CN109086704A

CN109086704A - 一种基于稀疏表示和Softmax分类的人体活动识别方法

Info

Publication number: CN109086704A
Application number: CN201810814856.0A
Authority: CN
Inventors: 袁友伟; 姚瑶; 鄢腊梅; 俞东进; 李万清
Original assignee: Hangzhou Electronic Science and Technology University
Current assignee: Hangzhou Dianzi University; Hangzhou Electronic Science and Technology University
Priority date: 2018-07-23
Filing date: 2018-07-23
Publication date: 2018-12-25

Abstract

本发明公开了一种基于稀疏表示和Softmax分类的人体活动识别方法，步骤S1：使用海量的无线传感器活动信号数据集训练Softmax模型；步骤S2：使用经过训练的Softmax模型对实时检测的活动信号进行分类和识别。采用本发明的技术方案，将数据库中的海量传感器活动信号数据集进行训练，确定信号的所属类别，再结合稀疏表示算法进行活动信号处理，从而大大降低了人体活动信号识别的计算量和复杂度，同时也有效提高人体活动分析的准确性。

Description

一种基于稀疏表示和Softmax分类的人体活动识别方法

技术领域

本发明涉及医学人体活动检测识别领域医学人体活动检测识别领域，尤其涉及一种基于稀疏表示和Softmax分类的人体活动识别方法。

背景技术

在过去的几十年中，现代计算机技术的进步使人体活动识别成为热门的研究领域，人体活动识别分析在医学、安全、人机交互等领域具备巨大的研究意义。当前活动识别算法大多基于无线传感器网络下的活动识别，无线传感器进行活动信号采集，再对采集的活动信号进行传输并处理，接着运用信号处理算法进行识别。但由于无线传感器信号存在大量噪声，且信号的存储计算量庞大，这对信号的识别准确性与识别算法的高效性存在一定的挑战。

现有技术的人体活动识别方法主要存在以下两个问题：

1、活动信号采集受外界因素的影响，存在着大量的噪声信号，这对后续的算法处理准确性有着很重要的影响。

2、活动信号存储计算量庞大，识别算法的处理往往需要较大的时间复杂度，存在的较大的时间延迟，并不能高效实时的进行活动的识别。

故，针对现有技术的缺陷，实有必要提出一种技术方案以解决现有技术存在的技术问题。

发明内容

有鉴于此，确有必要提供一种基于稀疏表示和Softmax分类的人体活动识别方法，将数据库中的海量传感器活动信号数据集进行训练，确定信号的所属类别，再结合稀疏表示算法进行活动信号处理，从而大大降低了人体活动信号识别的计算量和复杂度，同时也有效提高人体活动分析的准确性。

为了克服现有技术的缺陷，本发明的技术方案如下：

一种无线传感器网络下的基于稀疏表示和Softmax分类的人体活动识别方法，包括以下步骤：

步骤S1：使用海量的无线传感器活动信号数据集训练Softmax模型；

步骤S2：使用经过训练的Softmax模型对实时检测的活动信号进行分类和识别；其中，步骤S1进一步包括：

步骤S11：获取大规模无线传感器活动信号数据集，并进行数据预处理；

步骤S12：将预处理后的活动信号数据集存储于HBase数据库中；

步骤S13：从HBase数据库中获取信号数据集，基于传感器信号随时间变化的规律，使用特征提取方法获取活动信号的特征向量；该步骤是S13进一步包括：

步骤S131：假设S＝{s1,s2…sn}是无线传感器网络的多个可穿戴传感器集合。大小相等的时间戳T＝{t1,t2…tn},其中t_i+1-t_i＝λ,λ代表时间间隔，利用指定的特征提取算法得到特征向量f。

步骤S132：在活动信号传输期间，构造二元组w(wts,S)为时间域wts内的活动事件表示，S代表指定的监测传感器序号。

步骤S133：设在活动信号数据库HBase中，所有的监测活动事件为w＝{w1,w2…wk},相同的活动事件X的活动信号集合可表示为利用有效的信号特征提取算法进行活动信号的提取。活动信号的特征向量可表示如下：

其中A为特征向量集合矩阵，活动分类集合为C＝{C1,C2...Cq}。D＝{D1,D2…Dq}代表指定活动类别的特征向量集合，其中第i类活动分类特征向量集合可表示为

