CN106095101A - 基于节能机制的人体行为识别方法及客户端 - Google Patents

Abstract

本发明公开了一种基于节能机制的人体行为识别方法及客户端，包括：S1、采用初始采样率采集人体行为样本数据，提取初始子特征，初步识别人体行为；S2、调整采样率和子特征为对应该初步识别的人体行为的最佳采样率和子特征组合，并继续识别人体行为；S3、若继续识别的人体行为发生变化，则调整采样率和子特征组合至相应人体行为的最佳采样率和子特征组合，返回步骤S2；若无法识别人体行为，则返回步骤S1。本发明针对不同行为采用不同的采样率并提取不同的子特征，在维持较高识别精确度的前提下大大减小能量消耗。

Description

基于节能机制的人体行为识别方法及客户端

技术领域

本发明涉及行为模式技术领域，尤其是涉及一种基于节能机制的人体行为识别方法及客户端。

背景技术

人体行为识别是通过采集一个或多个人体活动时产生的活动信息来识别其活动状态或环境特征。人体行为识别已被运用于多个领域，例如健康监测、智能家居服务、运动伤害预测等。随着智能手机的广泛应用，它在人体行为识别方面起了很大的作用。它内置多种传感器，例如加速度传感器、陀螺仪、光敏传感器等，可采集用户的行为特征数据，通过机器学习算法对用户的行为进行识别。由于智能手机的普遍性、便携性与可编程性，使得它相对于其他人体行为识别设备具备的优势是，它们可以隐式地、不打扰地、实时地利用后台程序采集用户的行为特征数据，并实时地进行识别，成本较低，无需额外硬件设备的支持。

但对于这种实时监测的移动设备而言，能量消耗量大成为一个主要的问题。对于一个行为识别系统而言，内置传感器的数据采集、特征的提取和识别算法的运行都是能量消耗的主要部分，而这三个部分又是行为识别系统的关键。因此无论识别精确度有多高，能量消耗太大将会成为行为识别系统实用性与有效性方面的障碍。像智能手机这种行为识别系统可通过许多方式来降低能量的消耗，例如降低数据采集的采样率、减少触发内置传感器的数量、简化特征提取工作、降低识别算法的复杂度等。但由于这些方法往往会导致识别精确度的降低，因此需要找到合适的方法来权衡识别精确度和能量节约问题。

现已有一些工作分别从数据采集、特征提取、识别算法等方面考虑如何降低识别系统的能量消耗。已有研究认为采样率过高会消耗大量系统的能量，而低采样率可能会导致一些采样数据的丢失，从而导致识别精确度的下降。因此需要找到一种权衡系统能量节约与识别精确度的方法。但他们通过实验研究发现，低采样率对于长时间的行为监测是可用的。另外他们还发现，在移动设备上运行分类算法是十分耗时和耗能的，其中分类算法中的滑动窗口往往固定为常数，这不但会降低检测短暂性行为的能力，还会消耗大量系统的电量资源。

因此，他们提出一种基于智能手机内置三维加速度传感器的节能行为识别方法。虽然这种方法最后达到了能量节约的目的，仍存在一些不足之处。首先，它是以降低数据采集时的采样率为代价来减少能量消耗，也许低采样率对静态行为的识别影响不大，但采样率过低会造成动态行为的识别精确度下降；其次，该方法提出先提取数据样本的时域特征与模板进行样本匹配，若识别不出具体行为时再增加提取频域特征，用分类算法进行进一步识别，这样不但会降低整体的识别精确度，还会耗费许多不必要的能源开支。

