TWI665609B - 住戶行為辨識系統與住戶行為辨識方法 - Google Patents

Abstract

一種住戶行為辨識方法以及執行辨識方法的辨識系統，辨識系統包含記憶裝置以及處理器，且記憶裝置儲存有非目標住戶模型以及目標住戶模型，辨識方法包括：以處理器接收複數個感測器所傳送的第一測試資料，而第一測試資料包含該些感測器的當前權重以及當前觸發狀態；以處理器依據非目標住戶模型以及第一測試資料判斷非目標住戶於當前時間的行為；以處理器依據非目標住戶於當前時間的行為調降部份的當前權重以形成包含更新權重及當前觸發狀態的第二測試資料；以及以處理器依據該目標住戶模型以及第二測試資料判斷目標住戶於該當前時間的行為。

Description

住戶行為辨識系統與住戶行為辨識方法

本發明有關於一種行為辨識系統及其辨識方法，尤指一種多人行為辨識系統及其辨識方法。

因應高齡化社會的來臨，智能化的居家照護系統已成為未來科技的趨勢，而行為辨識方法(human activity recognition, HAR)為居家照護系統的重要技術之一。透過辨識老年人的居家行為且進行紀錄，可作為照護老年人的參考依據。目前居家照護系統的行為辨識方法通常是針對單人進行行為辨識，因此在感測器數據的複雜程度上較低。然而在實際的日常居家環境中，通常會有多位居民一同生活，且可能同時發生多個行為以及不同的行為而造成感測器數據的複雜度會提高，導致行為辨識的準確率降低。

有鑑於此，目前的確有需要一種改良的住戶行為辨識裝置及其辨識方法，以改善上述問題。

依據本發明的一實施例的住戶行為辨識系統及其辨識方法，可辨識多住戶的行為且透過調整感測器之權重，提升了辨識準確度。

本發明一實施例的住戶行為辨識系統，用於辨識目標住戶以及非目標住戶於區域內的行為。住戶行為辨識系統包括記憶裝置以及處理器，記憶裝置儲存有非目標住戶模型以及目標住戶模型，第一測試資料包含複數個感測器於當前時間的當前權重以及當前觸發狀態。處理器電性連接於記憶裝置，處理器依據非目標住戶模型以及第一測試資料判斷非目標住戶於當前時間的行為，並依據非目標住戶於當前時間的行為調降部份的當前權重以形成更新權重，以產生包含更新權重及當前觸發狀態的第二測試資料，且依據目標住戶模型以及第二測試資料判斷目標住戶於當前時間的行為。

本發明一實施例的住戶行為辨識方法，用於辨識非目標住戶以及目標住戶於區域內的行為，住戶行為辨識方法包括：以處理器接收感測器所傳送的第一測試資料，而第一測試資料包含當前權重以及當前觸發狀態；以處理器依據非目標住戶模型以及第一測試資料判斷非目標住戶於當前時間的行為；以處理器依據非目標住戶於當前時間的行為調降部份的當前權重以形成更新權重，以產生包含更新權重及該當前觸發狀態的第二測試資料；以及以處理器依據目標住戶模型以及第二測試資料判斷目標住戶於當前時間的行為。

透過本發明一實施例所提供的住戶行為辨識系統以其辨識方法，可同時針對多個住戶進行行為的辨識，且住戶不需穿戴感測器，亦不需住戶的定位資訊，更適合進行居家行為的辨識。由於透過推估非目標住戶的行為來調整感測器的權重，使得感測器的測試資料可模擬成只有被目標住戶的行為所觸發的情形，有效地增加目標住戶的行為的辨識準確度。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。

圖1為依據本發明一實施例所繪示的住戶行為辨識系統的功能方塊圖，而住戶行為辨識系統可用於辨識一區域內的多位住戶的行為。如圖1所示，住戶行為辨識系統100包括有記憶裝置102及處理器104，記憶裝置102例如為非揮發性記憶體或硬碟，且記憶裝置102與處理器104電性連接。處理器104可用於與感測裝置200以及取像裝置300電性連接，其中感測裝置200包含有複數個感測器202，每一感測器202的種類沒有限制，例如為紅外線感測器、溫度感測器、濕度感測器、距離感測器或壓力感測器，而該些感測器202分別裝設於區域內的不同位置。取像裝置300包含有複數個取像元件302，而該些取像元件302分別裝設於區域內的不同位置。住戶行為辨識系統100、感測裝置200、取像裝置300分別設有通訊元件，而感測裝置200與取像裝置300透過通訊元件持續地傳送資料至住戶行為辨識系統100。

