据采集，然后对采集到的数据进行标记。

步骤S2)特征提取：根据得到的数据，提取每一种实验活动的合适的特征数据，包括：当前活动所触发的各个传感器的标签；当前活动开始的时间；当前活动的结束时间；当前活动的前一个活动；当前活动所触发的传感器序列长度。

步骤S3)BP神经网络的训练与辨识：将计算好的各个活动的特征数据输入到BP神经网络中，分别采用3折交叉验证(3-fold cross validation)的方式进行训练与辨识，得到各种实验活动的辨识结果。

步骤S4)结果比较：将基于BP神经网络的人类活动的辨识结果与隐马尔科夫模型方法(Hidden Markov Model，HMM)以及朴素贝叶斯分类器(Naive Bayes Classifier，NBC)方法相比较，计算结果表明基于BP神经网络的方法获得了更好的辨识准确度。

所述步骤S1)数据采集中包括如下步骤：

步骤S11：让实验人员在智能环境测试台中按照要求重复进行指定的不同活动，与此同时由安装在智能家居环境测试台中的运动传感器和项目传感器对实验活动进行数据采集。

步骤S12：对采集到的数据人工进行标记，其格式如下例所示：

需要说明的是对于标注后的传感器数据集中，只有每一种活动标记为开始和结束之间的数据为有效数据。

所述步骤S2)特征提取中包括如下步骤：

步骤S21：根据采集到的数据，统计当前活动所触发的各个传感器的标签、时间、日期和每个活动发生的频率、当前活动的前一个活动、当前活动所触发的传感器序列长度、当前活动开始的时间、当前活动结束的时间、以及当前活动持续的时间。

步骤S22：对于统计到的数据提取对活动辨识最合适的特征，并将它们归一化后，输入BP神经网络进行活动的训练与辨识。其中，当前活动所触发的各个传感器的标签这个特征为一标签序列且长度均不相同，要使其能够输入神经网络，需要做一定的处理。本发明将当前活动所触发的各个传感器的标签取平均值，由于传感器的标签是根据区域来划分的，取其平均值反映了每个活动发生的主要区域。最后，所选取的每个活动的特征数据为：当前活动所触发的各个传感器的标签的平均值；当前活动开始的时间；当前活动结束的时间；当前活动的前一个活动；当前活动所触发的传感器序列长度。对每个特征的归一化的过程为分别将当前的特征值除以其特征的所有样本的最大值。

所述步骤S3)BP神经网络的训练与辨识中包括如下步骤：

步骤S31：确定隐层个数，初始化权值和偏置，最大迭代代数。把所有的权值和节点的偏置设置成[0，1]之间的随机数。训练中学习率和动量因子都是预先设定的值，需要不断调整，以达到最好的辨识结果。本发明采用的是一层隐含层，选用的动量因子mc＝0.95，学习率η＝0.1，迭代次数为50000代。

步骤S32：提供输入和期望输出。以各个活动传感器的特征数据作为输入，期望输出的活动为1其余为0作为输出。选取一部分数据样本用于BP神经网络的学习和训练，另一部分样本用作辨识验证，本发明采用的是3折交叉验证的方法。

步骤S33：计算实际输出。利用Sigmoid非线性函数计算输出层和隐层各节点的输出。

步骤S34：调整权值。以附加动量法来调整权值，公式如下：

$\mathrm{\Δ}{w}_{\mathrm{ji}}^h(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pj}}^h{x}_{\mathrm{pi}}+\mathrm{mc\Δ}{w}_{\mathrm{ji}}^h\left(t\right)---\left(1\right)$

$\mathrm{\Δ}{w}_{\mathrm{kj}}^o(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pk}}^o{O}_{\mathrm{pj}}^h+\mathrm{mc\Δ}{w}_{\mathrm{kj}}^o\left(t\right)---\left(2\right)$

$\mathrm{\Δ}{b}_j(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pj}}^h+\mathrm{mc\Δ}{b}_j\left(t\right)---\left(3\right)$

$\mathrm{\Δ}{b}_k(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pk}}^h+\mathrm{mc\Δ}{b}_k\left(t\right)---\left(4\right)$