发明内容

本发明所要解决的技术问题是：提供基于节能机制的人体行为识别方案，能够在维持较高识别精确度的前提下尽量减小能量的消耗。

为了解决上述技术问题，本发明采用的技术方案为：提供一种基于节能机制的人体行为识别方法，包括：

S1、采用初始采样率采集人体行为样本数据，提取初始子特征，初步识别人体行为；

S2、调整采样率和子特征为对应该初步识别的人体行为的最佳采样率和子特征组合，并继续识别人体行为；

S3、若继续识别的人体行为发生变化，则调整采样率和子特征组合至相应人体行为的最佳采样率和子特征组合，返回步骤S2；若无法识别人体行为，则返回步骤S1。

为解决上述问题，本发明还提供一种基于节能机制的人体行为识别客户端，包括：

采集模块，用于以不同的采样率采集人体行为的样本数据；

子特征提取模块，用于提取样本数据的子特征；

识别模块，用于根据子特征识别人体行为；

调整模块，用于调整采样率和子特征为对应识别的人体行为的最佳采样率和子特征组合。

本发明的有益效果在于：区别于现有技术采用统一的采样率和子特征，本发明根据不同行为采用不同的采样频率并提取不同的子特征，在保证识别精度的同时大大降低了能量消耗。

附图说明

图1为本发明实施例一的人体行为识别方法示意图；

图2为本发明实施例二中HTL分类结构示意图；

图3为本发明实施例二中改进分类算法的行为识别方法示意图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于：发明人经研究发现静态行为不需要太高的采样率，并且只需要提取时域特征就能获得较高的精确度，因此本发明根据不同行为采用不同的采样率和提取不同的子特征，可大大减小能耗。

本发明提供一种基于节能机制的人体行为识别方法，包括：

S1、采用初始采样率采集人体行为样本数据，提取初始子特征，初步识别人体行为；

S2、调整采样率和子特征为对应该初步识别的人体行为的最佳采样率和子特征组合，并继续识别人体行为；

S3、若继续识别的人体行为发生变化，则调整采样率和子特征组合至相应人体行为的最佳采样率和子特征组合，返回步骤S2；若无法识别人体行为，则返回步骤S1。

由以上描述可知，本发明的有益效果在于：区别于现有技术采用统一的采样率和子特征，本发明根据不同行为采用不同的采样频率并提取不同的子特征，在保证识别精度的同时大大降低了能量消耗。

进一步的，在步骤S1和S2中，若在一个SW中识别出行为Ai占所有行为的百分比最多且大于等于行为状态转换阈值RT，则确定人体行为为行为Ai。

进一步的，采集人体行为样本数据后对样本数据进行预处理，所述预处理包括去噪处理，包括异常值移除处理、数据归一化处理和降维处理。

由上述描述可知，对行为数据进行规范化预处理，可去除采集到的行为数据的异常值，并将其进行归一化及降维处理，提高数据构造分类器的合理性、有效性及成功率。

进一步的，所述子特征包括时域特征、频域特征或时域频域组合特征；

所述最佳采样率和子特征组合根据以下目标函数和约束条件确定：

目标函数为

$f\left(A_i\right)=max\frac{{\mathrm{accuracy}}_j}{energy{\mathrm{consumption}}_j},1\≤i\≤11,1\≤j\≤18;$

约束条件的约束方程为

${\mathrm{accuracy}}_j>\frac{\underset{j=1}{\overset{18}{\Σ}}{\mathrm{accuracy}}_j}{18},1\≤j\≤18.$

由上述描述可知，最佳采样率和子特征组合在满足最低识别精度的条件下实现能耗最小化。

进一步的，利用SVM(Support Vector Machine)算法识别人体行为，其中构造HTL(Holistic Triple Learning)树将出现概率较高的行为的分类器置于HTL树的较高层次，把出现概率较低的活动的分类器置于HTL树的较低层次，减少分类器使用次数以进一步减小能量消耗。

