CN103458051A - 体感网及基于体感网的居家行为感知方法 - Google Patents

Abstract

本发明公开了一种体感网及基于基于体感网的居家行为感知方法。体感网包括用户、穿戴在用户身上的无线传感器节点及计算服务器节点。感知方法为：首先通过体感网对用户的日常居家行为数据进行采集，数据通过无线方式汇集到服务器。数据预处理并特征提取后，利用滑动窗口技术进行数据分片。对于每个数据分片，利用基于模式匹配的算法来感知用户居家行为。算法在感知到的基本行为的基础上通过数值计算的方式来实现同时间段多重行为的感知。本发明对用户行为干扰小，能实现随时随地的感知；基于模式匹配的感知算法能够准确的感知用户的行为；利用数值计算的方法，能够准确感知在顺序、交叉和并行等复杂执行情况下的居家行为。

Description

体感网及基于体感网的居家行为感知方法

技术领域

本发明涉及一种体感网及基于体感网的居家行为感知方法，属于计算机应用领域，利用体感网结合模式匹配算法，在不干扰用户行为的基础上，实现了针对复杂执行情况下的用户居家行为感知功能。

背景技术

随着无线传感器网络的发展和对物联网应用的不断探索，计算机系统能够主动的感知外部环境数据并进行处理。人作为计算机系统服务的核心对象，需要计算机能够主动的感知其需求并为之提供服务。考虑到对独居老人和行动障碍病人的日常看护需求，有必要提出一种能够随时随地观察和认识人类用户行为的自动化方法。目前基于视频的用户行为感知方法，由于存在侵犯用户隐私，无法克服视线遮挡，对光照强度敏感等缺陷，不适宜用于对用户日常行为的数据采集和感知工作。

在考虑单个用户的日常行为时，除了需要考虑用户顺序执行每一项行为的情形以外，还必须考虑到用户执行情况的随意性和复杂性。其中就包含了行为的交叉和并行执行情况。具体来说，用户在日常生活中可能会出现暂停当前行为，转而执行另一项行为，之后又恢复执行当前行为的交叉执行情况。另外可能的情形还包括用户在同一时间执行多项行为的并行执行情况。传统的根据单个行为设计的行为感知算法，仅能够应对用户顺序执行每一项行为的情况，对于上述提到的复杂的多重行为执行情况则没有特别进行处理，使得其对真实的用户日常生活行为的感知能力较弱。

发明内容

为了克服传统方法侵犯用户隐私、应用场景受限并且无法应对日常生活中复杂执行情况下行为感知问题的不足，本发明提供一种体感网及基于体感网和模式匹配算法的单用户多重行为感知方法。由于采用了可穿戴式的体感网作为基本感知手段，该方法能够在不干扰用户日常生活的基础上，实现对用户行为数据的准确捕获。由于采用了基于模式匹配和数值计算方法的感知算法，该方法能够对同时执行的多重用户行为进行准确的感知。

为了解决上述问题，本发明提供了一种体感网，包括用户、无线传感器节点及计算服务器节点，其中，在用户身体的各个部位，包括双手手腕、双脚脚踝、左右手臂、左右大腿、躯干、头部共十个部位穿戴无线传感器节点，在用户双手处佩戴射频识别读写器，在日常生活用品上粘贴射频识别标签；每个无线传感器节点以固定采样频率采集包括三维加速度、温度、光线、湿度、射频识别标签编号在内的数据；无线传感器节点将数据封装成网络封包，以无线传输的方式发送到计算服务器节点。

在体感网基础上，本发明还提供了一种基于体感网的复杂居家行为感知方法，其包含以下步骤：

1）构建体感网，并以体感网中的无线传感器节点感知用户行为数据；

2）无线传感器节点通过无线网络将原始的用户行为数据发送到计算服务器；原始数据通过数据预处理算法提取特征，得到随时间排列的特征数据序列；利用滑动窗口技术对特征数据序列进行分片；

