基于節(jié)能機制的人體行為識別方法及客戶端的制作方法
【專利摘要】本發(fā)明公開了一種基于節(jié)能機制的人體行為識別方法及客戶端，包括：S1、采用初始采樣率采集人體行為樣本數(shù)據(jù)，提取初始子特征，初步識別人體行為；S2、調(diào)整采樣率和子特征為對應該初步識別的人體行為的最佳采樣率和子特征組合，并繼續(xù)識別人體行為；S3、若繼續(xù)識別的人體行為發(fā)生變化，則調(diào)整采樣率和子特征組合至相應人體行為的最佳采樣率和子特征組合，返回步驟S2；若無法識別人體行為，則返回步驟S1。本發(fā)明針對不同行為采用不同的采樣率并提取不同的子特征，在維持較高識別精確度的前提下大大減小能量消耗。
【專利說明】
基于節(jié)能機制的人體行為識別方法及客戶端
技術領域
[0001] 本發(fā)明涉及行為模式技術領域，尤其是涉及一種基于節(jié)能機制的人體行為識別方 法及客戶端。
【背景技術】
[0002] 人體行為識別是通過采集一個或多個人體活動時產(chǎn)生的活動信息來識別其活動 狀態(tài)或環(huán)境特征。人體行為識別已被運用于多個領域，例如健康監(jiān)測、智能家居服務、運動 傷害預測等。隨著智能手機的廣泛應用，它在人體行為識別方面起了很大的作用。它內(nèi)置多 種傳感器，例如加速度傳感器、陀螺儀、光敏傳感器等，可采集用戶的行為特征數(shù)據(jù)，通過機 器學習算法對用戶的行為進行識別。由于智能手機的普遍性、便攜性與可編程性，使得它相 對于其他人體行為識別設備具備的優(yōu)勢是，它們可以隱式地、不打擾地、實時地利用后臺程 序采集用戶的行為特征數(shù)據(jù)，并實時地進行識別，成本較低，無需額外硬件設備的支持。
[0003] 但對于這種實時監(jiān)測的移動設備而言，能量消耗量大成為一個主要的問題。對于 一個行為識別系統(tǒng)而言，內(nèi)置傳感器的數(shù)據(jù)采集、特征的提取和識別算法的運行都是能量 消耗的主要部分，而這三個部分又是行為識別系統(tǒng)的關鍵。因此無論識別精確度有多高，能 量消耗太大將會成為行為識別系統(tǒng)實用性與有效性方面的障礙。像智能手機這種行為識別 系統(tǒng)可通過許多方式來降低能量的消耗，例如降低數(shù)據(jù)采集的采樣率、減少觸發(fā)內(nèi)置傳感 器的數(shù)量、簡化特征提取工作、降低識別算法的復雜度等。但由于這些方法往往會導致識別 精確度的降低，因此需要找到合適的方法來權衡識別精確度和能量節(jié)約問題。
[0004] 現(xiàn)已有一些工作分別從數(shù)據(jù)采集、特征提取、識別算法等方面考慮如何降低識別 系統(tǒng)的能量消耗。已有研究認為采樣率過高會消耗大量系統(tǒng)的能量，而低采樣率可能會導 致一些采樣數(shù)據(jù)的丟失，從而導致識別精確度的下降。因此需要找到一種權衡系統(tǒng)能量節(jié) 約與識別精確度的方法。但他們通過實驗研究發(fā)現(xiàn)，低采樣率對于長時間的行為監(jiān)測是可 用的。另外他們還發(fā)現(xiàn)，在移動設備上運行分類算法是十分耗時和耗能的，其中分類算法中 的滑動窗口往往固定為常數(shù)，這不但會降低檢測短暫性行為的能力，還會消耗大量系統(tǒng)的 電量資源。
[0005] 因此，他們提出一種基于智能手機內(nèi)置三維加速度傳感器的節(jié)能行為識別方法。 雖然這種方法最后達到了能量節(jié)約的目的，仍存在一些不足之處。首先，它是以降低數(shù)據(jù)采 集時的采樣率為代價來減少能量消耗，也許低采樣率對靜態(tài)行為的識別影響不大，但采樣 率過低會造成動態(tài)行為的識別精確度下降；其次，該方法提出先提取數(shù)據(jù)樣本的時域特征 與模板進行樣本匹配，若識別不出具體行為時再增加提取頻域特征，用分類算法進行進一 步識別，這樣不但會降低整體的識別精確度，還會耗費許多不必要的能源開支。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術問題是:提供基于節(jié)能機制的人體行為識別方案，能夠在 維持較高識別精確度的前提下盡量減小能量的消耗。
