CN108460417A - 基于特征合并的mcrf异常行为实时识别方法 - Google Patents

Abstract

本发明涉及基于特征合并的MCRF异常行为实时识别方法，属于计算机领域。针对目前智能家居环境中的异常行为识别实时性不强、识别准确度不高的问题，本发明在多条件随机场组合模型(MCRF)中引入了特征合并的思想，有效地降低了观测特征维数，提高了MCRF模型的异常行为识别效率。本发明可以实时、准确地识别出异常，将检测到的异常结果通过移动终端实时反馈给子女或者医护人员，可以很大程度上减少由于一些突发意外(比如摔倒、晕厥)对独居老人造成的伤害。

Description

基于特征合并的MCRF异常行为实时识别方法

技术领域

本发明属于计算机领域，涉及基于特征合并的MCRF异常行为实时识别方法。

背景技术

普适计算技术的发展促成了用于收集活动信息的无线传感器的发展。将无线传感器采集的行为数据与最先进的机器学习算法相结合，又进一步推动了智能家居环境下的用户日常行为识别算法研究。当前，智能家居环境下的用户行为识别算法研究主要有CASAS，MavHome，PlaceLab，CARE和Aware Home。这些用户行为识别项目中，研究者没有考虑行为识别的实时性。但是。在实际的智能家居环境下的异常行为识别过程中，特征的选择对行为识别的实时性起着至关重要的作用。特征选择的标准不同，特征选择的好坏直接影响着模型进行分类的结果优劣以及标注效率。基于多CRF组合模型(Multiple CRF Ensemble Model,MCRF)是一个序列概率图模型，相较于文献Nazerfard E,Das B,Holder L B,etal.Conditional random fields for activity recognition in smart environments[J].2010:282-286.和Vail D L,Veloso M M,Lafferty J D.Conditional random fieldsfor activity recognition[C]//International Joint Conference on AutonomousAgents and Multiagent Systems.ACM,2007:235.的模型，它综合了一般概率图模型的优点(可以处理不确定问题)和序列概率图模型的优点(可以刻画行为间的上下文关系)，具有表达长距离依赖性和交叠性特征的能力，能够较好地解决标注(分类)偏置等问题的优点。在MCRF模型的基础上，引入特征合并的思想，有效地降低了观测特征维数，提高了模型训练和测试的效率，很大程度上保障了行为识别的实时性和准确性。同时，算法的研究成果可以用于独居老人护理，减少了由于一些突发意外(比如摔倒、晕厥)对独居老人造成的伤害。

发明内容

有鉴于此，本发明的目的在于提供基于特征合并的MCRF异常行为实时识别方法，在多条件随机场组合模型(MCRF)中引入特征合并的思想，有效地降低观测特征维数，提高MCRF模型的异常行为识别效率。

为达到上述目的，本发明提供如下技术方案：

基于特征合并的MCRF异常行为实时识别方法，该方法包括以下步骤：

S1：在模型建立阶段，利用各种正常行为训练MCRF模型，并计算每类正常行为的最大似然向量(Maximum LikelihoodVector,MLV)，并存储在集合S_k,k＝1,2,...,K中，其中K表示正常行为的种类数；

S2：在异常行为识别阶段，首先计算测试序列的似然向量，找出MLV V和MLV索引i，然后通过比较V和保存的S_k来识别异常行为；

S3：设V_t表示测试行为序列t在MCRF下的MLV，V_Ni表示第i类行为在MCRF模型下的MLV，其中i表示和测试行为最相似的那类行为；采用以下公式来判断测试行为序列和正常行为序列i的相似性：

进一步，所述MCRF模型引进特征合并的思想，即设X＝(x₁,x₂,…,x_N)表示观测序列，Y＝(y₁，y₂，…，y_N)为对应观测序列的标记，其中x_i表示在i时刻的观测事件特征，y_i表示在i时刻的行为标签，i＝1,2,...,N；

若把一个传感器的观测当作一个特征，则所有行为的观测特征向量维数等于总的传感器数；若把那些只和一个行为相关的多个传感器观测当作一个特征，则有较低维的观测特征向量其中P为合并后的观测特征维数。

本发明的有益效果在于：

在线环境下，当用户的某些行为超过预定时间，本发明可以有效检测到该异常。若再结合移动终端应用开发技术、物联网技术将算法检测到的异常结果实时反馈给子女或者医护人员，那么就可以很大程度上减少由于一些突发意外(比如摔倒、晕厥)造成的伤害，使老人得到及时救治。离线情况下，当检测到这些异常发生时，表明需要关注用户的健康问题了，因此医护人员可以对用户进行健康检查，达到提前预防。

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为基于特征合并的MCRF异常行为识别；

图2为5个行为识别精确性变化。

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。

1 MCRF模型

为了保证分类器联系上下文信息的能力，本发明采用文献(刘皓.基于条件随机场模型的异常行为检测方法研究[D].中国科学技术大学,2014.)提出的基于多CRF组合模型(Multiple CRF Ensemble Model,MCRF)来进行异常行为识别。首先针对特征提取后的每一种特征形成一个特征集，利用CRF模型对每一个特征集建模形成多个CRF模型，接着融合多个CRF模型得到MCRF模型，最后利用MCRF模型进行异常行为识别。