該些感測器202於當前時間產生第一測試資料，此第一測試資料包含有當前權重以及當前觸發狀態，其中當前權重包含所有感測器202於當前時間的權重，而當前觸發狀態包含所有感測器202於當前時間的觸發狀態。藉由該些感測器202與該些取像元件302可於一過往期間產生訓練資料，其中過往期間的時間點位於當前時間之前。訓練資料包含過往權重、過往觸發狀態、目標住戶行為資料以及非目標住戶行為資料，其中過往權重包含所有感測器202於過往期間的權重，而過往觸發狀態包含所有感測器202於過往期間的觸發狀態。當處理器104於不同時間點分別接收到訓練資料以及第一測試資料後，會將訓練資料與第一測試資料儲存至記憶裝置102。該些取像元件302用於擷取所有住戶在過往期間於區域內的行為以產生相異的多個影像，且經由這些影像將區域內的住戶分類為非目標住戶以及目標住戶。詳言之，感測器資料包含各感測器在某一時間點之觸發狀態，目標/非目標住戶行為資料是透過取得某一時間點之影像資料進行識別處理後而獲得目標/非目標住戶當時的行為，而每一筆訓練資料是由某一時間點之感測器資料以及目標/非目標住戶行為資料來組成。因此，訓練資料不僅有感測器資料，還包含有目標/非目標住戶的行為資料，藉此分別訓練出目標/非目標住戶模型。

記憶裝置102內儲存有學習演算法，學習演算法可包含隱馬爾可夫模型、決策樹、貝氏演算法、條件隨機域或支持向量機。處理器104可依據學習演算法、非目標住戶行為資料、過往權重以及過往觸發狀態產生非目標住戶模型106，以及依據學習演算法、目標住戶行為資料、過往權重以及過往觸發狀態產生目標住戶模型108。非目標住戶的數量可為單個或複數個，當非目標住戶的數量為複數個時，處理器104針對不同的非目標住戶分別產生不同的非目標住戶模型106。目標住戶的數量也可為單個或複數個，當目標住戶的數量為複數個時，處理器104針對不同的目標住戶分別產生不同的目標住戶模型108。當處理器104依據學習演算法以及訓練資料產生非目標住戶模型106以及目標住戶模型108後，會將非目標住戶模型106以及目標住戶模型108儲存至記憶裝置102。

住戶行為辨識系統100在實際使用時，記憶裝置102內已預先儲存有非目標住戶模型106與目標住戶模型108。當住戶行為辨識系統100的處理器104接收到感測器202的第一測試資料後，處理器104將第一測試資料帶入非目標住戶模型106進行運算，此非目標住戶模型106依據當前權重與當前觸發狀態推測出多種非目標住戶於當前時間可能從事的行為，每一種行為具有不同的發生機率，而處理器104以發生機率最高的行為判定為非目標住戶於當前時間的行為。舉例來說，非目標住戶模型106可為第一程式，第一測試資料為第一程式的輸入參數，而非目標住戶的當前行為為第一程式的輸出參數。

接著，以處理器104將非目標住戶於當前時間的行為以及第一測試資料帶入非目標住戶模型106進行計算，此非目標住戶模型106依據當前權重、當前觸發狀態以及非目標住戶於當前時間的行為判斷出該些感測器202之中由非目標住戶的行為所觸發的感測器202。

接著，以處理器104針對非目標住戶的行為所觸發的感測器202的權重進行調降，以使得當前權重的一部份經過調降後成為一更新權重，而更新權重與當前觸發狀態組成第二測試資料，因此第二測試資料不同於第一測試資料。

最後，以處理器104將第二測試資料帶入目標住戶模型108進行運算，此目標住戶模型108依據更新權重與當前觸發狀態推測出多種目標住戶於當前時間可能從事的行為，每一種推測出的行為具有不同的發生機率，處理器104以發生機率最高的行為作為目標住戶於當前時間的行為，而處理器104可將目標住戶於當前時間的行為記錄於記憶裝置102。舉例來說，目標住戶模型108可為第二程式，第二測試資料為第二程式的輸入參數，而目標住戶於當前時間的行為為第二程式的輸出參數。

在住戶行為辨識系統的另一實施例中，住戶行為辨識系統可包含有記憶裝置102、處理器104以及感測裝置200。舉例來說，住戶行為辨識系統可為一個會於區域內持續移動的行動機器人。