由上述描述可知，本发明利用SVM算法和行为发生的概率相结合的方式，以此来减少分类器的运行次数，降低识别的时间复杂度，从而达到降低能量消耗的目的。

进一步的，所述初始采样率为100Hz，所述初始子特征为时域频域组合特征。

由上述描述可知，初始采样率采用较高频率，保证初步识别精度。

进一步的，所述人体行为包括静态行为和动态行为。

本发明还提供一种基于节能机制的人体行为识别客户端，包括：

采集模块，用于以不同的采样率采集人体行为的样本数据；

子特征提取模块，用于提取样本数据的子特征；

识别模块，用于根据子特征识别人体行为；

调整模块，用于调整采样率和子特征为对应该初步识别的人体行为的最佳采样率和子特征组合。

进一步的，还包括预处理模块，用于对采集的样本数据进行预处理，所述预处理包括去噪处理，包括异常值移除处理、数据归一化处理和降维处理。

进一步的，所述子特征包括时域特征、频域特征或时域频域组合特征。

实施例一

请参照图1，本发明实施例一提供一种基于节能机制的人体行为识别方法，具体包括以下步骤：

步骤1、利用加速度传感器和陀螺仪这两种最基本的传感器采集人体行为样本数据。加速度传感器和陀螺仪这两种传感器采集数据可分别产生三维的样本数据，其中可选的采样率为0.5Hz、2Hz、10Hz、20Hz、50Hz和100Hz，本实施例中先采用较高的频率100Hz为初始采样率，以保证初步识别的精度。加速度传感器在X、Y和Z轴方向上采集的加速度可表示为Acceleration＝{x_a,y_a,z_a}，陀螺仪采集的三个方向角方位角(α)、倾斜角(β)和旋转角(γ)可表示为Orientation＝{α_o,β_o,γ_o}。

步骤2、对采集到的行为样本数据进行规范化预处理，具体包括：

异常值移除处理：移除行为特征向量中的异常样本数据；

归一化处理：将经异常值移除处理的行为特征向量中的各维数据限制在预设的范围内；

降维处理：将经归一化处理的行为特征向量经线性或者非线性变换映射到一个低维空间。

步骤3、对预处理之后的样本数据提取子特征，所述子特征包括时域特征、频域特征和时域频域组合特征三种情况，时域和频域下提取的子特征具体如下表1所示：

表1

本实施例中，为了保证识别精度，首先采用时域频域组合特征为初始子特征，即同时提取时域特征和频域特征。

步骤4、对提取的子特征进行分类，根据分类结果结合子特征模板识别人体行为，其中子特征模板是预先设置的，例如每个子特征对应一个人体行为。识别的人体行为主要分为静态行为和动态行为，其中静态行为包括站、坐、蹲、趴着躺和仰卧躺，而动态行为包括慢走、正常走、跑、跳、上楼梯和下楼梯。当然，具体也可根据需要设置更多的动作，例如抬手、踢腿等。

为了说明行为识别过程，先对以下参数进行说明，具体参见下表2：

表2

在首个SW中，假设识别出Ai的数量比其他行为多，且识别出Ai的百分比大于等于行为状态转换阈值RT时，则认为首个识别出的行为是Ai；

步骤5、将采样率和子特征组合转换为Ai对应的最佳采样率和子特征组合，令A0＝Ai，并向第二个窗口滑动。

以下针对最佳采样率和子特征组合进行说明。如前所述，本发明中采样率可包括0.5Hz、2Hz、10Hz、20Hz、50Hz和100Hz六种选择，子特征则包括时域特征、频域特征和时域频域组合特征三种选择，因此，采样率和子特征组合共有18种组合方式。

通过精确度和能量消耗，用多目标优化的方法建立目标函数和约束条件，寻找各人体行为的最佳采样率和子特征组合，以保持较高识别精确度并且尽量降低数据采集和特征提取的能量消耗为研究目标，其目标函数为：

$f\left(A_i\right)=max\frac{{\mathrm{accuracy}}_j}{energy{\mathrm{consumption}}_j},1\≤i\≤11,1\≤j\≤18;$