[0007] 為了解決上述技術問題，本發(fā)明采用的技術方案為：提供一種基于節(jié)能機制的人 體行為識別方法，包括：
[0008] si、采用初始采樣率采集人體行為樣本數(shù)據(jù)，提取初始子特征，初步識別人體行 為；
[0009] S2、調(diào)整采樣率和子特征為對應該初步識別的人體行為的最佳采樣率和子特征組 合，并繼續(xù)識別人體行為；
[0010] S3、若繼續(xù)識別的人體行為發(fā)生變化，則調(diào)整采樣率和子特征組合至相應人體行 為的最佳采樣率和子特征組合，返回步驟S2;若無法識別人體行為，則返回步驟S1。
[0011] 為解決上述問題，本發(fā)明還提供一種基于節(jié)能機制的人體行為識別客戶端，包括：
[0012] 采集模塊，用于以不同的采樣率采集人體行為的樣本數(shù)據(jù)；
[0013] 子特征提取模塊，用于提取樣本數(shù)據(jù)的子特征；
[0014] 識別模塊，用于根據(jù)子特征識別人體行為；
[0015] 調(diào)整模塊，用于調(diào)整采樣率和子特征為對應識別的人體行為的最佳采樣率和子特 征組合。
[0016] 本發(fā)明的有益效果在于：區(qū)別于現(xiàn)有技術采用統(tǒng)一的采樣率和子特征，本發(fā)明根 據(jù)不同行為采用不同的采樣頻率并提取不同的子特征，在保證識別精度的同時大大降低了 能量消耗。
【附圖說明】
[0017] 圖1為本發(fā)明實施例一的人體行為識別方法示意圖；
[0018] 圖2為本發(fā)明實施例二中HTL分類結(jié)構示意圖；
[0019] 圖3為本發(fā)明實施例二中改進分類算法的行為識別方法示意圖。
【具體實施方式】
[0020] 為詳細說明本發(fā)明的技術內(nèi)容、所實現(xiàn)目的及效果，以下結(jié)合實施方式并配合附 圖予以說明。
[0021] 本發(fā)明最關鍵的構思在于:發(fā)明人經(jīng)研究發(fā)現(xiàn)靜態(tài)行為不需要太高的采樣率，并 且只需要提取時域特征就能獲得較高的精確度，因此本發(fā)明根據(jù)不同行為采用不同的采樣 率和提取不同的子特征，可大大減小能耗。
[0022] 本發(fā)明提供一種基于節(jié)能機制的人體行為識別方法，包括：
[0023] S1、采用初始采樣率采集人體行為樣本數(shù)據(jù)，提取初始子特征，初步識別人體行 為；
[0024] S2、調(diào)整采樣率和子特征為對應該初步識別的人體行為的最佳采樣率和子特征組 合，并繼續(xù)識別人體行為；
[0025] S3、若繼續(xù)識別的人體行為發(fā)生變化，則調(diào)整采樣率和子特征組合至相應人體行 為的最佳采樣率和子特征組合，返回步驟S2;若無法識別人體行為，則返回步驟S1。
[0026] 由以上描述可知，本發(fā)明的有益效果在于：區(qū)別于現(xiàn)有技術采用統(tǒng)一的采樣率和 子特征，本發(fā)明根據(jù)不同行為采用不同的采樣頻率并提取不同的子特征，在保證識別精度 的同時大大降低了能量消耗。
[0027] 進一步的，在步驟S1和S2中，若在一個SW中識別出行為Ai占所有行為的百分比最 多且大于等于行為狀態(tài)轉(zhuǎn)換閾值RT，則確定人體行為為行為Ai。
[0028] 進一步的，采集人體行為樣本數(shù)據(jù)后對樣本數(shù)據(jù)進行預處理，所述預處理包括去 噪處理，包括異常值移除處理、數(shù)據(jù)歸一化處理和降維處理。
