CN108664943A - 一种多居住者场景下的室内日常活动识别方法 - Google Patents

一种多居住者场景下的室内日常活动识别方法 Download PDF

Info

Publication number
CN108664943A
CN108664943A CN201810474361.8A CN201810474361A CN108664943A CN 108664943 A CN108664943 A CN 108664943A CN 201810474361 A CN201810474361 A CN 201810474361A CN 108664943 A CN108664943 A CN 108664943A
Authority
CN
China
Prior art keywords
adl
daily routines
occupant
sensor
scenes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810474361.8A
Other languages
English (en)
Other versions
CN108664943B (zh
Inventor
宁焕生
宋宇璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201810474361.8A priority Critical patent/CN108664943B/zh
Publication of CN108664943A publication Critical patent/CN108664943A/zh
Application granted granted Critical
Publication of CN108664943B publication Critical patent/CN108664943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明提供一种多居住者场景下的室内日常活动识别方法，能够识别多居住者场景下的日常活动。所述方法包括：构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中，其中，ADL表示日常活动；根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值；获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。本发明适用于识别室内居住者的日常活动。

Description

一种多居住者场景下的室内日常活动识别方法
技术领域
本发明涉及物联网及计算机技术领域，特别是指一种多居住者场景下的室内日常活动识别方法。
背景技术
随着物联网的快速发展，尤其在与人的活动相关的物联网应用中，室内日常活动识别的重要性越发显著。例如，在智能服务系统中，自动识别室内日常活动能帮助系统更好地理解目标人群的行为意图、生活习惯、健康状态、异常活动，以便提供及时的个性化服务。
室内日常活动识别的目的在于，利用传感器空间限制小、安装便捷、感知内容广泛、隐私性良好等特点，采用合适的传感器布局方案，采集多模态的传感器数据，然后依次经过数据预处理、特征提取、模型构建、规则定义、语义推理等步骤实现多居住者场景下室内日常活动的识别。
室内日常活动识别包括如下特点和难点：
同一类活动的样本不是独立同分布：同一类型的活动，不同人的行为模式有差异，无法针对不同个体建立完全通用的模型。
样本难分割：活动存在多人、交叉、并发等情形。例如人的居住环境中通常不止一个人，有时还有宠物；人在煲汤的过程中可能会同时看报纸，煲汤包括许多子活动，看报纸这一活动发生时间的不确定性决定了这两种活动交叉方式的多样性。
目前，基于传感器数据识别室内日常活动分为数据驱动和知识驱动两类方法。
数据驱动方法是指基于概率和统计原理使用机器学习技术从现有的行为数据集中学习用户活动的模型。目前绝大多数的数据驱动方法训练集和测试集的数据来自同一个环境和同一群用户，泛化能力差；同时所有的用户都必须提供完整的带标记的数据集，在实际情况中不太可能实现。
而现有的知识驱动方法虽然具有清晰的语义，能够解决数据驱动方法的冷启动问题，能够通过构建典型活动模型，以识别部分已知的、确定的活动，并通过在多个抽象层次对活动进行建模，提高模型的可重用性。但是模型只针对特定的实验室环境或数据集，要达到实用并具备可扩展性，需要建立覆盖典型场景和常见活动、并兼容已有传感器语义模型标准。另一方面，知识驱动方法很难为所有情形建立完备的规则，同时，由于不同个体行为模式的差异性，规则的通用性需要进一步考量。