其中x表示输入，t表示迭代的次数，p表示为第p个训练向量，h表示为隐含层，o表示输出层，w_ij表示第i个输入节点到第j个隐节点之间的权值，w_kj表示第j个隐层节点到第k个输出层节点之间的权值，mc表示动量因子，η表示学习率，

表示第p个训练向量的第j个隐层节点的误差，

表示第p个训练向量的第k个输出节点的误差，

表示第j个隐层节点的实际输出，b_j表示第j个隐层节点的偏置，b_k表示第k个输出节点的偏置。

不断迭代，直到误差达到满意值终止。

步骤S35：在训练之后，保存权值和偏置，选取测试数据，输入BP神经网络进行辨识。

所述步骤S4)结果比较中包括如下几个步骤：

步骤S41：记录每个活动辨识准确度和所有活动的整体辨识准确度。

步骤S42：将BP神经网络方法的实验结果和朴素贝叶斯分类器方法、隐马尔科夫模型方法所得的实验结果进行比较，结果显示BP神经网络方法的辨识准确度要优于其他算法。

本发明的优点在于：

1.用来训练的数据是通过传感器采集的，不要依赖视频摄像装置；

2.所采用的BP神经网络方法能够建立复杂的非线性映射，对解决复杂的人类活动辨识问题有较好的效果。

附图说明

图1本发明采集人类活动数据的智能家居环境测试台传感器布置图；

图2BP神经网络的结构；

图3BP神经网络训练过程的程序流程图；

图4BP神经网络辨识过程的程序流程图。

具体实施方式

图1是智能家居环境测试台传感器布置图，安装的传感器包括运动传感器(M)和项目传感器(I)，项目传感器包括温度传感器(T)、灯开关传感器(L)、风扇开关传感器(F)和门开关传感器(D)。

为了给出一个清晰的描述，我们以10种人类日常生活中的活动为例进行实验，由实验人员在智能家居环境测试台中按照要求重复进行这10种活动，实验共进行了56天，总共获得600个实验活动样本数据，647487个传感器事件，分别为：

活动0：上厕所，30个样本；

活动1：吃早饭，48个样本；

活动2：睡觉，207个样本；

活动3：使用计算机工作，46个样本；

活动4：晚餐，42个样本；

活动5：洗衣服，10个样本；

活动6：出门，69个样本；

活动7：吃午饭，37个样本；

活动8：夜间游荡，67个样本；

活动9：吃药，44个样本。

实施过程如下：

步骤S1)数据采集

从智能家居环境测试台获得数据，对数据进行标记。其格式如下例所示：

步骤S2)特征提取

步骤S21：根据采集到的数据，统计当前活动所触发的各个传感器的标签、时间、日期和每个活动发生的频率、当前活动的前一个活动、当前活动所触发的传感器序列长度、当前活动开始的时间、当前活动结束的时间以及当前活动持续的时间。

步骤S22：对统计得来的活动特征进一步处理，提取对活动辨识最合适的特征数据，将它们归一化后，用来输入BP神经网络进行训练与辨识。本发明将当前活动所触发的各个传感器的标签(ID)取平均值，由于传感器的标签是根据区域来划分的，取其平均值反映了每个活动发生的主要区域特征。所选取的每个活动的特征为：当前活动所触发的各个传感器的标签的平均值；当前活动开始的时间；当前活动结束的时间；当前活动的前一个活动；当前活动所触发的传感器序列长度。对每个特征的归一化的过程为分别将当前的特征值除以其特征的所有样本的最大值。

步骤S3)BP神经网络的训练与辨识

步骤S31：本发明运用C语言进行编程，图2表示的BP神经网络的结构图，图3表示的是BP神经网络训练过程的程序流程图。在训练与辨识的过程中，采用的是3折交叉验证的方法。本发明采用的BP神经网络具有一层隐含层，输入为5个节点，输出为10个节点，隐层节点数确定为11。初始化权值和偏置，不断修改权值和偏置进行迭代，直至误差达到满意值后计算过程终止并保存训练好的权值和偏置。