[0029] 由上述描述可知，對行為數(shù)據(jù)進行規(guī)范化預處理，可去除采集到的行為數(shù)據(jù)的異 常值，并將其進行歸一化及降維處理，提高數(shù)據(jù)構造分類器的合理性、有效性及成功率。
[0030] 進一步的，所述子特征包括時域特征、頻域特征或時域頻域組合特征；
[0031] 所述最佳采樣率和子特征組合根據(jù)以下目標函數(shù)和約束條件確定：
[0032]目標函數(shù)為
[0034]約束條件的約束方程為
[0036] 由上述描述可知，最佳采樣率和子特征組合在滿足最低識別精度的條件下實現(xiàn)能 耗最小化。
[0037] 進一步的，利用SVM(Support Vector Machine)算法識別人體行為，其中構造 HTL (Holistic Triple Learning)樹將出現(xiàn)概率較高的行為的分類器置于HTL樹的較高層次， 把出現(xiàn)概率較低的活動的分類器置于HTL樹的較低層次，減少分類器使用次數(shù)以進一步減 小能量消耗。
[0038] 由上述描述可知，本發(fā)明利用SVM算法和行為發(fā)生的概率相結(jié)合的方式，以此來減 少分類器的運行次數(shù)，降低識別的時間復雜度，從而達到降低能量消耗的目的。
[0039]進一步的，所述初始采樣率為100Hz，所述初始子特征為時域頻域組合特征。
[0040]由上述描述可知，初始采樣率采用較高頻率，保證初步識別精度。
[0041 ]進一步的，所述人體行為包括靜態(tài)行為和動態(tài)行為。
[0042] 本發(fā)明還提供一種基于節(jié)能機制的人體行為識別客戶端，包括：
[0043] 采集模塊，用于以不同的采樣率采集人體行為的樣本數(shù)據(jù)；
[0044]子特征提取模塊，用于提取樣本數(shù)據(jù)的子特征；
[0045] 識別模塊，用于根據(jù)子特征識別人體行為；
[0046] 調(diào)整模塊，用于調(diào)整采樣率和子特征為對應該初步識別的人體行為的最佳采樣率 和子特征組合。
[0047]進一步的，還包括預處理模塊，用于對采集的樣本數(shù)據(jù)進行預處理，所述預處理包 括去噪處理，包括異常值移除處理、數(shù)據(jù)歸一化處理和降維處理。
[0048] 進一步的，所述子特征包括時域特征、頻域特征或時域頻域組合特征。
[0049] 實施例一
[0050] 請參照圖1，本發(fā)明實施例一提供一種基于節(jié)能機制的人體行為識別方法，具體包 括以下步驟：
[0051] 步驟1、利用加速度傳感器和陀螺儀這兩種最基本的傳感器采集人體行為樣本數(shù) 據(jù)。加速度傳感器和陀螺儀這兩種傳感器采集數(shù)據(jù)可分別產(chǎn)生三維的樣本數(shù)據(jù)，其中可選 的采樣率為0.5Hz、2Hz、10Hz、20Hz、50Hz和100Hz，本實施例中先采用較高的頻率100Hz為初 始采樣率，以保證初步識別的精度。加速度傳感器在X、Y和Z軸方向上采集的加速度可表示 為Acce 1 erat ion = {xa，ya，za}，陀螺儀采集的三個方向角方位角(α)、傾斜角(β)和旋轉(zhuǎn)角 (丫）可表示為〇rientation= {α〇，β〇, γ 〇} 0
[0052] 步驟2、對采集到的行為樣本數(shù)據(jù)進行規(guī)范化預處理，具體包括：
[0053]異常值移除處理:移除行為特征向量中的異常樣本數(shù)據(jù)；
[0054]歸一化處理:將經(jīng)異常值移除處理的行為特征向量中的各維數(shù)據(jù)限制在預設的范 圍內(nèi)；
[0055] 降維處理:將經(jīng)歸一化處理的行為特征向量經(jīng)線性或者非線性變換映射到一個低 維空間。