为了更好地融合数据驱动和知识驱动方法的优点，在真实场景中识别包括多人、交叉等复杂活动，有学者利用马尔科夫逻辑网(Markov Logic Network，MLN)结合本体建模和概率推理的优势识别室内个人日常活动，但是尚未考虑多居住者场景下活动的识别。
发明内容
本发明要解决的技术问题是提供一种多居住者场景下的室内日常活动识别方法，以解决现有技术所存在的不能识别多居住者场景下的日常活动的问题。
为解决上述技术问题，本发明实施例提供一种多居住者场景下的室内日常活动识别方法，包括：
构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中，其中，ADL表示日常活动，所述环境上下文包括：活动器具、活动执行者、活动地点、关联关系中的一个或多个，所述关联关系为ADL、传感器、活动器具、活动执行者、活动地点之间的关联关系；
根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值；
获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。
进一步地，所述构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中包括:
确定ADL词汇及其层次结构的语义表示；
确定传感器及环境上下文的语义表示；
根据确定的ADL词汇及其层次结构的语义表示及确定的传感器及环境上下文的语义表示，得到ADL、传感器及环境上下文的本体模型；
确定用户画像的概率语义表示；
确定活动时序关系的概率语义表示；
将确定的用户画像的概率语义表示及确定的活动时序关系的概率语义表示加入到构造的本体模型中。
进一步地，所述确定传感器及环境上下文的语义表示包括：
使用本体网络语言对传感器和室内环境进行建模，并将传感器与环境上下文通过对象属性关联起来。
进一步地，所述确定用户画像的概率语义表示包括：
根据用户的偏好描绘用户画像，并在用户画像中，根据用户的偏好强度为用户的偏好赋予权值。
进一步地，所述确定活动时序关系的概率语义表示包括：
根据实际情况，将复杂活动划分为多个简单活动，其中，复杂活动为可以划分为多个简单活动的活动，简单活动为不能被划分的原子活动；
为各个简单活动建立预先确定的多种时序关系，并在ADL本体中添加时序逻辑本体，并利用语义网规则语言和Allen时序关系，定义SWRL时序规则，其中，所述时序关系包括：先后、交叉、并发中的一种或多种，SWRL表示语义网规则语言，Allen时序关系用于描述时序逻辑本体之间的相关关系。
进一步地，所述根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值包括：
根据构造的本体模型，依据预先存储的专家知识建立ADL规则；
依据规则通用性为每个规则分配权值。
进一步地，所述根据构造的本体模型，依据预先存储的专家知识建立ADL规则包括：
根据预先存储的专家知识，将ADL、传感器、环境上下文本体通过对象属性建立关联规则，并建立各对象属性之间的规则。
进一步地，所述获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别包括：
获取传感器采集的日常活动数据，对传感器采集的数据进行预处理、特征选择、特征提取，并根据提取的特征推理相应的语义；
根据语义推理结果及确定的活动时序关系的概率语义表示，基于Allen时序关系，在马尔科夫逻辑网中进行时序关系的推理；
根据时序关系推理结果、构造的本体模型及建立的ADL规则，在马尔科夫逻辑网中，利用基于启发式信息改进后的推理算法MaxWalkSAT，实现多居住者场景下日常活动的推理和识别。
进一步地，所述预处理包括：数据清洗、值转换。
进一步地，改进后的推理算法MaxWalkSAT在每轮尝试时，按照传感器数据和活动事件之间关联强度进行随机取样。
本发明的上述技术方案的有益效果如下：
上述方案中，通过构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中；根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值；获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。其优点在于，通过为规则赋予权值将其软化，实现了对于活动的不确定性推理，例如吃饭的地点可以是餐厅，也可以是起居室，软化的规则允许活动以一定的概率而非确定发生在某个地点，用户画像的添加使得不同用户针对同一活动具有个性化执行模式这一特点的实现成为可能；时序关系的添加使得活动规则的定义更具逻辑性，推理的准确性大大提高。
附图说明
图1为本发明实施例提供的多居住者场景下的室内日常活动识别方法的流程示意图；
图2为本发明实施例提供的多居住者场景下的室内日常活动识别系统的结构示意图；