步骤S14：根据上一步中提取的无线传感器信号特征向量f，通过监督学习的方法训练Softmax分类模型，得到最佳参数θ；

步骤S2根据训练的Softmax模型对实时检测的活动信号进行分类识别操作，该步骤进一步包括：

步骤S21：使用训练好的Softmax分类器，预测得到海量传感器数据的活动分类结果集RS＝{RS1,RS2…RSq}；该步骤S21进一步包括：

步骤S211：对于活动信号数据库的特定分类的特征向量矩阵A，对每一类的特征向量集合Di,定义Softmax函数进行特征向量Di映射。映射公式如下：

其中n+1代表向量的维数，D代表映射的特征向量集合。

步骤S212：通过连续调整最小化成本函数进行参数优化，成本函数如下：

J(θ)＝Q(θ)+G(θ)

其中M表示训练样本的数量，q表示样本类别的数量，y(i)∈{C1,C2...C_q}是输入传感器数据集的类标签，并且D(i)是输入特征向量。G(θ)是Softmax成本函数的加权衰减。l(·)是布尔函数。

步骤S213：输入特征向量得到概率矩阵如下：

其中θ₁,θ₂,...,θ_q表示模型参数，术语用于对概率分布进行归一化。根据概率分布得到信号的分类结果集合。

步骤S22：根据上一步中预测的传感器数据分类RS，从HBase数据库中得到该分类的结果集RS，通过全局活动字典计算实时传感器信号的具体分类结果，判断实时信号属于类别RSi。该步骤S22进一步包括：

步骤S221：实时的传感器数据Z，使用分类好的向量集进行权重表示。

z＝A·δ+e

其中表示为A的稀疏系数向量。e是整个系统的有界表达式的噪声部分|e||₂<ξ，其中ξ为信号噪声表达阈值。

步骤S222：计算不同类别的稀疏系数向量：

其中A+表示A的伪逆矩阵，||·||₀计数非零项的数目δ。

步骤S223：步骤(6.3)获取Z的隶属度大小，从而获得具体的活动类别。评估不同活动类别相关联的系数向量的各个部分如何再现Z。

与现有技术相比较，本发明具有的有益效果：

高效性：本发明利用HBase数据库存储无线传感器活动信号，采用深度学习的Softmax分类器对无线传感器海量活动信号进行训练，建立了高效的分类模型，提高了活动信号分类性能，改善了现有的人体活动识别的复杂度高的缺点，提高了识别的效率。

准确性：本发明对大规模无线传感器数据集进行建模，海量数据集进行训练，建立了精确的分类模型，另外结合改进的活动信号的稀疏表示计算算法，有助于提高无线传感器活动信号类别预测的准确性，改善了现有的基于无线传感器网络人体活动识别技术对海量数据检索分类准确性差的缺点。相比于近邻算法(NearestNeighbor，简称NN)，朴素贝叶斯分类器(Naive Bayes Classification，简称NBC)和支持向量机(Support VectorMachine，简称SVM)，能够有效的提高活动识别率分别为21.55％、14.41％、7.58％。

附图说明

图1为本发明提供的一种基于稀疏表示和Softmax分类的人体活动识别方法的框架流程图；

图2为本发明提供的一种基于稀疏表示和Softmax分类的人体活动识别方法中步骤S13的详细流程图；

图3为本发明提供的一种基于稀疏表示和Softmax分类的人体活动识别方法中稀疏表示算法的详细流程图；

图4为本发明提供的一种基于稀疏表示和Softmax分类的人体活动识别方法中步骤S21的详细流程图；

图5为本发明提供的一种基于稀疏表示和Softmax分类的人体活动识别方法中步骤S22的详细流程图；

图6为本发明与三个传统算法的活动信号识别率对比图；

图7为本发明与三个传统算法的活动信号平均分类准确率对比图；

如下具体实施例将结合上述附图进一步说明本发明。

具体实施方式

以下将结合附图对本发明提供的技术方案作进一步说明。

基于高维数据的稀疏表示在计算机视觉和机器学习中，最好的分类系统往往都会选用稀疏表示作为其关键模块。基于稀疏表示的线性投影以及随机森林等方法能通过自然图像本身为稀疏信号，其优化模型是从信号重建的角度建立，以获取对原始信号的良好近似。Softmax回归学习通过对特征向量的学习获得等级分类的估计函数，利用其最大概率进行标志特征分类。为此，本发明提供了一种基于稀疏表示和Softmax分类的人体活动识别方法。