[0056] 步驟3、對預處理之后的樣本數(shù)據(jù)提取子特征，所述子特征包括時域特征、頻域特 征和時域頻域組合特征三種情況，時域和頻域下提取的子特征具體如下表1所示：
[0057] 表 1
[0059] 本實施例中，為了保證識別精度，首先采用時域頻域組合特征為初始子特征，即同 時提取時域特征和頻域特征。
[0060] 步驟4、對提取的子特征進行分類，根據(jù)分類結(jié)果結(jié)合子特征模板識別人體行為， 其中子特征模板是預先設置的，例如每個子特征對應一個人體行為。識別的人體行為主要 分為靜態(tài)行為和動態(tài)行為，其中靜態(tài)行為包括站、坐、蹲、隊著躺和仰臥躺，而動態(tài)行為包括 慢走、正常走、跑、跳、上樓梯和下樓梯。當然，具體也可根據(jù)需要設置更多的動作，例如抬 手、踢腿等。
[0061] 為了說明行為識別過程，先對以下參數(shù)進行說明，具體參見下表2:
[0062] 表 2
[0064] 在首個SW中，假設識別出Ai的數(shù)量比其他行為多，且識別出Ai的百分比大于等于 行為狀態(tài)轉(zhuǎn)換閾值RT時，則認為首個識別出的行為是Ai;
[0065] 步驟5、將采樣率和子特征組合轉(zhuǎn)換為Ai對應的最佳采樣率和子特征組合，令A0 = Ai，并向第二個窗口滑動。
[0066] 以下針對最佳采樣率和子特征組合進行說明。如前所述，本發(fā)明中采樣率可包括 0.5Hz、2Hz、10Hz、20Hz、50Hz和100Hz六種選擇，子特征則包括時域特征、頻域特征和時域頻 域組合特征三種選擇，因此，采樣率和子特征組合共有18種組合方式。
[0067] 通過精確度和能量消耗，用多目標優(yōu)化的方法建立目標函數(shù)和約束條件，尋找各 人體行為的最佳采樣率和子特征組合，以保持較高識別精確度并且盡量降低數(shù)據(jù)采集和特 征提取的能量消耗為研究目標，其目標函數(shù)為：
[0069]其中f(A)為最佳采樣率；
[0070] Accuracy為識別精確度；
[0071 ] Energyconsumption 為能量消耗；
[0072]約束條件是所選取的采樣率和特征組合獲得的識別精確度應該滿足最低下限要 求，其約束方程為：
[0074]通過上述方式預先確定各人體行為對應的最佳采樣率和子特征組合，并存儲在存 儲器中，當識別到人體行為為Ai時，則采用對應Ai的最佳采樣率和子特征。
[0075]步驟6、利用對應Ai的最佳采樣率和子特征組合采集和提取第二個SW內(nèi)的行為樣 本數(shù)據(jù)，并再次進行人體行為識別。
[0076]步驟7、若識別出Ai(Ai=A0)占所有行為的百分比最多且大于等于行為狀態(tài)轉(zhuǎn)換 閾值RT，則無需轉(zhuǎn)換采樣率和子特征組合，向下滑動窗口并返回步驟6;若識別出Ai (Ai辛 A0)占所有行為的百分比最多且大于等于行為狀態(tài)轉(zhuǎn)換閾值RT，則轉(zhuǎn)換為Ai對應的最佳采 樣率和子特征組合，令A0 = Ai，向下滑動窗口并返回步驟6;若無法識別出人體行為，則分別 將采樣率和子特征設置為初始值，g卩100Hz和時域頻域組合特征，并向下滑動窗口，返回步 驟1，直至所有數(shù)據(jù)都被識別
[0077]本實施例中，針對識別的不同行為采用相應的最佳采樣率和子特征組合，避免了 采用統(tǒng)一采樣率和子特征導致的不必要的能量消耗，在保證識別精度的前提下，大大減小 了能量消耗。
[0078] 實施例二
[0079] 本發(fā)明的實施例二在實施例一的基礎上做了進一步改進，在步驟4和步驟6的人體 行為識別過程中采用SVM分類算法。尤其的，采用改進的方式，即SVM分類算法與行為發(fā)生概 率相結(jié)合的方式，對提取的特征組合進行分類，識別出用戶不同的行為活動類別，具體為：
[0080] 用Least-Squares Support Vector Machine(LS-SVM)算法來訓練分類器來執(zhí)行 遞歸模型和HTL分類節(jié)點，其中HTL樹的構造算法如下：