图3为本发明实施例提供的ADL、传感器、环境上下文之间的关系示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的不能识别多居住者场景下的日常活动的问题，提供一种多居住者场景下的室内日常活动识别方法。
如图1所示，本发明实施例提供的多居住者场景下的室内日常活动识别方法，包括：
S101，构造日常活动(Activity in Daily Life,ADL)、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中，其中，ADL表示日常活动，所述环境上下文包括：活动器具、活动执行者、活动地点、关联关系中的一个或多个，所述关联关系为ADL、传感器、活动器具、活动执行者、活动地点之间的关联关系；
S102，根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值；
S103，获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。
本发明实施例所述的多居住者场景下的室内日常活动识别方法，构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中；根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值；获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。其优点在于，通过为规则赋予权值将其软化，实现了对于活动的不确定性推理，例如吃饭的地点可以是餐厅，也可以是起居室，软化的规则允许活动以一定的概率而非确定发生在某个地点，用户画像的添加使得不同用户针对同一活动具有个性化执行模式这一特点的实现成为可能；时序关系的添加使得活动规则的定义更具逻辑性，推理的准确性大大提高。
本发明实施例的目的是提供一种多居住者场景下基于传感器的室内日常活动识别方法，致力于解决多居住者场景下的数据关联问题、用户行为模式个性化以及活动识别的准确性问题。本发明将对于推动相关领域的物联网应用研究具有重要价值。
本发明实施例所述的多居住者场景下的室内日常活动识别方法具体可以包括以下步骤：
A1，确定ADL及相关实体的概率语义表示：即构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中，具体可以包括：
A11，确定ADL词汇及其层次结构的语义表示，其中，ADL词汇之间的层次结构关系体现了活动之间的内在联系，影响ADL的识别，因此在构建ADL本体时需参照相关领域的权威研究成果，比如WordNet等；
A12，确定传感器及环境上下文的语义表示，具体的，可以使用本体网络语言(Ontology Web Language,OWL)对传感器和室内环境建模，并将传感器与环境上下文(例如，相关的活动地点、器具等)通过对象属性关联起来；
A13，根据确定的ADL词汇及其层次结构的语义表示及确定的传感器及环境上下文的语义表示，得到ADL、传感器及环境上下文的本体模型；
A14，确定用户画像的概率语义表示：即根据用户的偏好(例如，活动偏好、时间偏好、地点偏好等其他偏好)描绘用户画像，并在用户画像中，根据用户的偏好强度为用户的偏好赋予权值；
A15，由于传感器事件的时序关系对活动识别效果有显著影响，因此，需确定活动时序关系的概率语义表示，具体的：可以根据实际情况，将复杂活动划分为多个简单活动(子活动)，为各个简单活动建立预先确定的多种时序关系，并在ADL本体中添加时序逻辑本体，并利用语义网规则语言和Allen时序关系，定义SWRL时序规则；其中，所述时序关系包括：先后、交叉、并发中的一种或多种，SWRL表示语义网规则语言，Allen时序关系用于描述时序逻辑本体之间的相关关系；这样，根据确定的活动时序关系，基于Allen时序关系，在MLN中能够进行时序关系的有效推理；需要说明的是，复杂活动为可以划分为多个简单活动的活动，简单活动为不能被划分的原子活动；
A16，将确定的用户画像的概率语义表示及确定的活动时序关系的概率语义表示加入到构造的本体模型中。
A2，确定ADL规则的概率语义表示：即根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值。
本实施例中，所述ADL规则体现了活动与环境上下文之间的内在联系，是推理的依据。ADL规则的概率语义表示需要根据构造的本体模型，依据预先存储的现有的专家知识为每一个典型的ADL(典型的ADL是已知的)建立相应的ADL规则，并依据规则通用性为每个ADL规则分配权值。
本实施例中，所述根据构造的本体模型，依据预先存储的现有的专家知识为每一个典型的ADL建立相应的ADL规则包括：
根据预先存储的专家知识，将ADL、传感器、环境上下文本体通过对象属性建立关联规则，并建立各对象属性之间的规则。