参见图1-5，本发明提供一种基于稀疏表示和Softmax分类的人体活动识别方法，图1所示为本发明基于稀疏表示和Softmax的人体活动识别方法的架构图，整体而言，本发明包括2大步骤，步骤S1：使用海量的无线传感器活动信号数据集训练Softmax模型；步骤S2：使用经过训练的Softmax模型对实时检测的活动信号进行分类和识别；

步骤S1基于大规模无线传感器活动信号集，提取活动信号的特征向量，利用监督学习方法训练Softmax分类模型，具体包括如下步骤：

步骤S11：获取大规模无线传感器活动信号数据集，进行数据预处理；

步骤S13：从HBase数据库中获取信号数据集，基于传感器信号随时间变化的规律，使用特征提取方法获取活动信号的特征向量f；

图2所示为本发明提供的一种基于Softmax和稀疏表示的人体活动识别方法中上述步骤S13的详细流程图，其进一步包括以下步骤：

步骤S131：设无线传感器网络由一组特定的传感器组合S＝{s₁,s₂...s_n}组成。连续的传感器活动信号可由一系列时间间隔T＝{t1,t2…tm}进行信号抽取，其中t₂-t₁＝λ为指定的时间间隔。

参见图3所示为本发明提供的一种基于Softmax和稀疏表示的人体活动识别方法中步骤S2的详细流程图，其进一步包括一下步骤：

步骤S21：使用训练好的Softmax分类器，预测得到海量传感器数据的活动分类结果集RS；

图4所示为本发明提供的一种基于Softmax和稀疏表示的人体活动识别方法中上述步骤的详细流程图，其进一步包括以下步骤：

其中n+1代表向量的维数，D代表映射的特征向量集合。

J(θ)＝Q(θ)+G(θ)

其中M表示训练样本的数量，q表示样本类别的数量，y⁽ⁱ⁾∈{C₁,C₂...C_q}是输入传感器数据集的类标签，并且D(i)是输入特征向量。G(θ)是Softmax成本函数的加权衰减。l(·)是布尔函数。

步骤S213：输入特征向量得到概率矩阵如下：

其中θ₁,θ₂...θ_q表示模型参数，术语用于对概率分布进行归一化。根据概率分布得到信号的分类结果集合RS。

步骤S22：根据上一步中预测的传感器数据分类RS，从HBase数据库中得到该分类的结果集RSi，通过稀疏表示算法计算实时信号与该分类结果集的匹配度，获取该实时信号对应的活动分类。

图5所示为本发明提供的一种基于Softmax和稀疏表示的人体活动识别方法中上述步骤的详细流程图，其进一步包括以下步骤：

z＝A·δ+e

其中表示为A的稀疏系数向量。e是整个系统的有界表达式的噪声部分||e||₂<ξ。

步骤S222：计算不同类别的稀疏系数向量：

其中A+表示A的伪逆矩阵，||·||₀计数非零项的数目δ。

步骤S223：获取Z的隶属度大小，从而获得具体的活动类别。评估不同活动类别相关联的系数向量的各个部分如何再现Z。

在本发明中传感器活动信号数据集为实际无线传感器网络模拟收集，实际无线传感器网络由多组GY-521MPU6050模块传感器及6DOF三轴加速度计传感器构成。我们收集了6个人体行为活动信号作为实验数据集。海量的数据集被随机的分割成训练集和测试集，其中使用70％的传感器数据作为训练集，30％的传感器数据作为测试集，然后将数据库中所有传感器活动信号数据应用到本实验中，观察算法与活动样本数据之间的关系。搭建高性能CUDA运算平台设备以解决复杂的计算问题，训练准确的Softmax模型。同时为了提高实验的计算准确性，实验采用了科学计算包Numpy以及深度学习框架Tensorflow。

为了验证本发明的技术效果，将通过算法对比验证本发明的有效性：

本方法从实际无线传感器网络中收集了大量的无线传感器活动信号，其中使用70％的数据作为训练集，30％的数据作为测试集。其中以人体活动识别准确率为实验指标，本发明与近邻算法(NearestNeighbor)、朴素贝叶斯分类器(Naive BayesClassification)和支持向量机(Support Vector Machine)进行比较，其中传统的近邻算法通过测量不同特征值之间的距离进行分类，具备较好的数据分类特性。朴素贝叶斯分类器算法根据贝叶斯概率模型对特征值进行分类，其对小规模数据表现很好，能处理多分类任务，适合增量式训练。同时支持向量机算法则是一种有监督的算法，在非线性分类方面具有明显优势。参见表1、图6、图7所示，为本发明与上述三个传统算法的实验数据结果对比。其中表1为本发明与三个传统算法的活动信号识别率数据；图6为本发明与三个传统算法的活动信号识别率柱状对比图；图7为本发明与三个传统算法的活动信号平均分类准确率散点对比图。