假设X＝(x₁,x₂,…,x_N)表示观测序列，Y＝(y₁，y₂，…，y_N)为对应观测序列的标记，y_i∈(1,2,…,L)，L为行为的类别。为了使用CRF模型对每一种特征建模，本发明提取每种特征的特征集，整个序列第k类特征组成的特征集为得到MCRF模型的推断模型为：

其中，Z表示归一化参数，为对应第k个CRF模型第h类行为的参数向量D_k为i处观测X第k类特征f_i ^k(X)的维数，λ^k为所有h＝1,2,…,L-1首尾相连得到的D×(L-1)维的单位置势函数参数向量，σ^k为组成的L²维的双位置势函数参数向量，β为模型参数，ω_k为第k个CRF模型的权值。

该模型需要计算y^*＝argmaxP(Y|f^1:k(X),θ)来得到标记序列y^*＝{y₁,y₂,...,y_T}。所得形式的推断参照文献(仝钰.基于条件随机场的智能家居行为识别研究[D].大连海事大学,2015.)的Viterbi算法高效实现。

2改进的MCRF模型

本节内容在MCRF模型的基础上引进了特征合并的思想。假设X＝(x₁,x₂,…,x_N)表示观测序列，Y＝(y₁，y₂，…，y_N)为对应观测序列的标记，其中x_i，(i＝1,2,...,N)表示在i时刻的观测事件特征，y_i，(i＝1,2,...,N)表示在i时刻的行为标签。

如果把一个传感器的观测当作一个特征，那么所有行为的观测特征向量维数将会等于总的传感器数。如果把那些只和一个行为相关的多个传感器观测当作一个特征，那么将会有较低维的观测特征向量其中P为合并后的观测特征维数。

3基于特征合并的MCRF异常行为识别算法

在基于特征合并的MCRF异常行为识别模型中,如图1所示，MCRF不是用来推断行为标签，而是用来计算行为和预定义行为的相似性，进而发现异常行为。

该算法包含两个部分：模型建立阶段和异常行为识别阶段。在模型建立阶段，该算法利用各种正常行为训练MCRF模型，并计算每类正常行为的MLV，将它们存储在集合S_k,k＝1,2,...,K中，其中K表示正常行为的种类数。在异常行为识别阶段，该算法首先计算测试序列的似然向量，找出MLV V和MLV索引i，然后通过比较V和保存的S_k来识别异常行为。

假设V_t表示测试行为序列在MCRF下的MLV，V_Ni表示第i类行为在MCRF模型下的MLV，其中i表示和测试行为最相似的那类行为。本发明中采用公式(2)来判断测试行为序列和正常行为序列i的相似性。

4实验结果及分析

本节分别针对特征合并的行为识别算法和基于特征合并的MCRF异常行为识别算法进行了测试验证。

4.1特征合并的行为识别算法

本实验主要基于美国华盛顿州立大学的“WSU Apartment Test Bed；ADLadlnormal”数据库。表1给出了原始传感器的观测特征维数、传感器清理后观测特征维数和特征合并后观测特征维数。表2给出了特征合并前后和5个行为相关的观测特征个数变化。表3是传感器清理和观测特征合并前后的行为识别精确性与训练测试所用的总时间。

表1传感器清理与特征合并后观测特征的个数变化

表2 5个行为相关的观测特征个数

表3行为识别精确性和训练测试所需总时间

图2是5个行为识别精确性变化。从图中可以看到所有行为的识别精确性均有提高。这是因为传感器清理和特征合并能降低行为观测特征的维数，进而可以从数量上减少条件随机场的参数，减少一些由冗余信息造成的误差。

以上仿真实验表明，在引入特征合并的思想后，模型训练和测试所耗费的总时间是减少的，因此保证了行为识别算法的“实时性”。这也为后文“实时”识别老人异常行为提供了算法保障。

4.2基于特征合并的MCRF异常行为识别算法

建立好异常行为数据库之后，基于特征合并的MCRF异常行为识别方法首先利用5个正常的行为训练基于特征合并的MCRF模型，同时利用训练好的模型计算这5个正常行为的似然向量，记录MLV索引和MLV，分别为(1,326)、(2,100)、(3,573)、(4,195)、(5,364)，其中括号前面的值表示MLV索引，后面的值表示MLV。

表4是7个测试序列似然向量的计算结果，该表中第一列表示测试序列，第二列表示对应的似然向量，它们表示这7个测试序列相较于5个正常行为的相似度。由表4发现第一个测试序列的5个似然值中第一个最大，因此该测试序列的MLV索引为1，判定第一个测试序列和第一个行为最相似(事实上第一个测试序列是在执行第一个行为时产生的异常行为序列)。把第一个测试行为的MLV 438.6745和第一个正常行为的MLV326代入公式(2)，得到F_normal＝65.43＜98，所以推断该测试序列异常，且为执行第一个正常行为时产生的异常行为。