A3，进行ADL的概率语义推理：即获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。
本实施例中，在ADL规则的概率语义表示的基础上，可以结合给定的传感器事件，实现多居住者场景下日常活动(例如，活动类别、活动执行者以及活动发生地等信息)的推理，步骤A3具体包括以下步骤：
A31，传感器数据处理及相关语义推理：获取传感器采集到的数据，对传感器采集到的原始数据进行预处理、特征选择、特征提取，然后依据提取的特征推理相应的语义，比如，某个器具被使用，某个房间在某时刻有活动发生等。
A32，MLN的时序语义推理：依据根据语义推理结果及步骤A15确定的活动时序关系的概率语义表示，基于Allen时序关系，在MLN中进行时序关系的有效推理。
A33，概率语义推理算法及启发式改进：根据ADL识别问题的特点，基于启发式信息改进已有推理算法MaxWalkSAT，提高推理算法的可扩展性和ADL识别的准确性、效率。
A34，活动的推理和识别：根据时序关系推理结果，综合步骤A1中构造的本体模型及步骤A2中建立的ADL规则，使用改进的推理算法MaxWalkSAT完成多居住者场景下日常活动(活动类别、活动执行者以及活动发生地等信息)的推理和识别。
在前述多居住者场景下的室内日常活动识别方法的具体实施方式中，进一步地，所述预处理包括：数据清洗、值转换。
在前述多居住者场景下的室内日常活动识别方法的具体实施方式中，进一步地，改进后的推理算法MaxWalkSAT在每轮尝试时，按照关联关系强度进行随机取样。
为了实现本实施例所述的多居住者场景下的室内日常活动识别方法，本实施例，还提供了一种多居住者场景下的室内日常活动识别装置，如图2所示，所述装置包括：
模块一：传感器数据处理模块，用于对获取的原始传感器数据进行预处理、特征选择、特征提取，并依据提取的特征推理相应的语义；
模块二：ADL及相关实体的概率语义表示模块，用于构建ADL、传感器、环境上下文本体模型，并完成用户画像建模与时序关系添加；
模块三：ADL规则的概率语义表示模块，用于根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值；
模块四：ADL的概率语义推理模块，用于根据语义推理结果、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。
为了更好地理解各个模块，对各个模块的具体实施步骤进行详细说明：
模块一：参考表1，为原始传感器数据示例，即格式为[date,time,sensor,state]的数据流，无法形成传感器事件序列，因此需要经过数据库规范化存储、预处理(数据清洗、部分值转换)、特征选择、特征提取、语义推理等相关步骤，最终形成传感器事件序列(E|t)。
表1 获取的原始传感器数据
Date Time Sensor State
2009/2/6 17:15:22 M41 ON
2009/2/6 17:15:28 M41 OFF
2009/2/6 17:15:31 M40 OFF
2009/2/6 17:15:44 M46 ON
2009/2/6 17:15:52 M46 ON
2009/2/6 17:15:53 M46 OFF
2009/2/6 17:16:25 M49 ON
2009/2/6 17:16:26 M46 OFF
… … … …
数据处理阶段：筛除数据中传感器状态为关闭的数据，因为当传感器的关闭状态即表示未被触发，不具备实际研究价值，容易对语义推理形成干扰；对于数值型传感器数据，如水流量传感器等，将状态值从离散数值转换为二值以便处理。
语义推理阶段：
采用移动窗口法分割传感器数据流。窗口大小的设定依据日常生活经验，根据目标活动的时长选定，一般为小时级；窗口移动步长的设定以实际采集到的传感器数据为标准，观察数据收集频率从而选定，一般为秒级。
对于离散测量传感器和开关类传感器，根据其它传感器事件在推理中对此传感器数据的依赖情况，把其它传感器事件添加到离散测量传感器和开关类传感器时间序列中，同时添加此传感器的数值。对于复合传感器事件，可以通过多个传感器信息协作确定一个复合传感器事件。
模块二：参考图3，进行ADL及相关实体的概率语义表示。
具体包括针对ADL、传感器、环境上下文(包括器具、发生地、执行者及关联关系)的构建以及用户画像、时序关系的添加。在具体实施过程中，使用OWL语言完成。接下来将举例展示上述本体模型：
ADL本体：WorkAtComputer(workAtComputer),Sleep(sleep)；
传感器本体：Motion(M31),DoorSensor(D05),Item(I03)；
环境上下文本体：
器具本体：Computer(computer),Freezer(freezer)；