其中f(A)为最佳采样率；

Accuracy为识别精确度；

Energyconsumption为能量消耗；

约束条件是所选取的采样率和特征组合获得的识别精确度应该满足最低下限要求，其约束方程为：

${\mathrm{accuracy}}_j>\frac{\underset{j=1}{\overset{18}{\Σ}}{\mathrm{accuracy}}_j}{18},1\≤j\≤18.$

通过上述方式预先确定各人体行为对应的最佳采样率和子特征组合，并存储在存储器中，当识别到人体行为为Ai时，则采用对应Ai的最佳采样率和子特征。

步骤6、利用对应Ai的最佳采样率和子特征组合采集和提取第二个SW内的行为样本数据，并再次进行人体行为识别。

步骤7、若识别出Ai(Ai＝A0)占所有行为的百分比最多且大于等于行为状态转换阈值RT，则无需转换采样率和子特征组合，向下滑动窗口并返回步骤6；若识别出Ai(Ai≠A0)占所有行为的百分比最多且大于等于行为状态转换阈值RT，则转换为Ai对应的最佳采样率和子特征组合，令A0＝Ai，向下滑动窗口并返回步骤6；若无法识别出人体行为，则分别将采样率和子特征设置为初始值，即100Hz和时域频域组合特征，并向下滑动窗口，返回步骤1，直至所有数据都被识别

本实施例中，针对识别的不同行为采用相应的最佳采样率和子特征组合，避免了采用统一采样率和子特征导致的不必要的能量消耗，在保证识别精度的前提下，大大减小了能量消耗。

实施例二

本发明的实施例二在实施例一的基础上做了进一步改进，在步骤4和步骤6的人体行为识别过程中采用SVM分类算法。尤其的，采用改进的方式，即SVM分类算法与行为发生概率相结合的方式，对提取的特征组合进行分类，识别出用户不同的行为活动类别，具体为：

用Least-Squares Support Vector Machine(LS-SVM)算法来训练分类器来执行递归模型和HTL分类节点，其中HTL树的构造算法如下：

首先需要构造HTL树，并根据HTL树的结构来置放分类器，HTL树的构造如图2所示，从根节点开始，分类器C1对待测行为进行识别，若识别为行为A1或A2，那么在经过分类器C2进行识别得出结果；若识别为其他行为，则下移一个层次至分类器C3再进行识别，直至最后一个HTL分类节点的识别即可得出所有行为的类别。其中，将出现概率较高的行为(例如正常走、坐)的分类器置于HTL树的较高层次，把出现概率较低的行为(例如跳)的分类器置于HTL树的较低层次，减小识别过程中分类器的运行次数，以此来降低识别的时间复杂度，并进一步降低能量消耗，最后可得到行为识别流程图如图3所示。

