CN108696377A - 一种实现移动用户行为识别的方法 - Google Patents
一种实现移动用户行为识别的方法 Download PDFInfo
- Publication number
- CN108696377A CN108696377A CN201710232736.5A CN201710232736A CN108696377A CN 108696377 A CN108696377 A CN 108696377A CN 201710232736 A CN201710232736 A CN 201710232736A CN 108696377 A CN108696377 A CN 108696377A
- Authority
- CN
- China
- Prior art keywords
- grader
- quorum
- sensing system
- mobile subscriber
- system network
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种移动用户行为识别方法。该方法通过内嵌于智能手机等移动设备的传感器采集行为三轴加速度信号,基于合成加速度提取行为特征,由不同分类器模型分别作为节点构建相似性群体感知网络模型。该模型通过计算相似度为移动用户匹配最佳分类器模型,从而可以快速、准确的识别用户行为。此外,如果匹配到的分类器效果较差则可以为用户构建新的分类器,并且用该分类器替换网络中共享人数较少的分类器节点,使群体感知网络不断完善,从而进一步提高识别准确率。
Description
技术领域
本文涉及但不限于移动应用领域,尤指一种实现移动用户行为识别的方法。
背景技术
随着智能手机的大规模普及和移动互联网的快速发展,内嵌加速度传感器成为智能手机的基本配置,基于智能手机的移动用户人体行为识别成为可能。基于智能手机的移动用户人体行为识别在智慧城市、老年人健康监测、日常运动评估等方面将具有广泛的市场应用前景。
现有的移动用户行为识别方法大多是基于单分类器的,随着用户群体的规模不断扩大,种群多样性问题也随之而产生,即移动用户个体间差异性导致同一分类器不可能适合于所有用户。由于种群多样性导致通用分类器识别准确率在不同移动用户个体间具有差异性,这在很大程度降低了移动用户群体感知的准确率。手机佩戴位置和种群多样性是影响识别准确率的最主要的两个因素。由于智能手机方向和佩戴位置的不固定性,单独提取三个轴上的加速度数据不能准确实现手机方位与位置的自适应。
发明内容
本发明提供一种基于群体相似性感知网络的移动用户行为识别方法,包括:
通过内嵌于智能手机的传感器采集多个移动用户的行为三轴加速度信号作为训练数据,基于训练数据计算三轴合成加速度提取行为特征,使用不同的分类器模型分别作为节点构建相似性群体感知网络模型。
对于需要识别行为的移动用户,通过内嵌于智能手机的传感器采集行为三轴加速度信号,计算三轴合成加速度提取行为特征,通过计算相似度在已建立的相似性群体感知网络模型中为移动用户匹配最佳分类器模型,根据所选分类四可以识别出用户行为。
群体感知网络是一种类模型迁移方法,通过在网络中动态维护固定数量的分类器来达到为移动用户从中匹配出适合自身的最佳分类器,从而实现分类器的个性化以提高行为分类准确率。群体感知网络由可控数量的网络节点所组成,网络中的所有节点分别对应不同的分类器,节点的大小反映出共享该分类器的用户数量。
网络匹配规则是一种为移动用户在群体感知动态网络中优选最适合自身分类器的规则。群体感知网络中的每个节点分类器分别维护一组自身训练样本特征向量。由于特征相似度可以作为衡量两个特征向量之间相似程度值,故可以将移动用户的样本特征向量与节点特征向量的相似度作为网络中分类器的匹配规则,选取相似度最大的分类器作为移动用户的行分类器。
相似程度一般有空间距离度量法、相似性函数和相关系数三种常用衡量标准。空间距离度量法用于衡量两个向量在空间中的距离远近,距离越远表明两个向量之间的差异越大。相似性函数是通过对两个向量之间的夹角大小的计算值来表示它们之间的差异,夹角越大值越小,差异越大。相关系数是用以反映两个变量之间相关关系密切程度的统计指标,相关系数的绝对值越大,两个变量之间的差异性越小。
可选的,该方法还包括:
如果从群体感知网络模型中匹配到的分类器效果较差则可以为用户构建新的分类器,并且用该分类器替换网络中共享人数较少的分类器节点,使群体感知网络不断完善,从而进一步提高识别准确率。
网络修改策略采用一种替换策略动态修改群体感知网络的规则。利用样本训练集构建初始化群体感知网络,根据匹配规则在群体感知网络中为移动用户优选最适合自身的分类器。如该模型达到预期分类准确率则采用此分类器作为移动用户行为分类器;反之则为该移动用户自身训练新的分类器,并使用该分类器替换群体感知网络中被使用次数最少的分类器节点。
附图说明