圖2為依據本發明一實施例所繪示的住戶行為辨識方法的流程圖。共同參閱圖1與圖2，住戶行為辨識方法由住戶行為辨識系統100所執行，在步驟S201中，以處理器104於當前時間接收該些感測器202傳送的第一測試資料，其中第一測試資料包含當前權重以及當前觸發狀態。詳言之，當前權重包含了區域內所有感測器202當前的權重，而當前觸發狀態包含區域內所有感測器202當前的觸發狀態。在步驟S202中，以處理器104依據第一測試資料以及非目標住戶模型106判斷非目標住戶於當前時間的行為。詳言之，處理器104將第一測試資料帶入非目標住戶模型106後，非目標住戶模型106可依據第一測試資料推測出多種非目標住戶於當前時間可能從事的行為以及各種行為的發生機率，而處理器104將以發生機率最高的行為判斷為非目標住戶於當前時間的行為。在步驟S203中，以處理器104依據非目標住戶於當前時間的行為、第一測試資料以及非目標住戶模型106判斷該些感測器202之中由非目標住戶的行為所觸發的感測器202。在步驟S204中，以處理器104降低由非目標住戶的行為所觸發的感測器202的權重以產生一更新權重。其中更新權重包含至少一第一權重以及至少一第二權重，第一權重的值為1而第二權重的值小於1且大於0，而第二權重所對應的感測器202由非目標住戶的行為所觸發。在步驟S205中，以處理器104產生包含有更新權重及當前觸發狀態的第二測試資料。詳言之，非目標住戶模型106主要用來得到非目標住戶的行為與感測器202的關連性，第一測試資料作為被調整對象，而非目標住戶的行為作為調整第一測試資料的依據。首先推測出非目標住戶的當前行為，透過非目標住戶模型106推測當前該些感測器202之中最有可能被非目標住戶的行為所觸發的感測器202，並且降低第一測試資料中被非目標住戶所觸發的感測器202的權重，使得更新後的感測器數據接近只有目標住戶的行為所觸發的感測器數據，以得到經調整後的測試資料，藉此降低非目標住戶的行為對於辨識目標住戶的行為的影響力。在步驟S206中，以處理器104依據目標住戶模型108以及第二測試資料判斷目標住戶於當前時間的行為。 詳言之，目標住戶模型108依據第二測試資料可推測出非目標住戶多種有可能從事的行為以及各種行為的發生機率，並且以發生機率最高的行為判斷為目標住戶的行為。在步驟S207中，以記憶裝置102記錄目標住戶於當前時間的行為。

另一方面，關於權重值的調整，可將權重值從1每次調降0.1直到權重值為0.1，比較不同的權重值產生的行為辨識結果，將行為辨識率最高的權重值作為最適當的權重值。

圖3為依據本發明一實施例所繪示的住戶行為辨識系統的使用狀態示意圖，住戶行為辨識系統100用於辨識房子內的老人以及年輕人的行為，且年輕人為非目標住戶400，而老年人為目標住戶500。該些感測器202分別裝設於房子內的不同位置，例如客廳、沙發、大門、廚房、浴室以及臥室。首先住戶行為辨識系統100的處理器104接收到房子內所有感測器202即時傳送的測試資料，而測試資料中包含所有感測器202的權重以及觸發狀態。接著，處理器104依據測試資料與非目標住戶模型106判斷年輕人最有可能從事的行為。若處理器104判斷年輕人最有可能從事的行為為在客廳看電視，則處理器104依據年輕人最有可能從事的行為、感測器202傳來的測試資料以及非目標住戶模型106進一步判斷房子內那一個感測器202最有可能被年輕人的行為所觸發。由於處理器104判斷年輕人最有可能從事的行為是在客廳看電視，所以處理器104判斷最有可能被年輕人所觸發的感測器202是位於客廳沙發上。接著，處理器104調降客廳沙發上的感測器202的權重，藉此更新測試資料。最後，處理器104依據更新後的測試資料以及目標住戶模型108判斷當前老年人最有可能從事的行為，藉此判斷出老年人正在寢室睡覺。由於房子內的感測器202會不斷地傳送測試資料至住戶行為辨識系統100，當住戶行為辨識系統100運作一段時間之後，即可記錄老年人於房子內不同時段的行為，藉此可作為照護老年人的參考依據。

透過本發明所提供的住戶行為辨識系統及其辨識方法，可同時針對多個住戶進行行為的辨識，且住戶不需穿戴感測器，亦不需住戶的定位資訊，更適合進行居家行為的辨識。由於透過推估非目標住戶的行為來調整感測器的權重，使得感測器的測試資料可模擬成只有被目標住戶的行為所觸發的情形，有效地增加目標住戶的行為的辨識準確度。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。