地点本体：BathRoom(bathRoom),BedRoom(bedRoom)；
执行者本体：Performer(role1),Performer(role2)。
关联关系本体：
M31IsPlacedOn computer；computer IsLocatedIn bedroom；
用户画像建模：
由于不同用户具有不同的行为习惯和特点，在对室内活动的识别中，用户画像扮演着重要的角色，尤其在多居住者场景下，建立用户画像表示用户的活动习惯对推理ADL的执行者有重要意义。例如，全职妈妈早上7点做饭的可能性非常大，父亲做饭的可能性比较低。相反，父亲工作的可能性较高，而全职妈妈工作的可能性很低。因此，当我们识别了做饭活动，则很大概率可以推出执行者是全职妈妈，参考表2。
表2 用户画像
时序关系添加：
根据现实生活中活动的复杂程度，可以将活动划分为简单活动和复杂活动。简单活动通常不能再被划分，是一种原子活动，例如倒水等；复杂活动可以划分为多个简单活动，例如“泡咖啡”这一活动可以分为一系列更细粒度的活动：准备器具、放咖啡粉、加糖、加水、加奶、搅拌。而在针对复杂活动进行识别时，考虑各个子活动的发生顺序，对活动推理准确性的提高有很大的帮助。因此，在建模时需包含时序数据。
OWL-Time提供了一种通过定义类来操作时序数据的时序逻辑，方便我们在现有ADL本体中添加时序逻辑本体。另外使用SWRL可以定义时序类之间的规则以便进行后续的时序推理，但SWRL的定义需要结合Allen时序关系，即需要使用Allen时序关系描述上述时序逻辑本体之间的相关关系。举例：
properInterval(？y),after(？a,？b),hasBeginning(？x,？a),hasEnd(？y,？b)->intervalAf ter(？x,？y)
模块三：参考图3，进行ADL规则的概率语义表示。
ADL规则的建模，是通过对活动规则赋予概率来描述活动与传感器事件之间的对应关系，以表达活动规则的通用程度。根据建立的传感器、环境上下文本体以及活动模型，结合不同的用户画像，建立合理的活动规则，实现对ADL规则的通用化表示。在对活动规则进行OWL建模时，关键在于对活动规则赋予合理的权值。举例：
100workAtComputer Require computer；
50role1Perform workAtComputer；
50role2Perform workAtComputer.
此外，为最终实现活动的推理，还需建立宏观的推理规则，即除了上述各本体之间需要通过对象属性建立关联规则外，还需建立各对象属性之间的规则，例如
100Require(？x,？y),IsLocatedIn(？y,？z)->TakePlaceIn(？x,？z)；
100Require(？x,？y),IsPartOf(？z,？y)->Require(？x,？z).
模块四：进行ADL的概率语义推理。
ADL的概率语义推理基于MLN实现，基于MLN的推理分为两种，即极大化推理(MAP)和概率推理。MAP推理，就是给定变量集X(证据)，求变量Y最大可能所处的状态。即求argmaxy(P(Y|X))，等价于求解argmaxy∑(wini(x,y))。
其中为wi规则对应的权重，ni(x,y)为规则个数。通常使用MaxWalkSAT算法来解决上述问题。
MaxWalkSAT算法用于求解加权可满足性问题时，每个子句与一个权值相关，该算法可找到一种赋值最大化满足子句的总权值，假设MaxWalkSAT算法进行最多t轮尝试，传统的MaxWalkSAT算法的工作流程包括：
F1，每轮尝试最初对所有变量随机赋值；
F2，随机针对最多f个非满足子句进行搜索
F3，若不满足子句加权和足够小，则退出算法
F4，每次子句搜索包括两种模式：子句以一定概率随机反转一个变量；或者逐一反转子句中的每个变量，并接受代价最小的反转。
F5，如果不满足子句加权和足够小，则搜索失败。
MaxWalkSAT对每个闭项和变量的反转是等概率的，其缺点在于不能利用具体应用环境中的辅助信息。然而，传感器数据和活动事件之间存在一些关联性较强的关系，例如使用咖啡机事件通常只和泡咖啡活动有关。启发式改进将把这种关联关系作为辅助信息，进而指导反转，减少出现不可能世界而带来的资源消耗，提高算法的搜索效率，实现启发式的优化算法。拟采用的方法是，把每轮尝试时的最初随机赋值，改为按照传感器数据和活动事件之间关联强度进行随机取样。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种多居住者场景下的室内日常活动识别方法，其特征在于，包括：
构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中，其中，ADL表示日常活动，所述环境上下文包括：活动器具、活动执行者、活动地点、关联关系中的一个或多个，所述关联关系为ADL、传感器、活动器具、活动执行者、活动地点之间的关联关系。；