图1为本发明实施例实现的移动用户行为识别流程图
图2为本发明实施例实现的群体感知网络模型
图3为本发明实施例实现的动态修改网络策略模型。
具体实施方式
下文中将结合附图对本发明的实施例进行详细说明。
图1为本发明实施例实现的移动用户行为识别流程图,如图1所示,包括:
通过内嵌于智能手机的传感器采集多个移动用户的行为三轴加速度信号作为训练数据,基于训练数据计算三轴合成加速度提取行为特征,使用不同的分类器模型分别作为节点构建相似性群体感知网络模型。为了使得初始网络模型具有足够的多样性,采集训练数据时应涵盖尽可能多的移动用户,包括不同性别、不同年龄、不同行为习惯等等。常见的移动用户日常行为包括走路、跑步、上楼、下楼、静止等,本实施例以这五种行为的识别进行说明。本发明方法的应用包含但不限于这五种行为的识别。
在实际采集数据过程中,由于智能手机的放置位置以及放置方向的差异,在一定程度上会对所采集到的原始数据产生干扰。通过低通滤波器进行滤噪以后,根据三轴加速度值在时域上的波形分布变化,删除干扰比较大的样本数据。采用合成加速度的方法,消除因手机放置方向的不固定所带来的影响。为了得到行为加速度数据在特征空间上的数据分布,对合成加速度进行特征提取,作为构建行为识别模型的初始输入。本实施例中模型的建立预先共提取了11个特征值,分别是平均值、中位数、方差、标准差、最大值、最小值、范围、均方根、直流分量、系数和以及频谱能量。为便于对数据进行处理,消除奇异样本数据值,统一提取的特征值数量级使其量纲一致,对样本特征值进行归一化处理,最终得到训练特征样本数据。
图2为本发明实施例实现的群体感知网络,如图2所示,包括:
群体感知网络是一种类模型迁移方法,通过在网络中动态维护固定数量的分类器来达到为移动用户从中匹配出适合自身的最佳分类器,从而实现分类器的个性化以提高行为分类准确率。群体感知网络由可控数量的网络节点所组成,网络中的所有节点分别对应不同的分类器,节点的大小反映出共享该分类器的用户数量。网络匹配规则即为移动用户在群体感知动态网络中优选最适合自身分类器的规则。群体感知网络中的每个节点分类器分别维护一组自身训练样本特征向量。由于特征相似度可以作为衡量两个特征向量之间相似程度值,故可以将移动用户的样本特征向量与节点特征向量的相似度作为网络中分类器的匹配规则,选取相似度最大的分类器作为移动用户的行分类器。
相似程度一般有空间距离度量法、相似性函数和相关系数三种常用衡量标准。空间距离度量法用于衡量两个向量在空间中的距离远近,距离越远表明两个向量之间的差异越大。相似性函数是通过对两个向量之间的夹角大小的计算值来表示它们之间的差异,夹角越大值越小,差异越大。相关系数是用以反映两个变量之间相关关系密切程度的统计指标,相关系数的绝对值越大,两个变量之间的差异性越小。
空间距离度量法最主要的是采用明科夫斯基距离(Minkowski Distance),设有两组特征向量和,代表两组特征向量X和Y的空间距离:
其中,为一个变量值,当时公式等价于欧氏距离,欧氏距离是衡量多维空间中两个点之间绝对距离最为常见的距离度量。当时公式等价于曼哈顿距离,曼哈顿距离是多维空间上多个维度的距离进行求和后得到的距离,也是较为常见的距离度量值。明科夫斯基距离度量公式在参数不同的情况下可以演变为很多衡量向量空间距离的方法。总体上,空间距离度量法侧重于通过计算两个向量之间的空间距离来体现其相似度。
相似性函数度量主要采用余弦函数来计算两个向量之间在空间方向上的差异,余弦函数相似度使用两个向量在空间中夹角余弦值作为衡量个体之间差异:
概率统计中的相关系数是刻画两个随机变量分布相似程度的工具,n维变量X和Y的相关系数定义如下:
定义1(X,Y)为二维随机变量,若存在,则称随机变量X和Y的协方差,记为即:
定义2 若,称数值为随机变量X和Y的线性相关系数,简称相关系数,记为,即:
其中,分别为随机变量X和Y的方差。若,则称X与Y不相关,否则相关;若,称X与Y正相关;若,称X与Y负相关。若越大,表明变量的相似度越高。
相比空间距离度量可以在多个维度上衡量两个向量之间的差异程度,余弦函数只能分辨同维之间的差异程度而无法分辨每个维度上的个体差异大小,概率中相关系数主要是侧重于衡量两个变量的相关程度。故在本实施例中使用空间距离度量作为衡量两个特征向量之间的相似程度。
图3为本发明实施例实现的动态修改网络策略模型,如图3所示,包括:
网络修改策略采用一种替换策略动态修改群体感知网络的规则。利用样本训练集构建初始化群体感知网络,根据匹配规则在群体感知网络中为移动用户优选最适合自身的分类器。如该模型达到预期分类准确率则采用此分类器作为移动用户行为分类器;反之则为该移动用户自身训练新的分类器,并使用该分类器替换群体感知网络中被使用次数最少的分类器节点。