3）利用模式匹配方法对每段用户行为实例数据进行感知，获取实例中包含的基本用户居家行为类别；

4）利用数值计算方法，判断每段行为实例数据中的行为构成，形成多重居家行为感知结果。

步骤1)的具体过程为：

1）在用户的身体的双手手腕、双脚脚踝、左右手臂、左右大腿、躯干、头部共十个部位穿戴无线传感器节点；

2）在用户双手处佩戴高频射频识别读写器，在日常生活用品上粘贴高频射频识别标签；

3）每个无线传感器节点以固定采样频率采集包括三维加速度、温度、光线、湿度数据，射频识别读写器则读取读取标签编号数据。

步骤2)的具体过程为：

2.1）无线传感器节点将数据封装成网络封包，以无线传输的方式发送到计算服务器节点；网络底层采用Zigbee网络协议，节点发送功率为0dbm；

2.2）计算服务器根据收到的数据包的先后次序排列形成原始数据序列；

2.3）在原始数据序列上，应用滑动窗口方法在每一小段数据中提取包括平均加速度、平均温度、平均光线强度、平均湿度、加速度方差、加速度相关系数、加速度数据的熵、能量、以及射频识别标签号所对应的生活用品在内的特征数据；

2.4）将特征数据按照时间先后排列形成特征数据序列；

2.5）对特征数据序列的数值进行离散化，得到离散化后的特征数据序列；

2.6）利用滑动窗口对离散化后的特征数据序列进行分片，每个分片中包含用户行为数据。

步骤3)的具体过程为：

3.1）利用每个行为的模式对每个分片中包含的特征数据进行匹配，一个模式PT_i是一个离散化后的特征数据集合，包含行为A_i区别于其他所有行为的最显著的特征数据，通过统计模式PT_i在行为A_i中出现的概率并除以PT_i在其他所有行为中出现的概率，得到模式PT_i的区分度DisRate(PT_i)；

3.2）一旦匹配成功，则通过如下公式计算行为A_i的得分S(A_i)，该得分逼近行为是A_i的概率

                                                 

其中c1和c2是两个系数，分别代表在最终得分中，由于模式匹配得到的得分和行为本身出现的概率的权重。

步骤4)的具体过程为：

在获取每一个分片所可能包含的行为及其可能性S(A_i)后，猜测可能包含的多重行为的结构并估算其可能性；当多重行为的组合为A_a+A_b时，首先利用一个阈值th来估算是否在当前的观测值中，包含了A_a和A_b的数据，即首先判断有S(A_a)>th且S(A_b)>th，在此前提下通过如下公式计算其组合得分S(A_a+A_b) ：

 

在计算获取所有单个行为的得分S(A_i)和多重行为S(A_a+A_b)的得分之后，选取得分最高的行为,即可能性最高的行为，获取最终的感知结果。

本发明提出了利用体感网来进行行为数据采集，利用模式匹配结合数值计算方法的感知算法来感知用户的多重行为的方法。体感网节点能够在不干扰用户日常生活的基础上，实现随时随地的，稳定可靠的行为数据采集。模式匹配结合数值计算方法的感知算法能够在准确感知单个行为的基础上，实现对复杂执行情况下的多重行为的准确感知。

附图说明

图1：系统架构；

图2：传感器节点工作流程；

图3：单个行为得分计算流程。

具体实施方式

、硬件环境

1) 数个无线传感器网络节点，两个微型射频识别读写器；

2）用户穿戴微型射频识别读写器所需要的特制绑带和手套；

3) 一个计算服务器，该服务器能够连入无线传感器网络并接受数据。

、应用场景

用户穿戴装载了本发明所提出的传感器应用程序的无线传感器节点以及集成了射频识别读写器的手套在环境中自由移动并执行各种日常行为。传感器定期将采集到的数据发送到服务器端，服务器通过执行感知算法来获知当前用户正在执行的行为，包括看电视、做饭、吃饭、打扫房间、睡觉、打电话，这些行为数据通过显示屏显示在服务器界面上，同时通过网络传输发送给更高层的应用来实现包括医疗看护、日常行为记录功能。

、技术描述

本发明所涉及的基于体感网的居家行为感知方法，其系统架构如图1所示。

1) 基于体感网的感知技术

本发明利用体感网来实现对用户行为数据的捕捉和传输。本发明所使用的传感器类型包括两类：a)穿戴于用户双手手腕、双脚脚踝、左右手臂、左右大腿、躯干、头部共十个部位穿戴体感网传感器节点，和b)穿戴于用户双手部位的13.56MHz高频射频识别读写器，用户日常生活空间中所包含的物品粘贴射频识别标签。

将无线传感器节点结合特制的绑带和手套，制成体感网传感器节点。其中特制绑带由较宽的具有弹性的绑带制成，由棉线将传感器节点缝制在绑带上即可。微型高频射频识别读写器则需将天线缝制在手套的手心部位。