表1本发明算法与三个传统算法的人体活动识别率百分比

上表1列出了本发明算法与三个传统算法的人体活动识别率百分比，图6展示了本发明算法及传统算法在特定的6个人体活动数据集上的对比结果，其形象地显示了本发明的算法与NN算法、NBC算法及SVM算法在活动识别准确率上的优化对比。进一步的实验，图7显示了在海量活动信号数据集下，本发明算法和NN算法、NBC算法、SVM算法活动信号的平均分类准确率分布。综上所述，本发明通过海量无线传感器活动信号数据集对Softmax分类器进行数据训练，结合改进的稀疏表示的信号识别算法，极大程度上提高了实时无线传感器活动信号的识别率。图6所见，在特定的活动信号数据集上(Lying、Walking、Sitting、Running、Jumping、Swimming)，本发明算法相比NN、NBC、SVM分别提高了21.55％、14.41％和6.1％的活动识别率。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种基于稀疏表示和Softmax分类的人体活动识别方法，其特征在于，包括以下步骤：

步骤S2：使用经过训练的Softmax模型对实时检测的活动信号进行分类和识别；

其中，所述步骤S1进一步包括：

步骤S13：从HBase数据库中获取信号数据集，基于传感器信号随时间变化的规律，使用特征提取方法获取活动信号的特征向量；

步骤S14：根据步骤S13中提取的无线传感器信号特征向量f，通过监督学习的方法训练Softmax分类模型，得到最佳参数θ；

所述步骤S13进一步包括：

步骤S131：S＝{s1，s2…sn}是无线传感器网络的多个可穿戴传感器集合，大小相等的时间戳T＝{t1，t2…tn}，其中t_i+1-t_i＝λ，λ代表时间间隔，利用指定的特征提取算法得到特征向量f；

步骤S132：在活动信号传输期间，构造二元组w(wts，S)为时间域wts内的活动事件表示，S代表指定的监测传感器序号；

步骤S133：设在活动信号数据库HBase中，所有的监测活动事件为w＝{w1，w2…wk}，相同的活动事件X的活动信号集合可表示为活动信号的特征向量可表示如下：

其中A为特征向量集合矩阵，活动分类集合为C＝{C1，C2...Cq}；D＝{D1，D2…Dq}代表指定活动类别的特征向量集合，其中第i类活动分类特征向量集合可表示为

所述步骤S2进一步包括：

步骤S21：使用训练好的Softmax分类器，预测得到海量传感器数据的活动分类结果集RS＝{RS1，RS2…RSq}；

步骤S22：根据上一步中预测的传感器数据分类RS，从HBase数据库中得到该分类的结果集RS，通过全局活动字典计算实时传感器信号的具体分类结果，判断实时信号属于类别RSi；

所述步骤S21进一步包括：

步骤S211：对于活动信号数据库的特定分类的特征向量矩阵A，对每一类的特征向量集合Di，定义Softmax函数进行特征向量Di映射，映射公式如下：

其中n+1代表向量的维数，D代表映射的特征向量集合；

J(θ)＝Q(θ)+G(θ)

其中M表示训练样本的数量，q表示样本类别的数量，y⁽ⁱ⁾∈{C₁,C₂...C_q}是输入传感器数据集的类标签，D(i)是输入特征向量，G(θ)是Softmax成本函数的加权衰减；l(·)是布尔函数；

步骤S213：输入特征向量得到概率矩阵如下：

其中θ₁,θ₂,...,θ_q表示模型参数，用于对概率分布进行归一化，根据概率分布得到信号的分类结果集合；

所述步骤S22进一步包括：

步骤S221：实时的传感器数据Z，使用分类好的向量集进行权重表示：

z＝A·δ+e

其中表示为A的稀疏系数向量，e是整个系统的有界表达式的噪声部分|e||₂<ξ，其中ξ为信号噪声表达阈值；

步骤S222：计算不同类别的稀疏系数向量：

其中A+表示A的伪逆矩阵，||·||₀计数非零项的数目δ；

步骤S223：获取Z的隶属度大小，获得具体的活动类别。