在本实施例的测试中,有两个测试样本在初始化群体感知网络中所有节点分类器模型的分类准确率为45.29%和51.52%,没有达到预期的分类准确率。在这种情况下,需要为其自身构建分类器模型,并且用该分类器替换网络中共享人数较少的分类器节点。使用经过修改后的群体感知网络模型进行重新测试,这两个测试样本的识别率提高至78.43%和84.75%。这表明经过动态修改后的群体感知网络模型具有更好的适用性。动态修改网络策略模型可以使群体感知网络不断完善,从而改善了因种群多样性而导致移用户通用分类器模型人体行为识别准确率较差的问题,在一定程度上提高人体行为识别的准确率。
Claims (4)
1.一种实现移动用户行为识别的方法,包括:
利用移动用户行为特征样本集构建初始群体感知网络;
依据特定网络匹配规则为移动用户在群体感知网络中优选出最佳分类器并确定其行为。
2.根据权利要求1所述的方法,其中群体感知网络的迁移构造方法包括:
通过在群体感知网络中动态维护一定数量的分类器来为移动用户匹配出适合其自身的最佳分类器,从而实现分类器的个性化和分类准确率。
3.根据权利要求1所述的方法,该方法还包括:
依据动态修改策略将新模型添加到群体感知网络中;
通过不断修改群体感知网络使之完善,进一步提高行为识别准确率。
4.根据权利要求3所述的方法,其中动态修改策略的方法包括:
为新移动用户自身训练新的分类器,并用该分类器替换群体感知网络中使用次数最少的分类器节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710232736.5A CN108696377A (zh) | 2017-04-11 | 2017-04-11 | 一种实现移动用户行为识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710232736.5A CN108696377A (zh) | 2017-04-11 | 2017-04-11 | 一种实现移动用户行为识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108696377A true CN108696377A (zh) | 2018-10-23 |
Family
ID=63843516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710232736.5A Pending CN108696377A (zh) | 2017-04-11 | 2017-04-11 | 一种实现移动用户行为识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108696377A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334734A (zh) * | 2019-05-31 | 2019-10-15 | 宁波中车时代传感技术有限公司 | 一种基于元学习技术的智能传感融合方法 |
CN111383063A (zh) * | 2020-05-29 | 2020-07-07 | 深圳市查策网络信息技术有限公司 | 一种互联网用户行为评估方法、系统、存储介质及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023022A (zh) * | 2015-07-09 | 2015-11-04 | 深圳天珑无线科技有限公司 | 跌倒检测方法及系统 |
CN105072045A (zh) * | 2015-08-10 | 2015-11-18 | 济南大学 | 一种具有恶意软件网络行为发现能力的无线路由器 |
CN105094305A (zh) * | 2014-05-22 | 2015-11-25 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
CN105447504A (zh) * | 2015-11-06 | 2016-03-30 | 中国科学院计算技术研究所 | 一种交通模式行为识别方法及相应的识别模型构建方法 |
CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
-
2017
- 2017-04-11 CN CN201710232736.5A patent/CN108696377A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105094305A (zh) * | 2014-05-22 | 2015-11-25 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
CN105023022A (zh) * | 2015-07-09 | 2015-11-04 | 深圳天珑无线科技有限公司 | 跌倒检测方法及系统 |
