CN110909047A - 一种面向指定时刻的日常行为识别方法 - Google Patents

一种面向指定时刻的日常行为识别方法 Download PDF

Info

Publication number
CN110909047A
CN110909047A CN201911219849.7A CN201911219849A CN110909047A CN 110909047 A CN110909047 A CN 110909047A CN 201911219849 A CN201911219849 A CN 201911219849A CN 110909047 A CN110909047 A CN 110909047A
Authority
CN
China
Prior art keywords
sensor
stream
sensor event
behavior
time
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
CN201911219849.7A
Other languages
English (en)
Other versions
CN110909047B (zh
Inventor
刘亚清
丰阳
谢若莹
王思文
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201911219849.7A priority Critical patent/CN110909047B/zh
Publication of CN110909047A publication Critical patent/CN110909047A/zh
Application granted granted Critical
Publication of CN110909047B publication Critical patent/CN110909047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24568—Data stream processing; Continuous queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明提供一种面向指定时刻的日常行为识别方法，包括以下步骤：输入数据；提取下/第一条已标注日常行为类别的传感器事件流S+；在所述传感器事件流S+中提取包含t的日常行为实例及与所述包含t的日常行为实例相应的传感器事件流S*；提取与所述实例相应的传感器事件流S*的开始时刻bt、结束时刻ot、开始传感器bs、结束传感器os；在所述传感器事件流S‑中遍历传感器事件e1；S6：在S‑中搜索一个传感器事件e2；提取在e1和e2之间的传感器事件流See；计算See与S*的序列相似度sim；如果sim>max，那么将sim的值赋值给max，保存S*的行为类别；将S*的行为类别作为t时刻发生的行为。

Description

一种面向指定时刻的日常行为识别方法
技术领域
本发明涉及行为识别技术领域，具体而言，尤其涉及一种面向指定时刻的日常行为识别方法。
背景技术
面向时间段的全局行为识别过程一个重要的步骤是传感器时间流分割。目前传感器事件流分割方法包括基于固定窗口的床干起事件流分割方法和基于可变窗口的传感器事件流分割方法。基于固定窗口的传感器事件流分割方法的优点是划分方法简单易行，缺点是行为识别的准确率较低。基于可变窗口的传感器事件流分割方法的优点是行为识别的准确率较高，但是分割算法较为复杂，识别的时间复杂度和空间复杂度较高。
发明内容
根据上述提出的技术问题，而提供一种面向指定时刻的日常行为识别方法。本发明主要利用一种面向指定时刻的日常行为识别方法，其特征在于，包括以下步骤：
步骤S1：输入数据；所述输入数据为一组已标注日常行为类别的传感器事件流SS，一个未标注日常行为类别的传感器事件流S-，指定的时刻t，并将传感器事件流相似度的变量max，初值设为0；
步骤S2：提取下/第一条已标注日常行为类别的传感器事件流S+；
步骤S3：在所述传感器事件流S+中提取包含t的日常行为实例及与所述包含t的日常行为实例相应的传感器事件流S*；
步骤S4：提取与所述实例相应的传感器事件流S*的开始时刻bt、结束时刻ot、开始传感器bs、结束传感器os；
步骤S5：在所述传感器事件流S-中遍历传感器事件e1；所述传感器事件e1满足：所述传感器事件e1中被触发的传感器为bs；所有被触发的传感器为bs的传感器事件中，e1被触发的时刻与bt的差的绝对值最小；
步骤S6：在S-中搜索一个传感器事件e2，e2满足：e2中被触发的传感器为os；所有被触发的传感器为os的传感器事件中，e2被触发的时刻与ot差的绝对值最小；
步骤S7：提取在e1和e2之间的传感器事件流See；
步骤S8：计算See与S*的序列相似度sim；
步骤S9：如果sim>max，那么将sim的值赋值给max，保存S*的行为类别；如果sim<＝max，转到S10。
步骤S10：如果S+未遍历时，已标注的传感器事件流，转到步骤S2；
步骤S11：将S*的行为类别作为t时刻发生的行为。
进一步地，对于一个传感器事件流S，用getCategory(S)表示S中涉及的传感器类别；用Cardi(getCategory(S))表示getCategory(S)中元素的数量；对于一个传感器s，用getFrequency(S,s)表示s在S中被触发的次数，则相似度公式为：
Figure BDA0002300497030000021
较现有技术相比，本发明具有以下优点：
本发明提出的一种面向指定时刻的日常行为识别方法通过提取包含指定时刻的传感器事件流的边界时空特征，能够在不对待识别传感器事件流进行分割的前提下实现对指定时刻日常行为的有效识别。相比较现有的面向时间段的全局行为识别方法，使用本发明能够在保证识别效果的同时，降低了行为识别过程的时间复杂度和空间复杂度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明面向指定时刻的日常行为识别方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，一种面向指定时刻的日常行为识别方法，包括以下步骤：
S1：输入数据；所述输入数据为一组已标注日常行为类别的传感器事件流SS，一个未标注日常行为类别的传感器事件流S-，指定的时刻t，并将传感器事件流相似度的变量max，初值设为0。
如下表所示，居民在家中的日常行为(例如“吃早饭”)会以时间顺序依次地触发一组的传感器(下图中一行是一个被触发的传感器，由触发的日期、触发的时间、触犯的传感器(例如M007)、传感器的值(例如ON)组成)，这一组传感器事件称为传感器事件流。这里“相应的”意思是：一个日常行为触犯的传感器事件流称为这个日常行为“相应的”传感器事件流。
Figure BDA0002300497030000041
S2：提取下/第一条已标注日常行为类别的传感器事件流S+。
S3：在所述传感器事件流S+中提取包含t的日常行为实例及与所述包含t的日常行为实例相应的传感器事件流S*。
S4：提取与所述实例相应的传感器事件流S*的开始时刻bt、结束时刻ot、开始传感器bs、结束传感器os。
作为优选的实施方式，在本申请中提取就是查询一个日常行为对应的传感器事件流。由于已经是标注数据，所以一个日常行为会有开始的时间和结束时间。例如我补充的图中行为开始的时间是2011-06-15，07:58:39.655022，结束时间是2011-06-15，08:02:51.985144。
S5：在所述传感器事件流S-中遍历传感器事件e1；所述传感器事件e1满足：所述传感器事件e1中被触发的传感器为bs；所有被触发的传感器为bs的传感器事件中，e1被触发的时刻与bt的差的绝对值最小。
S6：在S-中搜索一个传感器事件e2，e2满足：e2中被触发的传感器为os；所有被触发的传感器为os的传感器事件中，e2被触发的时刻与ot差的绝对值最小。
S7：提取在e1和e2之间的传感器事件流See。
S8：计算See与S*的序列相似度sim。
S9：如果sim>max，那么将sim的值赋值给max，保存S*的行为类别；如果sim<＝max，转到S10。
S10：如果S+未遍历时，已标注的传感器事件流，转到步骤S2；
S11：将S*的行为类别作为t时刻发生的行为。
作为本申请一种优选的实施方式，在本申请中，对于一个传感器事件流S，用getCategory(S)表示S中涉及的传感器类别；用Cardi(getCategory(S))表示getCategory(S)中元素的数量；对于一个传感器s，用getFrequency(S,s)表示s在S中被触发的次数，则相似度公式为：
Figure BDA0002300497030000051
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.一种面向指定时刻的日常行为识别方法，其特征在于，包括以下步骤：
S1：输入数据；所述输入数据为一组已标注日常行为类别的传感器事件流SS，一个未标注日常行为类别的传感器事件流S-，指定的时刻t，并将传感器事件流相似度的变量max，初值设为0；
S2：提取下/第一条已标注日常行为类别的传感器事件流S+；
S3：在所述传感器事件流S+中提取包含t的日常行为实例及与所述包含t的日常行为实例相应的传感器事件流S*；
S4：提取与所述实例相应的传感器事件流S*的开始时刻bt、结束时刻ot、开始传感器bs、结束传感器os；
S5：在所述传感器事件流S-中遍历传感器事件e1；所述传感器事件e1满足：所述传感器事件e1中被触发的传感器为bs；所有被触发的传感器为bs的传感器事件中，e1被触发的时刻与bt的差的绝对值最小；
S6：在S-中搜索一个传感器事件e2，e2满足：e2中被触发的传感器为os；所有被触发的传感器为os的传感器事件中，e2被触发的时刻与ot差的绝对值最小；
S7：提取在e1和e2之间的传感器事件流See；
S8：计算See与S*的序列相似度sim；
S9：如果sim>max，那么将sim的值赋值给max，保存S*的行为类别；如果sim<＝max，转到S10。
S10：如果S+未遍历时，已标注的传感器事件流，转到步骤S2；
S11：将S*的行为类别作为t时刻发生的行为。
2.根据权利要求1所述的一种面向指定时刻的日常行为识别方法，其特征还在于：
对于一个传感器事件流S，用getCategory(S)表示S中涉及的传感器类别；用Cardi(getCategory(S))表示getCategory(S)中元素的数量；对于一个传感器s，用getFrequency(S,s)表示s在S中被触发的次数，则相似度公式为：
Figure FDA0002300497020000021
CN201911219849.7A 2019-11-28 2019-11-28 一种面向指定时刻的日常行为识别方法 Active CN110909047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911219849.7A CN110909047B (zh) 2019-11-28 2019-11-28 一种面向指定时刻的日常行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911219849.7A CN110909047B (zh) 2019-11-28 2019-11-28 一种面向指定时刻的日常行为识别方法