根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值；
获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别。
2.根据权利要求1所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述构造ADL、传感器及环境上下文的本体模型，并将用户画像和活动时序关系加入到构造的本体模型中包括:
确定ADL词汇及其层次结构的语义表示；
确定传感器及环境上下文的语义表示；
根据确定的ADL词汇及其层次结构的语义表示及确定的传感器及环境上下文的语义表示，得到ADL、传感器及环境上下文的本体模型；
确定用户画像的概率语义表示；
确定活动时序关系的概率语义表示；
将确定的用户画像的概率语义表示及确定的活动时序关系的概率语义表示加入到构造的本体模型中。
3.根据权利要求2所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述确定传感器及环境上下文的语义表示包括：
使用本体网络语言对传感器和室内环境进行建模，并将传感器与环境上下文通过对象属性关联起来。
4.根据权利要求2所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述确定用户画像的概率语义表示包括：
根据用户的偏好描绘用户画像，并在用户画像中，根据用户的偏好强度为用户的偏好赋予权值。
5.根据权利要求2所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述确定活动时序关系的概率语义表示包括：
根据实际情况，将复杂活动划分为多个简单活动，其中，复杂活动为可以划分为多个简单活动的活动，简单活动为不能被划分的原子活动；
为各个简单活动建立预先确定的多种时序关系，并在ADL本体中添加时序逻辑本体，并利用语义网规则语言和Allen时序关系，定义SWRL时序规则，其中，所述时序关系包括：先后、交叉、并发中的一种或多种，SWRL表示语义网规则语言，Allen时序关系用于描述时序逻辑本体之间的相关关系。
6.根据权利要求1所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述根据构造的本体模型，建立ADL规则，并为每个ADL规则赋予权值包括：
根据构造的本体模型，依据预先存储的专家知识建立ADL规则；
依据规则通用性为每个规则分配权值。
7.根据权利要求6所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述根据构造的本体模型，依据预先存储的专家知识建立ADL规则包括：
根据预先存储的专家知识，将ADL、传感器、环境上下文本体通过对象属性建立关联规则，并建立各对象属性之间的规则。
8.根据权利要求1所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述获取传感器采集的日常活动数据，根据传感器采集的数据、构造的本体模型及建立的ADL规则，基于马尔科夫逻辑网实现多居住者场景下日常活动的推理和识别包括：
获取传感器采集的日常活动数据，对传感器采集的数据进行预处理、特征选择、特征提取，并根据提取的特征推理相应的语义；
根据语义推理结果及确定的活动时序关系的概率语义表示，基于Allen时序关系，在马尔科夫逻辑网中进行时序关系的推理；
根据时序关系推理结果、构造的本体模型及建立的ADL规则，在马尔科夫逻辑网中，利用基于启发式信息改进后的推理算法MaxWalkSAT，实现多居住者场景下日常活动的推理和识别。
9.根据权利要求8所述的多居住者场景下的室内日常活动识别方法，其特征在于，所述预处理包括：数据清洗、值转换。
10.根据权利要求8所述的多居住者场景下的室内日常活动识别方法，其特征在于，改进后的推理算法MaxWalkSAT在每轮尝试时，按照传感器数据和活动事件之间关联强度进行随机取样。
CN201810474361.8A 2018-05-17 2018-05-17 一种多居住者场景下的室内日常活动识别方法 Active CN108664943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810474361.8A CN108664943B (zh) 2018-05-17 2018-05-17 一种多居住者场景下的室内日常活动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810474361.8A CN108664943B (zh) 2018-05-17 2018-05-17 一种多居住者场景下的室内日常活动识别方法