体感网节点的程序按照图2所示流程工作，在每一个时间长度为1秒的工作周期内，体感网节点驱动所装载的传感器设备以10Hz的频率读取包括加速度、温度、光线、湿度在内的数据。同时高频射频识别读写器则以1Hz的频率读取射频识别标签编号。每1秒的数据首先缓存在各个体感网节点本地的内存中，在1秒的工作周期结束时，每个节点的数据通过网络封包的形式通过无线模块发送。体感网的传感器节点采用Zigbee网络协议进行数据传输，数据传输时所使用的发送功率为0dbm。

2) 原始数据预处理及特征提取技术

计算服务器在收到体感网节点发送的原始数据后，以接受的时间先后将数据排列成为原始数据序列R=<r₁, r₂, …, r_T>，其中T为系统获取的最后数据的时刻，r_i为第i时刻收到的原始数据，其形式为一个多元组r_i=<s_i,1, s_i,2, …, s_i,X, o_i,1, o_i,2>。其中，s_i,j表示第j个传感器在i时刻所获取的原始数据，共有X个传感器，每个s_i,j是一个四元组，包含了加速度、温度、湿度、光线读数，o_i,1和o_i,2包含了在i时刻，左手和右手的射频识别读写器所获取的射频识别标签编号。

在原始数据序列的基础上，利用一个时间长度为1秒的滑动窗口，将数据分成基本的单元，在每个单元中通过计算提取特征值。所提取的特征值包括如下三类：

第一类（值域特征）：包括加速度平均值、温度平均值、光线强度平均值、加速度数据的方差、不同节点维度的加速度数据相关系数；

第二类（频域特征）：包括加速度数据的熵和能量；

第三类（物品使用）：包括有射频识别读写器所读到的标签所粘贴的物品名称。

对原始数据序列运用上述特征提取方法，并根据数据的时序关系获得特征值序列F=<f₁, f₂, …, f_T’>，其中每个f_i为在i时间段的原始数据提取得到的特征值，其形式为一个多元组f_i=<m_i,1, m_i,2, …, m_i,N>，每一个m_i,j代表第i时间段获取的第j个特征，所有N个特征包含了上述提到的值域特征、频域特征和物品使用数据。

对F进行离散化，其方法为将每一值域和频域特征按照其取值区间，平均分割成M个区间，将F中所包含的每一个连续值映射到其所在的离散区间中，获得针对值域和频域特征数据的离散化数据。对于物品使用数据，则使用一个离散的整数值代表对应的物品。对F进行离散化后就得到离散化的特征数据序列D=<d₁, d₂, …, d_T>。

3) 基于模式匹配的用户行为感知算法

在获取了离散化后的特征数据序列D之后，以当前时间t为起始点，运用图3所示算法对用户行为进行感知。其主要方法是，猜测当前可能的行为A_i，首先利用该行为已知的平均执行时间L_i作为滑动窗口的大小，从当前时间t开始，从D中截取一段数据<d_t, …, d_t+Li>作为一个行为的实例。将该实例与数据库中存储的针对A_i的模式PT_i进行匹配。其中，一个模式PT_i是一个离散化后的特征数据集合。该集合包含行为A_i区别于其他所有行为的最显著的特征数据，即该模式所包含的特征数据频繁出现在行为A_i的数据中，但是极少出现在其他行为的数据中。当一个模式PT_i包含于一段数据<d_t, …, d_t+Li>中时，就称为该段数据<d_t, …, d_t+Li>与模式PT_i匹配。当匹配成功后，通过如下公式计算得到该动作的得分S(A_i)，该得分逼近当前数据中所对应的行为是A_i的可能性。

          （公式1）

其中DisRate(PT_i)为模式PT_i在行为A_i中出现的概率除以PT_i在其他所有行为中出现的概率，其取值范围为1到正无穷，p(A_i)为行为A_i在日常生活中被执行的概率，上述两个数值都可以通过统计的方法得到；c1和c2是两个系数，分别代表在最终得分中，由于模式匹配得到的得分和行为本身出现的概率的权重。

4) 基于数值计算的多重行为感知算法

通过上述步骤得到所有单个行为A_i的得分S(A_i)之后，再度猜测可能出现的多重行为的情况。假设可能的行为组合为A_a+A_b，我们首先利用一个阈值th来估算是否在当前的观测值中，包含了A_a和A_b的数据。即首先判断有S(A_a)>th且S(A_b)>th，在此前提下通过如下公式计算组合行为的得分S(A_a+A_b)，该得分逼近当前数据中包含的行为是组合行为A_a+A_b的可能性。

  