步骤S32：在测试过程中，输入待测试活动的数据，根据训练得到的权值和偏置，得到测试活动样本的辨识结果。

图4为辨识过程的程序流程图。

步骤S4)结果比较

将基于BP神经网络的人类活动的辨识结果与隐马尔科夫模型方法以及朴素贝叶斯分类器方法相比较，表1是三种算法辨识结果的对比。从表1中可以看到，对于实验中的10种人类日常生活中的活动，除了活动8的辨识准确度低于朴素贝叶斯分类器算法以外，BP神经网络的辨识准确度均高于其他两种算法，而且样本总体的辨识结果也有很大的提高，所以BP神经网络是一种有效的人类活动辨识方法。

表1隐马尔科夫方法、朴素贝叶斯分类器方法和BP神经网络方法的辨识结果对比。

Claims (2)

1.一种基于BP神经网络的人类活动在智能家居环境中的辨识方法，其特征在于包括如下步骤：

步骤S1)数据采集：由实验人员在智能家居环境测试台中按照要求重复进行指定的不同活动，与此同时由安装在智能家居环境测试台中的运动传感器和项目传感器对实验活动进行数据采集，然后对采集到的数据进行标记；

步骤S2)特征提取：根据采集到的数据，提取每一种活动的合适的特征数据，包括：当前活动所触发的各个传感器的标签；当前活动开始的时间；当前活动的结束时间；当前活动的前一个活动；当前活动所触发的传感器序列长度；

步骤S3)BP神经网络的训练与辨识：将计算好的各个活动的特征数据输入到BP神经网络中，分别采用3折交叉验证的方式进行训练与辨识，得到各种活动的辨识结果；

步骤S4)结果比较：将基于BP神经网络的人类活动的辨识结果与隐马尔科夫模型方法以及朴素贝叶斯分类器方法相比较，计算结果表明基于BP神经网络的方法获得了更好的辨识准确度。

2.根据权利要求1所述的基于BP神经网络的人类活动在智能家居环境中的辨识方法，其特征在于所述步骤S3)BP神经网络的训练与辨识中包括如下步骤：

步骤S31：确定隐层个数，初始化权值和偏置，最大迭代代数；把所有的权值和节点的偏置设置成[0，1]之间的随机数；

步骤S32：提供输入和期望输出：以各个活动传感器的特征数据作为输入，期望输出的活动为1其余为0作为输出；选取一部分数据样本用于BP神经网络的学习和训练，另一部分样本用作辨识验证；

步骤S33：计算实际输出：利用Sigmoid非线性函数计算输出层和隐层各节点的输出；

步骤S34：调整权值：以附加动量法来调整权值，公式如下：

$\mathrm{\Δ}{w}_{\mathrm{ji}}^h(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pj}}^h{x}_{\mathrm{pi}}+\mathrm{mc\Δ}{w}_{\mathrm{ji}}^h\left(t\right)---\left(1\right)$

$\mathrm{\Δ}{w}_{\mathrm{kj}}^o(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pk}}^o{O}_{\mathrm{pj}}^h+\mathrm{mc\Δ}{w}_{\mathrm{kj}}^o\left(t\right)---\left(2\right)$

$\mathrm{\Δ}{b}_j(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pj}}^h+\mathrm{mc\Δ}{b}_j\left(t\right)---\left(3\right)$

$\mathrm{\Δ}{b}_k(t+1)=(1-\mathrm{mc})\mathrm{\η}{\mathrm{\δ}}_{\mathrm{pk}}^h+\mathrm{mc\Δ}{b}_k\left(t\right)---\left(4\right)$

其中x表示输入，t表示迭代的次数，p表示为第p个训练向量，h表示为隐含层，o表示输出层，w_ij表示第i个输入节点到第j个隐节点之间的权值，w_kj表示第j个隐层节点到第k个输出层节点之间的权值，mc表示动量因子，η表示学习率，

表示第p个训练向量的第j个隐层节点的误差，

表示第p个训练向量的第k个输出节点的误差，

表示第j个隐层节点的实际输出，b_j表示第j个隐层节点的偏置，b_k表示第k个输出节点的偏置；

不断迭代，直到误差达到满意值终止；

步骤S35：在训练之后，保存权值和偏置，选取测试数据，输入BP神经网络进行辨识。

Images