100‧‧‧住戶行為辨識系統

102‧‧‧記憶裝置

104‧‧‧處理器

106‧‧‧非目標住戶模型

108‧‧‧目標住戶模型

200‧‧‧感測裝置

202‧‧‧感測器

300‧‧‧取像裝置

302‧‧‧取像元件

400‧‧‧非目標住戶

500‧‧‧目標住戶

圖1為依據本發明一實施例所繪示的住戶行為辨識系統的功能方塊圖。 圖2為依據本發明一實施例所繪示的住戶行為辨識方法的流程圖。 圖3為依據本發明一實施例所繪示的住戶行為辨識系統的使用狀態示意圖。

Claims (10)

1. 一種住戶行為辨識系統，用於辨識一目標住戶以及一非目標住戶於一區域內的行為，該住戶行為辨識系統包括：一記憶裝置，儲存有一非目標住戶模型以及一目標住戶模型；以及一處理器，電性連接於該記憶裝置且用於接收一第一測試資料，該第一測試資料包含複數個感測器於一當前時間的一當前權重以及一當前觸發狀態，該處理器依據該非目標住戶模型以及該第一測試資料判斷該非目標住戶於該當前時間的行為，並依據該非目標住戶於該當前時間的行為、該第一測試資料以及該非目標住戶模型調降部份的該當前權重以形成一更新權重，以產生包含該更新權重及該當前觸發狀態的一第二測試資料，且依據該目標住戶模型以及該第二測試資料判斷該目標住戶於該當前時間的行為。
2. 如請求項1所述之住戶行為辨識系統，更包括一取像裝置，該取像裝置電性連接於該處理器以及該記憶裝置，該取像裝置擷取該非目標住戶在一過往期間的行為以及擷取該目標住戶在該過往期間的行為以產生相異的多個影像，該過往期間發生於該當前時間之前。
3. 如請求項2所述之住戶行為辨識系統，其中該些感測器在該過往期間產生一訓練資料，該訓練資料包含該些感測器於該過往期間的過往權重以及過往觸發狀態、該目標住戶在該過往期間的行為、以及該非目標住戶在該過往期間的行為，該處理器依據一學習演算法、該過往權重、該過往觸發狀態以及該非目標住戶在該過往期間的行為產生該非目標住戶模型，以及該處理器依據該學習演算法、該過往權重、該過往觸發狀態以及該目標住戶在該過往期間的行為產生該目標住戶模型。
4. 如請求項3所述之住戶行為辨識系統，其中該學習演算法包含隱馬爾可夫模型、決策樹、貝氏演算法、條件隨機域或支持向量機。
5. 如請求項1所述之住戶行為辨識系統，其中該更新權重包含一第一權重以及一第二權重，該第一權重的值為1，而第二權重的值小於1且大於0，而該第二權重所對應的感測器由該非目標住戶的行為所觸發。
6. 一種住戶行為辨識方法，用於辨識一非目標住戶以及一目標住戶於一區域內的行為，該住戶行為辨識方法由一住戶行為辨識系統來執行，該住戶行為辨識系統包含一記憶裝置以及一處理器，且該記憶裝置儲存有一非目標住戶模型以及一目標住戶模型，該住戶行為辨識方法包括：以該處理器接收複數個感測器所傳送的一第一測試資料，而該第一測試資料包含該些感測器於一當前時間的一當前權重以及一當前觸發狀態；以該處理器依據該非目標住戶模型以及該第一測試資料判斷該非目標住戶於該當前時間的行為；以該處理器依據該非目標住戶於該當前時間的行為、該第一測試資料以及該非目標住戶模型來調降部份的該當前權重以形成一更新權重，以產生包含該更新權重及該當前觸發狀態的一第二測試資料；以及以該處理器依據該目標住戶模型以及該第二測試資料判斷該目標住戶於該當前時間的行為。
7. 如請求項6所述之住戶行為辨識方法，其中該更新權重包含一第一權重以及一第二權重，該第一權重的值為1，而第二權重的值小於1且大於0，而該第二權重所對應的感測器由該非目標住戶的行為所觸發。
8. 如請求項6所述之住戶行為辨識方法，更包括在傳送該第一測試資料之前，透過一取像裝置擷取該非目標住戶以及該目標住戶在一過往期間的行為以產生多個相異的影像。
9. 如請求項6所述之住戶行為辨識方法，更包括以該處理器透過一學習演算法以及一訓練資料以產生該非目標住戶模型以及該目標住戶模型，其中該訓練資料包含該些感測器於一過往期間的過往權重以及過往觸發狀態、該目標住戶在該過往期間的行為、以及該非目標住戶在該過往期間的行為，該過往期間的時間點位於該當前時間之前。
10. 如請求項9所述之住戶行為辨識方法，其中該學習演算法包含隱馬爾可夫模型、決策樹、貝氏演算法、條件隨機域或支持向量機。