表4 7个测试序列在基于特征合并的MCRF下的似然向量

若已知在执行某种行为时产生的异常行为序列，就可以针对该行为分析测试序列属于哪类异常。比如从表中看到第3个和第6个测试序列对应的MLV索引都是3，因此判定第3个和第6个测试序列都是在执行第3个正常行为“Cook”时产生的观测序列。把第3个测试序列和“Cook”进行对比，可以发现第3个测试序列中传感器I01，I02，I03，I05没有出现PRESENT状态，故认为这个测试序列是“Cook”的第一类异常，即为忘记放回调料。将第6个测试序列与“Cook”做对比，发现第6个序列中当M14状态为ON，M17状态为OFF，AD1-A还能检测到在使用，所以判定该测试序列是“Cook”的第二类异常，即为忘记关火。再比如表中第4个和第7个测试序列的MLV索引都是4，据此判断这两个序列都是执行第4个正常行为“Eat”时产生的观测序列。将这两个序列和“Eat”对比，因为第4个测试序列中I06的状态没有发生变化，因此认为该测试序列是“Eat”的第一类异常，即为忘记吃药。因为在第7个测试序列中，I06状态ABSENT和PRESENT分别出现两次，所以认为该测试序列是“Eat”的第二类异常——吃了两次药。

为了验证本发明提出的方法的有效性，把基于特征合并的MCRF异常行为识别方法与基于特征向量距离的异常行为识别方法进行了对比。对于给定测试行为的观测序列特征向量A_i和最相似正常行为的特征向量A_Ni，本发明利用公式

来估计二者的相似性。

基于特征向量距离的异常方法中，首先提取出每个正常行为观测序列的特征向量以及每个测试序列的特征向量，同时计算每个测试序列特征向量与每个正常行为特征向量间的距离。表5是这7个测试序列的特征向量和5个正常行为的特征向量间的距离。由表5可以看到第1-3、6、7个测试序列的特征向量与正常行为的特征向量距离都是0。因为无法找到测试序列的正常行为的偏差，得到F_normal＝100，因此误认为这些行为都是正常的。但是第4个测试序列和第5个正常行为间有两个最小距离，它们的索引分别是4和5。这种情况下就要分别对比分析第4个测试序列和第4、5个正常行为的观测序列再确定是否异常，效率明显较低。第5个测试序列和5个正常行为的最小距离对应索引值是5，所以检测到它和第5个行为最相似。将最小距离1.0000和第5个正常行为的特征向量代入公式(3)得出F_normal＜98，所以判定第5个测试行为异常，并且该测试序列与第5个正常行为最接近。据此推断，基于特征向量距离的异常行为检测方法仅可较快检测到第5个异常行为，却不适用于其他6个异常行为。

表5 7个测试序列特征向量和5个正常行为特征向量间的距离

表6基于MLV距离和FV距离的异常行为识别结果

表6是基于MLV距离和FV距离的异常行为识别结果对比。该表显示了测试行为是在执行何种日常行为时产生的，根据MLV距离和FV(Feature Vector)距离分别得到相较于测试行为最相似的行为、与最相似行为的距离。由表可以发现基于特征合并的MCRF方法可找出7个异常行为与正常行为的误差，但是基于特征向量距离的方法仅可发现第4个和第5个测试序列与正常行为的误差。这是因为基于特征合并的MCRF模型可以捕获测试序列的上下文关系(即为测试行为的子结构以及子结构间的关系)，因此即使感应无线传感器的类别和数目相同，也可以通过不同次序和频率将两个行为区分开。反观基于特征向量距离的方法因不能很好捕捉行为上下文关系，所以异常行为识别效果较差。

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。

Claims (2)

1.基于特征合并的MCRF异常行为实时识别方法，其特征在于：该方法包括以下步骤：

S1：在模型建立阶段，利用各种正常行为训练MCRF模型，并计算每类正常行为的最大似然向量(Maximum Likelihood Vector,MLV)，并存储在集合S_k,k＝1,2,...,K中，其中K表示正常行为的种类数；

S2：在异常行为识别阶段，首先计算测试序列的似然向量，找出MLV V和MLV索引i，然后通过比较V和保存的S_k来识别异常行为；

S3：设V_t表示测试行为序列t在MCRF下的MLV，V_Ni表示第i类行为在MCRF模型下的MLV，其中i表示和测试行为最相似的那类行为；采用以下公式来判断测试行为序列和正常行为序列i的相似性：

2.根据权利要求1所述的基于特征合并的MCRF异常行为实时识别方法，其特征在于：所述MCRF模型引进特征合并的思想，即设X＝(x₁,x₂,…,x_N)表示观测序列，Y＝(y₁，y₂，…，y_N)为对应观测序列的标记，其中x_i表示在i时刻的观测事件特征，y_i表示在i时刻的行为标签，i＝1,2,...,N；

若把一个传感器的观测当作一个特征，则所有行为的观测特征向量维数等于总的传感器数；若把那些只和一个行为相关的多个传感器观测当作一个特征，则有较低维的观测特征向量其中P为合并后的观测特征维数。