CN105072045A (zh) * | 2015-08-10 | 2015-11-18 | 济南大学 | 一种具有恶意软件网络行为发现能力的无线路由器 |
CN105447504A (zh) * | 2015-11-06 | 2016-03-30 | 中国科学院计算技术研究所 | 一种交通模式行为识别方法及相应的识别模型构建方法 |
CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334734A (zh) * | 2019-05-31 | 2019-10-15 | 宁波中车时代传感技术有限公司 | 一种基于元学习技术的智能传感融合方法 |
CN111383063A (zh) * | 2020-05-29 | 2020-07-07 | 深圳市查策网络信息技术有限公司 | 一种互联网用户行为评估方法、系统、存储介质及装置 |
CN111383063B (zh) * | 2020-05-29 | 2020-09-04 | 深圳市查策网络信息技术有限公司 | 一种互联网用户行为评估方法、系统、存储介质及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jain et al. | Human activity classification in smartphones using accelerometer and gyroscope sensors | |
Tang et al. | Improving image classification with location context | |
CN107316067B (zh) | 一种基于惯性传感器的空中手写字符识别方法 | |
Jha et al. | Continual learning in sensor-based human activity recognition: An empirical benchmark analysis | |
CN109063977B (zh) | 一种无感式交易风险监测方法及装置 | |
CN101714212A (zh) | 信息处理设备和方法、程序以及记录介质 | |
CN103582884A (zh) | 用于视觉搜索的稳健特征匹配 | |
CN105268171B (zh) | 步态监测方法、装置及可穿戴设备 | |
CN108229674A (zh) | 聚类用神经网络的训练方法和装置、聚类方法和装置 | |
CN104715194B (zh) | 恶意软件检测方法和装置 | |
CN110414550B (zh) | 人脸识别模型的训练方法、装置、系统和计算机可读介质 | |
CN106981174A (zh) | 一种基于智能手机的老人跌倒检测方法 | |
CN108629170A (zh) | 身份识别方法以及相应的装置、移动终端 | |
CN108960430A (zh) | 为人体运动活动生成个性化分类器的方法和设备 | |
CN109976526A (zh) | 一种基于表面肌电传感器和九轴传感器的手语识别方法 | |
CN108696377A (zh) | 一种实现移动用户行为识别的方法 | |
Guo et al. | A two-layer and multi-strategy framework for human activity recognition using smartphone | |
Barri Khojasteh et al. | Evaluation of a wrist-based wearable fall detection method | |
CN110262855A (zh) | 车联网中基于背景信息的成员推测攻击原型系统 | |
CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
CN111652138A (zh) | 戴口罩人脸识别方法、装置、设备及存储介质 | |
CN103984921A (zh) | 一种用于人体动作识别的三轴特征融合方法 | |
González-Soler et al. | Fingerprint presentation attack detection method based on a bag-of-words approach | |
CN109961103A (zh) | 特征提取模型的训练方法、图像特征的提取方法及装置 | |
CN108717511A (zh) | 一种Android应用威胁度评估模型建立方法、评估方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181023 |
|
WD01 | Invention patent application deemed withdrawn after publication |