Publications (2)

Publication Number Publication Date
CN108664943A true CN108664943A (zh) 2018-10-16
CN108664943B CN108664943B (zh) 2020-06-05

Family

ID=63776211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810474361.8A Active CN108664943B (zh) 2018-05-17 2018-05-17 一种多居住者场景下的室内日常活动识别方法

Country Status (1)

Country Link
CN (1) CN108664943B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197281A (zh) * 2019-05-17 2019-09-03 华南理工大学 一种基于本体模型和概率推理的复杂事件识别方法
CN116779095A (zh) * 2023-04-27 2023-09-19 西南交通大学 一种知识数据双驱动的合理用药预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617347A (zh) * 2013-11-14 2014-03-05 杭州电子科技大学 跑步机用户异常状态监测方法
CN103942575A (zh) * 2014-04-02 2014-07-23 公安部第三研究所 基于场景和马尔科夫逻辑网的智能行为分析系统及方法
CN104598474A (zh) * 2013-10-30 2015-05-06 同济大学 云环境下基于数据语义的信息推荐方法
CN105843791A (zh) * 2015-01-15 2016-08-10 克拉玛依红有软件有限责任公司 一种基于6w语义标识的语义网络模型构建方法
US20160247090A1 (en) * 2013-11-27 2016-08-25 Xiaofeng Yu Relationship extraction
CN107169512A (zh) * 2017-05-03 2017-09-15 苏州大学 Hmm‑svm跌倒模型的构建方法及基于该模型的跌倒检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598474A (zh) * 2013-10-30 2015-05-06 同济大学 云环境下基于数据语义的信息推荐方法
CN103617347A (zh) * 2013-11-14 2014-03-05 杭州电子科技大学 跑步机用户异常状态监测方法
US20160247090A1 (en) * 2013-11-27 2016-08-25 Xiaofeng Yu Relationship extraction
CN103942575A (zh) * 2014-04-02 2014-07-23 公安部第三研究所 基于场景和马尔科夫逻辑网的智能行为分析系统及方法
CN105843791A (zh) * 2015-01-15 2016-08-10 克拉玛依红有软件有限责任公司 一种基于6w语义标识的语义网络模型构建方法
CN107169512A (zh) * 2017-05-03 2017-09-15 苏州大学 Hmm‑svm跌倒模型的构建方法及基于该模型的跌倒检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GAYATHRI, K. S.等: "Probabilistic ontology based activity recognition in smart homes using Markov Logic Network", 《KNOWLEDGE-BASED SYSTEMS》 *
LIMING CHEN等: "A knowledge-driven approach to activity recognition in smart homes", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 *
QIANGYANG等: "Learning action models from plan examples using weighted MAX-SAT", 《ARTIFICIAL INTELLIGENCE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197281A (zh) * 2019-05-17 2019-09-03 华南理工大学 一种基于本体模型和概率推理的复杂事件识别方法
CN116779095A (zh) * 2023-04-27 2023-09-19 西南交通大学 一种知识数据双驱动的合理用药预测方法

Also Published As

Publication number Publication date
CN108664943B (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
Carlsen A systems approach to island tourism destination management
Cook et al. CASAS: A smart home in a box
Cordero Residents perception of tourism: a critical theoretical and methodological review
Dong et al. Building energy and comfort management through occupant behaviour pattern detection based on a large-scale environmental sensor network
Luo et al. Geo-social visual analytics
Ma et al. Identification of the numerical patterns behind the leading counties in the US local green building markets using data mining
CN110462604A (zh) 基于设备使用关联互联网设备的数据处理系统和方法
CN115660217B (zh) 一种智慧城市垃圾清扫量预测方法和物联网系统
Paszto et al. Using a fuzzy inference system to delimit rural and urban municipalities in the Czech republic in 2010
Kemppainen Disorder and insecurity in a residential context
Chiesa et al. An environmental technological approach to architectural programming for school facilities
CN108664943A (zh) 一种多居住者场景下的室内日常活动识别方法
CN109299322A (zh) 一种将短文本分类应用于视频中的状态判断方法
Cheng et al. Understanding urban growth system: Theories and methods
Behnisch et al. Urban data-mining: spatiotemporal exploration of multidimensional data
Joshy et al. Future educational environment–Identification of smart campus topic trends using text mining
Pan Using data mining for service satisfaction performance analysis for mainland tourists in Taiwan
Lawton et al. Dimensions of environment-behavior research: Orientations to place, design, process, and policy
Cabrera et al. A context ontology for service provisioning and consumption
Chakraborty et al. Understanding EU regional macroeconomic tipping points using panel threshold technique
Kunjuraman Social transformations of rural communities through ecotourism: a systematic review
Dalal et al. Understanding CNN Hidden Neuron Activations Using Structured Background Knowledge and Deductive Reasoning
Anjomshoaa et al. Inter-space Machine Learning in Smart Environments
Mengüç et al. Feature selection by machine learning models to identify the public’s changing priorities during the COVID-19 pandemic
Pešić et al. Graph-based metadata modeling in indoor positioning systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant