CN113807388B - 基于多元传感器数据的独居老人行为规律发现方法 - Google Patents

Abstract

本发明涉及一种基于多元传感器数据的独居老人行为规律发现方法，包括以下步骤：收集所有传感器的原始数据，对传感器数据进行处理，定义传感器数据之间的联系和计算方式，初始化行为模式；对传感器之间的时间距离进行计算；对传感器所在区域进行划分，将区域限制与最优路径结合起来，对不同传感器之间的距离进行计算；将步骤S2与步骤S3计算得到的传感器距离进行求和计算，得到老人每日行为模式之间的总距离，然后根据总距离进行聚类，发现老人的行为规律。本发明充分利用了智慧家居中广泛采用的多元传感器，与基于视频和基于可穿戴传感器的方法相比，低成本、设备易安装部署、用户不用穿戴、不侵犯用户的隐私。

Description

基于多元传感器数据的独居老人行为规律发现方法

技术领域

本发明涉及智慧养老技术领域，具体是一种基于多元传感器数据的独居老人行为规律发现方法。

背景技术

中国专利(公开号CN104539726 A，公开日2015年4月22日)，名称为“一种用于子女关爱老人行为规律的系统和方法”的发明专利申请，公了开一种人体行为监控技术，通过在智能终端和客户端之间增设云端服务器，智能终端收集老人的行为数据，云端服务器对老人的行为数据进行分析，获取老人的行为规律，客户端对老人的行为规律进行展示。但该系统有两个缺点，使得该系统无法有效的应用老人的居家行为识别中：(1)佩戴不便性，需要老人一直将智能终端戴在身上，对老人的正常生活造成一定的影响，(2)研究的行为类型较少，不能够全面的将老人的行为规律进行展示。

基于视频监控的方法对老人的活动进行识别和行为规律进行发现具有隐私性的问题，而且计算量较大。基于可穿戴传感器的方法需要老人将智能设备穿戴在身上，这对老人的正常生活有一定的影响，十分不方便。物联网条件下基于多元传感器的方法能够以非侵入型的方式部署在老人家中，安装简单，成本较低，但是老人的日常活动较复杂，产生的冗余数据较多。

智慧家居环境中部署了各种各样的多元传感器数据。例如红外运动传感器、水流传感器、压力传感器等可以用来收集老人的日常活动信息，从而对老人的行为规律进行研究。已有的基于多元传感器的行为规律研究通常需要先把老人的日常活动进行识别，然后对每种活动进行规律分析，并没有对老人一天的行为模式进行整体的分析。

发明内容

发明目的：为解决上述技术问题，本发明提供一种基于多元传感器数据的独居老人行为规律发现方法。

技术方案：一种基于多元传感器数据的独居老人行为规律发现方法，包括以下步骤：

S1：收集所有传感器的原始数据，对传感器数据进行处理，定义传感器数据之间的联系和计算方式，初始化行为模式；

S2：对传感器之间的时间距离进行计算；

S3：对传感器所在区域进行划分，将区域限制与最优路径结合起来，对不同传感器之间的距离进行计算；

S4：将步骤S2与步骤S3计算得到的传感器距离进行求和计算，得到老人每日行为模式之间的总距离，然后根据总距离进行聚类，发现老人的行为规律。

进一步地，步骤S1.1：符号定义：

令D＝{D₁，D₂，...，D_N}为收集的所有传感器的原始数据，N代表天数；

令

表示第i天收集的传感器的原始数据，其中：

代表D_i天的时间序列，

代表D_i天的传感器序列，

代表D_i天的传感器事件发生的总数，而

令

作为一个传感器事件，其中

令a＝{e₁，e₂，...，e_m}，a为m个传感器事件的序列；

令S＝{S₁，S₂，...，S_M}代表不同的传感器集合，其中M表示房间里部署的不同传感器数量，因此

即对于任意D_i天中产生的传感器序列的数据都是在定义的S集合里的。

进一步地，步骤S1.2：对老人的日常行为模式初始化一个序列P₁：

进一步地，步骤S2采用DTW算法进行传感器之间时间距离的计算，令

和

分别代表D_i和D_j两天的时间序列，原始时间序列用来提取秒数信息，Sec_fun(*)表示从原始时间戳序列中提取D_i天对应的秒数信息的函数，于是时间序列化为：

同样地，对所有的数据进行上述公式的处理来分析行为数据的时间信息之间的关系，处理好之后对任意两天的时间距离进行计算：

为D_i和D_j的时间距离，DTW(*)表示使用DTW算法计算得到的D_i和D_j之间的距离值；

任意两天的第一个数据之间的距离为

则下一节点的距离值为

则最后一个结点的距离

即为这两天的最短距离

此时从第一个节点到最后一个结点的路径有很多条，这里定义为Q条，其中每一条都为D_i和D_j两天的规整路径，从Q条路径里面找到代价最小的路径作为最短距离对应的最优路径，即，

W_q＝w₁，w₂，...，W_K，

W＝Min{Cos(W₁)，Cos(W₂)，...，Cos(W_Q)}

其中K为规整路径所走的路径节点数，

代表D_i天的传感器事件发生的总数，

代表D_j天的传感器事件发生的总数，W_q为其中一条规整路径，Cos(W_q)代表规整路径W_q的代价函数，W代表规整之后的最优路径。

进一步地，步骤S3根据DTW计算出的最优路径来限制传感器之间的距离，传感器的序列基于动态时间规整所得的最短路径进行抽取，使得时间信息与传感器信息互相对应，令

和

分别代表D_i和D_j两天的传感器数据序列，则传感器之间的距离被最优路径W限制，如下公式所示：

其中D_i和D_j两天的传感器距离为由时间序列数据规整之后的路径限制在传感器之上计算得到的，因为时间距离方法得到的最优路径规整了任意两天的潜在活动对应关系，因此，利用最优路径限制，传感器信息序列可以很好的将两天的行为活动对应起来，若是最终的传感器距离较大，即说明两天的活动并不对应或者说两天的行为模式有很大的差别。

进一步地，步骤S4中，首先对原始数据D＝{D₁，D₂，...，D_N}进行数据清理，删除掉无用的数据和噪声数据，对数据进行处理时，提取每天的秒数时间信息sec，每天在86400s之间循环发现老人相关行为活动的时间序列关系；然后利用DTW算法对老人日常行为数据进行时间距离

计算，对于传感器信息，将不同的传感器划分到不同的区域当中，再基于时间距离计算过程中得到的最优路径W限制来计算行为模式之前的传感器距离

时间距离与传感器距离整合的总距离DIS(D_i，D_j)，基于计算出的总距离再使用EM聚类算法进行聚类，设置最大迭代次数MaxIterations＝100，验证次数numFolds＝10，聚类的类别数numClusters＝n；最后输出n种行为规律P＝{P₁，P₂，...，P_n}，其中D_i和D_j为总数据D中取出的任意两天的数据，两者之间距离为dis(D_i，D_j)，其中

和

分别为第i，j天的传感器事件发生的数量，dis(D_i，D_j)的值越小代表两天之间的距离越小，则两天的行为模式越相似，属于同一种行为规律可能性越大。

有益效果：1、本发明充分利用了智慧家居中广泛采用的多元传感器，与基于视频和基于可穿戴传感器的方法相比，本发明的优势包括低成本、设备易安装部署、用户不用穿戴、以及不侵犯用户的隐私。2、本发明基于多元传感数据之间的时间及区域内在联系的特性，通过处理来自于低成本多元传感器的感知数据实现高效的行为规律发现。

附图说明

图1为本发明的实施步骤示意图；

图2为步骤S1中基于距离计算的行为规律发现过程示意图。

图3为基于传感器不同区域的位置划分示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明的一种基于多元传感器数据的独居老人行为规律发现方法，包括以下步骤：

S1：收集所有传感器的原始数据，对传感器数据进行处理，定义传感器数据之间的联系和计算方式，初始化行为模式；

S2：对传感器之间的时间距离进行计算；

S3：对传感器所在区域进行划分，将区域限制与最优路径结合起来，对不同传感器之间的距离进行计算；

S4：将步骤S2与步骤S3计算得到的传感器距离进行求和计算，得到老人每日行为模式之间的总距离，然后根据总距离进行聚类，发现老人的行为规律。

具体的，步骤S1包括步骤S1.1：符号定义：

令D＝{D₁，D₂，...，D_N}为收集的所有传感器的原始数据，N代表天数；

令

表示第i天收集的传感器的原始数据，其中：

代表D_i天的时间序列，

代表D_i天的传感器序列，

代表D_i天的传感器事件发生的总数，而

令

作为一个传感器事件，其中

令a＝{e₁，e₂，...，e_m}，a为m个传感器事件的序列；

令S＝{S₁，S₂，...，S_M}代表不同的传感器集合，其中M表示房间里部署的不同传感器数量，因此

即对于任意D_i天中产生的传感器序列的数据都是在定义的S集合里的。

定义好以上基本符号以后，开始对数据进行处理。首先将传感器的原始数据中的时间序列转换为时间戳的格式方便提取年月日小时分钟秒的信息，然后以每天86400秒一个循环将时间进行格式转化。对于传感器序列，也对其进行数值化处理，以不同的数值代表不同的传感器以便对数据进行分析研究。

步骤S1.2：对老人的日常行为模式初始化一个序列P₁：

其中P₁代表一种行为规律。P₁是由老人日常活动的隐藏活动序列组成，即由多条传感器事件序列组成。本发明使用设计的距离计算方法对实验数据中每天两两对应的时间距离和传感器距离进行计算，再利用EM聚类算法将两者距离的融合进行聚类，相似的行为模式聚类为一种行为规律。

如图2所示，通过对采集的原始传感器数据进行数据分析处理，计算中各天行为模式的距离，其中包括时间距离和传感器距离。基于距离聚类发现种行为规律。行为规律是由多个隐藏的活动实例组成的，即

本发明利用每天包含相关活动的数据进行比较，计算出隐藏的活动序列即日常行为模式之间的距离，距离越小，则日常行为模式属于一种行为规律的可能性越大，之后再利用EM算法进行距离聚类便可以得出两者属于相同的规律P。

步骤S2，采用DTW算法进行传感器之间时间距离的计算，原始时间序列用来提取秒数信息，Sec_fun(*)表示从原始时间戳序列中提取D_i天对应的秒数信息的函数，于是时间序列化为：

同样地，对所有的数据进行上述公式的处理来分析行为数据的时间信息之间的关系，处理好之后对任意两天的时间距离进行计算：

为D_i和D_j的时间距离，DTW(*)表示使用DTW算法计算得到的D_i和D_j之间的距离值；

任意两天的第一个数据之间的距离为

则下一节点的距离值为

则最后一个结点的距离

即为这两天的最短距离

此时从第一个节点到最后一个结点的路径有很多条，这里定义为Q条，其中每一条都为D_i和D_j两天的规整路径，从Q条路径里面找到代价最小的路径作为最短距离对应的最优路径，即，

W_q＝w₁，w₂，...，W_K，

W＝Min{Cos(W₁)，Cos(W₂)，...，Cos(W_Q)}

其中K为规整路径所走的路径节点数，

代表D_i天的传感器事件发生的总数，

代表D_j天的传感器事件发生的总数，W_q为其中一条规整路径，Cos(W_q)代表规整路径W_q的代价函数，W代表规整之后的最优路径。

步骤S3，传感器之间的距离受限于最优路径和空间区域的限制，其中最优路径限制基于步骤S2中规整出来的最优路径来进行研究。空间区域限制基于老人居住的房屋布局情况，因为老人在日常活动中通常会停留在不同的区域一段时间之后再进行其它的活动，例如睡觉活动发生在卧室区域，做饭活动会发生在厨房区域，并且都会在该区域持续一段时间。下面详细介绍这两种限制。

作为一种具体实施方式，如图3所示，根据图3所示传感器不同区域的位置进行划分，设置空间区域限制。其中划分的Area1为卧室区域，Area2为工作区域，Area3为客厅区域，Area4为厨房进餐区域，Area5和Area6为厕所洗漱区域，虽然Area5和Area6都属于洗漱区域，但是所处位置有一定的距离，属于两种不同的活动区域，所以将其分为两个Area。

Area_id	Sensor_ID
		Area1	MA023，MA020，M022，M021，M019，M018
Area2	MA014，M016，M015，M012，D001
		Area3	MA010，MA003，MA010，M011，M004，M002，M001，D002
Area4	M008，M007，M006，M005，D006，D005
		Area5	MA009，D003
Area6	MA013，M017

表1不同区域的传感器限制

根据DTW计算出的最优路径来限制传感器之间的距离，传感器的序列基于动态时间规整所得的最短路径进行抽取，使得时间信息与传感器信息互相对应，令

和

分别代表D_i和D_j两天的传感器数据序列，则传感器之间的距离被最优路径W限制，如下公式所示：

其中D_i和D_j两天的传感器距离为由时间序列数据规整之后的路径限制在传感器之上计算得到的，因为时间距离方法得到的最优路径规整了任意两天的潜在活动对应关系，因此，利用最优路径限制，传感器信息序列可以很好的将两天的行为活动对应起来，若是最终的传感器距离较大，即说明两天的活动并不对应或者说两天的行为模式有很大的差别。

步骤S4中，首先对原始数据D＝{D₁，D₂，...，D_N}进行数据清理，删除掉无用的数据和噪声数据，对数据进行处理时，提取每天的秒数时间信息sec，每天在86400s之间循环发现老人相关行为活动的时间序列关系；然后利用DTW算法对老人日常行为数据进行时间距离

计算，对于传感器信息，将不同的传感器划分到不同的区域当中，再基于时间距离计算过程中得到的最优路径W限制来计算行为模式之前的传感器距离

时间距离与传感器距离整合的总距离DIS(D_i，D_j)，基于计算出的总距离再使用EM聚类算法进行聚类，设置最大迭代次数MaxIterations＝100，验证次数numFolds＝10，聚类的类别数numClusters＝n；最后输出n种行为规律P＝{P₁，P₂，...，P_n}，其中D_i和D_j为总数据D中取出的任意两天的数据，两者之间距离为dis(D_i，D_j)，其中

和

分别为第i，j天的传感器事件发生的数量，dis(D_i，D_j)的值越小代表两天之间的距离越小，则两天的行为模式越相似，属于同一种行为规律可能性越大。具体算法如下：

输入：原始数据D＝{D₁，D₂，...，D_N}

输出：n种日常行为模式P＝{P₁，P₂，...，P_n}

删除无用数据和噪声数据进行数据清洗

For i in D.Shape[0]：

将传感器时间转换成秒的值

D.sec[i]＝D.DateTime[i].hour*60*60+D.DateTime[i].minute*60+D.DateTime[i].second

计算第i天D_i和第j天D_j之间的时间距离

其中i≠j

For D_i in D：

For D_j in D：

找到最优路径

For sensorid in Sensor_ID：

划分传感器sensorid到不同的区域Area中

计算第i天D_i和第j天D_j之间的传感器距离

其中i≠j

For D_i in D：

For D_j in D：

计算第i天D_i和第j天D_j之间的总距离DIS(D_i，D_j)

For D_i in D：

使用EM聚类算法对老人一段时间的距离进行聚类分析

设置EM聚类算法的参数

MaxIterations＝100，numFolds＝10，numClusters＝n将总距离DIS(D_i，D_j)注入到EM聚类算法中来发现n种日常行为规律P。

Claims (6)

1.一种基于多元传感器数据的独居老人行为规律发现方法，其特征在于，包括以下步骤：

S1：收集所有传感器的原始数据，对传感器数据进行处理，定义传感器数据之间的联系和计算方式，初始化行为模式；

S2：利用DTW算法对任意两天传感器时间序列之间的时间距离进行计算，并得到最优路径；

S3：对传感器所在区域进行划分，将区域限制与最优路径结合起来，对所述两天传感器序列之间的距离进行计算；

S4：将步骤S2与步骤S3计算得到的传感器距离进行求和计算，得到老人每日行为模式之间的总距离，然后根据总距离进行聚类，发现老人的行为规律。

2.根据权利要求1所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S1.1：符号定义：

令D＝{D₁，D₂，...，D_N}为收集的所有传感器的原始数据，N代表天数；

令

表示第i天收集的传感器的原始数据，其中：

代表D_i天的时间序列，

代表D_i天的传感器序列，

代表D_i天的传感器事件发生的总数，而

令

作为一个传感器事件，其中

令a＝{e₁，e₂，...，e_m}，a为m个传感器事件的序列；

令S＝{S₁，S₂，...，S_M}代表不同的传感器集合，其中M表示房间里部署的不同传感器数量，因此

即对于任意D_i天中产生的传感器序列的数据都是在定义的S集合里的。

3.根据权利要求2所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S1.2：对老人的日常行为模式初始化一个序列P₁：

4.根据权利要求1所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：

步骤S2采用DTW算法进行传感器之间时间距离的计算，令

和

分别代表D_i和D_j两天的时间序列，原始时间序列用来提取秒数信息，Sec_fun(*)表示从原始时间戳序列中提取D_i天对应的秒数信息的函数，于是时间序列化为：

同样地，对所有的数据进行上述公式的处理来分析行为数据的时间信息之间的关系，处理好之后对任意两天的时间距离进行计算：

为D_i和D_j的时间距离，DTW(*)表示使用DTW算法计算得到的D_i和D_j之间的距离值；

任意两天的第一个数据之间的距离为

则下一节点的距离值为

则最后一个结点的距离

即为这两天的最短距离

此时从第一个节点到最后一个结点的路径有很多条，这里定义为Q条，其中每一条都为D_i和D_j两天的规整路径，从Q条路径里面找到代价最小的路径作为最短距离对应的最优路径，即，

W_q＝w₁，w₂，…，w_K，

W＝Min{Cos(W₁)，Cos(W₂)，...，Cos(W_Q)}

其中K为规整路径所走的路径节点数，

代表D_i天的传感器事件发生的总数，

代表D_j天的传感器事件发生的总数，W_q为其中一条规整路径，Cos(W_q)代表规整路径W_q的代价函数，W代表规整之后的最优路径。

5.根据权利要求1所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S3根据DTW计算出的最优路径来限制传感器之间的距离，传感器的序列基于动态时间规整所得的最短路径进行抽取，使得时间信息与传感器信息互相对应，令

和

分别代表D_i和D_j两天的传感器数据序列，则传感器之间的距离被最优路径W限制，如下公式所示：

其中D_i和D_j两天的传感器距离为由时间序列数据规整之后的路径限制在传感器之上计算得到的。

6.根据权利要求2所述的基于多元传感器数据的独居老人行为规律发现方法，其特征在于：步骤S4中，首先对原始数据D＝{D₁，D₂，...，D_N}进行数据清理，删除掉无用的数据和噪声数据，对数据进行处理时，提取每天的秒数时间信息sec，每天在86400s之间循环发现老人相关行为活动的时间序列关系；然后利用DTW算法对老人日常行为数据进行时间距离

计算，对于传感器信息，将不同的传感器划分到不同的区域当中，再基于时间距离计算过程中得到的最优路径W限制来计算行为模式之前的传感器距离

时间距离与传感器距离整合的总距离DIS(D_i，D_j)，基于计算出的总距离再使用EM聚类算法进行聚类，设置最大迭代次数MaxIterations＝100，验证次数numFolds＝10，聚类的类别数numClusters＝n；最后输出n种行为规律P＝{P₁，P₂，...，P_n}，其中D_i和D_j为总数据D中取出的任意两天的数据，两者之间距离为dis(D_i，D_j)，其中

和

分别为第i，j天的传感器事件发生的数量，dis(D_i，D_j)的值越小代表两天之间的距离越小，则两天的行为模式越相似，属于同一种行为规律可能性越大。

Images