Publications (2)

Publication Number Publication Date
CN110909047A true CN110909047A (zh) 2020-03-24
CN110909047B CN110909047B (zh) 2022-05-17

Family

ID=69821998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911219849.7A Active CN110909047B (zh) 2019-11-28 2019-11-28 一种面向指定时刻的日常行为识别方法

Country Status (1)

Country Link
CN (1) CN110909047B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102036163A (zh) * 2009-10-02 2011-04-27 索尼公司 行为模式分析系统、移动终端、行为模式分析方法和程序
US20160314255A1 (en) * 2015-04-21 2016-10-27 Diane J. Cook Environmental sensor-based cognitive assessment
CN109685125A (zh) * 2018-12-14 2019-04-26 大连海事大学 基于频繁传感器事件序列的日常行为特征挖掘及计算方法
CN112669344A (zh) * 2020-12-24 2021-04-16 北京灵汐科技有限公司 一种运动物体的定位方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102036163A (zh) * 2009-10-02 2011-04-27 索尼公司 行为模式分析系统、移动终端、行为模式分析方法和程序
US20160314255A1 (en) * 2015-04-21 2016-10-27 Diane J. Cook Environmental sensor-based cognitive assessment
CN109685125A (zh) * 2018-12-14 2019-04-26 大连海事大学 基于频繁传感器事件序列的日常行为特征挖掘及计算方法
CN112669344A (zh) * 2020-12-24 2021-04-16 北京灵汐科技有限公司 一种运动物体的定位方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HIBA H等: ""Detection of Abnormal behavior in Dynamic Crowded Gatherings"", 《2013 IEEE APPLIED IMAGERY PATTERN RECOGNITION WORKSHOP (AIPR)》 *
苏春芳: ""基于多传感器融合的居家监护系统的设计与实现"", 《软件工程》 *

Also Published As

Publication number Publication date
CN110909047B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
US10552462B1 (en) Systems and methods for tokenizing user-annotated names
CN110019876B (zh) 数据查询方法、电子设备及存储介质
CN109189991A (zh) 重复视频识别方法、装置、终端及计算机可读存储介质
US20140317117A1 (en) Method, device and computer storage media for user preferences information collection
CN106126617A (zh) 一种视频检测方法及服务器
CN111241389B (zh) 一种基于矩阵的敏感词过滤方法、装置、电子设备、存储介质
US20220019739A1 (en) Item Recall Method and System, Electronic Device and Readable Storage Medium
CN110458641A (zh) 一种电商推荐方法及系统
CN104462396B (zh) 字符串处理方法和装置
CN111291571A (zh) 语义纠错方法、电子设备及存储介质
CN110427604B (zh) 表格整合方法和装置
CN106933916B (zh) Json字符串的处理方法及装置
CN109190119B (zh) 时间提取方法和装置、存储介质及电子装置
CN111563382A (zh) 文本信息的获取方法、装置、存储介质及计算机设备
CN114741544B (zh) 图像检索方法、检索库构建方法、装置、电子设备及介质
CN111177436A (zh) 一种人脸特征检索方法、装置及设备
CN106997350A (zh) 一种数据处理的方法及装置
CN108076032B (zh) 一种异常行为用户识别方法及装置
US20160292258A1 (en) Method and apparatus for filtering out low-frequency click, computer program, and computer readable medium
CN110019400B (zh) 数据存储方法、电子设备及存储介质
CN110909047B (zh) 一种面向指定时刻的日常行为识别方法
JP7133085B2 (ja) データベース更新方法及び装置、電子機器、並びにコンピュータ記憶媒体
CN106649367B (zh) 检测关键词推广程度的方法和装置
CN108255888B (zh) 一种数据处理方法及系统
CN110287943B (zh) 图像的对象识别方法、装置、电子设备及存储介质

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