实施例三

本发明的实施例三涉及一种基于节能机制的人体行为识别客户端，与实施例一和实施例二的方法相对应，包括：

采集模块，用于以不同的采样率采集人体行为的样本数据；

子特征提取模块，用于提取样本数据的行为子特征；所述子特征包括时域特征、频域特征或时域频域组合特征；

建立特征向量模块，用于将行为数据的行为特征组合建立行为特征向量；

调整模块，用于调整采样率和子特征为对应该初步识别的人体行为的最佳采样率和子特征组合；

规范化预处理模块，用于对采集的样本数据进行预处理，所述预处理包括去噪处理，包括异常值移除处理、数据归一化处理和降维处理；

存储模块，用于存储用户的行为数据、不同行为对应的最佳采样率和子特征组合关系以及行为状态转换阈值等；

构造分类器模块，用HTL树结构与行为发生的概率相结合构造分类器；

分类识别模块，对特征数据进行分类，并识别人体行为。

综上所述，本发明提供的基于节能机制的人体行为识别方法及客户端，能够在维持较高识别精确度的前提下尽量减小能量的消耗。首先采用加速度传感器和陀螺仪这两种最基本的传感器采集数据，并要对从传感器得到的原始样本数据进行预处理，再对预处理之后的样本数据提取时域特征和频域特征。然后利用改进的SVM分类算法对提取的特征集进行分类，识别出用户不同的行为活动类别。最后根据不同的行为采用最佳的采样率和提取最有效的特征组合，避免因采用固定的采样率和子特征组合增加能量消耗。在识别算法方面，本发明采用改进的SVM多类分类的结构，将行为发生的概率与之相结合，减小识别过程中分类器的运行次数，以此来降低识别的时间复杂度，进一步减小了能量消耗。与现有技术相比，本发明可以隐式地、不打扰地、实时地利用后台程序采集用户的行为特征数据，并实时地进行识别，成本较低，无需额外硬件设备的支持。本发明节能机制的人体行为识别系统的识别精确度可以高达90％以上，并且该方法消耗的能量比采样率、子特征组合分别为固定值时消耗的能量节约了一半。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于节能机制的人体行为识别方法，其特征在于，包括：

S1、采用初始采样率采集人体行为样本数据，提取初始子特征，初步识别人体行为；

S2、调整采样率和子特征为对应该初步识别的人体行为的最佳采样率和子特征组合，并继续识别人体行为；

S3、若继续识别的人体行为发生变化，则调整采样率和子特征组合至相应人体行为的最佳采样率和子特征组合，返回步骤S2；若无法识别人体行为，则返回步骤S1。

2.根据权利要求1所述基于节能机制的人体行为识别方法，其特征在于，

在步骤S1和S2中，若在一个SW中识别出行为Ai占所有行为的百分比最多且大于等于行为状态转换阈值RT，则确定人体行为为行为Ai。

3.根据权利要求1所述基于节能机制的人体行为识别方法，其特征在于，

采集人体行为样本数据后对样本数据进行预处理，所述预处理包括去噪处理，包括异常值移除处理、数据归一化处理和降维处理。

4.根据权利要求1所述基于节能机制的人体行为识别方法，其特征在于，

所述子特征包括时域特征、频域特征或时域频域组合特征；

所述最佳采样率和子特征组合根据以下目标函数和约束条件确定：

目标函数为

$f\left(A_i\right)=max\frac{{\mathrm{accuracy}}_j}{{\mathrm{energyconsumption}}_j},1\≤i\≤11,1\≤j\≤18;$

约束条件的约束方程为

${\mathrm{accuracy}}_j>\frac{\underset{j=1}{\overset{18}{\Σ}}{\mathrm{accuracy}}_j}{18},1\≤j\≤18.$

5.根据权利要求1-4任一项所述基于节能机制的人体行为识别方法，其特征在于，利用SVM算法识别人体行为，其中构造HTL树将出现概率较高的行为的分类器置于HTL树的较高层次，把出现概率较低的活动的分类器置于HTL树的较低层次。

6.根据权利要求1-4任一项所述基于节能机制的人体行为识别方法，其特征在于，所述初始采样率为100Hz，所述初始子特征为时域频域组合特征。

7.根据权利要求1-4任一项所述基于节能机制的人体行为识别方法，其特征在于，所述人体行为包括静态行为和动态行为。

8.一种基于节能机制的人体行为识别客户端，其特征在于，包括：

采集模块，用于以不同的采样率采集人体行为的样本数据；

子特征提取模块，用于提取样本数据的子特征；

识别模块，用于根据子特征识别人体行为；

调整模块，用于调整采样率和子特征为对应该初步识别的人体行为的最佳采样率和子特征组合。

9.根据权利要求8所述基于节能机制的人体行为识别客户端，其特征在于，还包括：

预处理模块，用于对采集的样本数据进行预处理，所述预处理包括去噪处理，包括异常值移除处理、数据归一化处理和降维处理。

10.根据权利要求8或9所述基于节能机制的人体行为识别客户端，其特征在于，所述子特征包括时域特征、频域特征或时域频域组合特征。