（公式2）

其中max(S(A_a),S(A_b))操作为取S(A_a)和S(A_b)的最大值，p(A_aA_b)为行为A_a, A_b出现的联合概率。

在计算获取所有单个行为的得分S(A_i)和多重行为S(A_a+A_b)的得分之后，选取得分（即，可能性)最高的行为，获取最终的感知结果。

Claims (6)

1.一种体感网，包括用户、无线传感器节点及计算服务器节点，其特征在于：

在用户身体的各个部位，包括双手手腕、双脚脚踝、左右手臂、左右大腿、躯干、头部共十个部位穿戴无线传感器节点，在用户双手处佩戴射频识别读写器，在日常生活用品上粘贴射频识别标签；每个无线传感器节点以固定采样频率采集包括三维加速度、温度、光线、湿度、射频识别标签编号在内的数据；无线传感器节点将数据封装成网络封包，以无线传输的方式发送到计算服务器节点。

2.一种基于体感网的复杂居家行为感知方法，其特征在于包含以下步骤：

1）构建体感网，并以体感网中的无线传感器节点感知用户行为数据；

2）无线传感器节点通过无线网络将原始的用户行为数据发送到计算服务器；原始数据通过数据预处理算法提取特征，得到随时间排列的特征数据序列；利用滑动窗口技术对特征数据序列进行分片；

3）利用模式匹配方法对每段用户行为实例数据进行感知，获取实例中包含的基本用户居家行为类别；

4）利用数值计算方法，判断每段行为实例数据中的行为构成，形成多重居家行为感知结果。

3.根据权利要求2所述的基于体感网的复杂居家行为感知方法，其特征在于步骤1)的具体过程为：

1）在用户的身体的双手手腕、双脚脚踝、左右手臂、左右大腿、躯干、头部共十个部位穿戴无线传感器节点；

2）在用户双手处佩戴高频射频识别读写器，在日常生活用品上粘贴高频射频识别标签；

3）每个无线传感器节点以固定采样频率采集包括三维加速度、温度、光线、湿度数据，射频识别读写器则读取读取标签编号数据。

4.根据权利要求2或3所述的基于体感网的复杂居家行为感知方法，其特征在于步骤2)的具体过程为：

2.1）无线传感器节点将数据封装成网络封包，以无线传输的方式发送到计算服务器节点；网络底层采用Zigbee网络协议，节点发送功率为0dbm；

2.2）计算服务器根据收到的数据包的先后次序排列形成原始数据序列；

2.3）在原始数据序列上，应用滑动窗口方法在每一小段数据中提取包括平均加速度、平均温度、平均光线强度、平均湿度、加速度方差、加速度相关系数、加速度数据的熵、能量、以及射频识别标签号所对应的生活用品在内的特征数据；

2.4）将特征数据按照时间先后排列形成特征数据序列；

2.5）对特征数据序列的数值进行离散化，得到离散化后的特征数据序列；

2.6）利用滑动窗口对离散化后的特征数据序列进行分片，每个分片中包含用户行为数据。

5.根据权利要求2或3所述的基于体感网的复杂居家行为感知方法，其特征在于步骤3)的具体过程为：

3.1）利用每个行为的模式对每个分片中包含的特征数据进行匹配，一个模式PT_i是一个离散化后的特征数据集合，包含行为A_i区别于其他所有行为的最显著的特征数据，通过统计模式PT_i在行为A_i中出现的概率并除以PT_i在其他所有行为中出现的概率，得到模式PT_i的区分度DisRate(PT_i)；

3.2）一旦匹配成功，则通过如下公式计算行为A_i的得分S(A_i)，该得分逼近行为是A_i的概率

其中c1和c2是两个系数，分别代表在最终得分中，由于模式匹配得到的得分和行为本身出现的概率的权重。

6.根据权利要求2或3所述的基于体感网的复杂居家行为感知方法，其特征在于步骤4)的具体过程为：

在获取每一个分片所可能包含的行为及其可能性S(A_i)后，猜测可能包含的多重行为的结构并估算其可能性；当多重行为的组合为A_a+A_b时，首先利用一个阈值th来估算是否在当前的观测值中，包含了A_a和A_b的数据，即首先判断有S(A_a)>th且S(A_b)>th，在此前提下通过如下公式计算其组合得分S(A_a+A_b) ：

 

在计算获取所有单个行为的得分S(A_i)和多重行为S(A_a+A_b)的得分之后，选取得分最高的行为,即可能性最高的行为，获取最终的感知结果。

Images