[0082]首先需要構造 HTL樹，并根據(jù)HTL樹的結(jié)構來置放分類器，HTL樹的構造如圖2所示， 從根節(jié)點開始，分類器C1對待測行為進行識別，若識別為行為A1或A2,那么在經(jīng)過分類器C2 進行識別得出結(jié)果;若識別為其他行為，則下移一個層次至分類器C3再進行識別，直至最后 一個HTL分類節(jié)點的識別即可得出所有行為的類別。其中，將出現(xiàn)概率較高的行為(例如正 常走、坐）的分類器置于HTL樹的較高層次，把出現(xiàn)概率較低的行為(例如跳）的分類器置于 HTL樹的較低層次，減小識別過程中分類器的運行次數(shù)，以此來降低識別的時間復雜度，并 進一步降低能量消耗，最后可得到行為識別流程圖如圖3所示。
[0083] 實施例三
[0084] 本發(fā)明的實施例三涉及一種基于節(jié)能機制的人體行為識別客戶端，與實施例一和 實施例二的方法相對應，包括：
[0085] 采集模塊，用于以不同的采樣率采集人體行為的樣本數(shù)據(jù)；
[0086] 子特征提取模塊，用于提取樣本數(shù)據(jù)的行為子特征;所述子特征包括時域特征、頻 域特征或時域頻域組合特征；
[0087] 建立特征向量模塊，用于將行為數(shù)據(jù)的行為特征組合建立行為特征向量；
[0088]調(diào)整模塊，用于調(diào)整采樣率和子特征為對應該初步識別的人體行為的最佳采樣率 和子特征組合；
[0089]規(guī)范化預處理模塊，用于對采集的樣本數(shù)據(jù)進行預處理，所述預處理包括去噪處 理，包括異常值移除處理、數(shù)據(jù)歸一化處理和降維處理；
[0090] 存儲模塊，用于存儲用戶的行為數(shù)據(jù)、不同行為對應的最佳采樣率和子特征組合 關系以及行為狀態(tài)轉(zhuǎn)換閾值等；
[0091] 構造分類器模塊，用HTL樹結(jié)構與行為發(fā)生的概率相結(jié)合構造分類器；
[0092]分類識別模塊，對特征數(shù)據(jù)進行分類，并識別人體行為。
[0093] 綜上所述，本發(fā)明提供的基于節(jié)能機制的人體行為識別方法及客戶端，能夠在維 持較高識別精確度的前提下盡量減小能量的消耗。首先采用加速度傳感器和陀螺儀這兩種 最基本的傳感器采集數(shù)據(jù)，并要對從傳感器得到的原始樣本數(shù)據(jù)進行預處理，再對預處理 之后的樣本數(shù)據(jù)提取時域特征和頻域特征。然后利用改進的SVM分類算法對提取的特征集 進行分類，識別出用戶不同的行為活動類別。最后根據(jù)不同的行為采用最佳的采樣率和提 取最有效的特征組合，避免因采用固定的采樣率和子特征組合增加能量消耗。在識別算法 方面，本發(fā)明采用改進的SVM多類分類的結(jié)構，將行為發(fā)生的概率與之相結(jié)合，減小識別過 程中分類器的運行次數(shù)，以此來降低識別的時間復雜度，進一步減小了能量消耗。與現(xiàn)有技 術相比，本發(fā)明可以隱式地、不打擾地、實時地利用后臺程序采集用戶的行為特征數(shù)據(jù)，并 實時地進行識別，成本較低，無需額外硬件設備的支持。本發(fā)明節(jié)能機制的人體行為識別系 統(tǒng)的識別精確度可以高達90%以上，并且該方法消耗的能量比采樣率、子特征組合分別為 固定值時消耗的能量節(jié)約了一半。
[0094] 以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā) 明說明書及附圖內(nèi)容所作的等同變換，或直接或間接運用在相關的技術領域，均同理包括 在本發(fā)明的專利保護范圍內(nèi)。
【主權項】
1. 一種基于節(jié)能機制的人體行為識別方法，其特征在于，包括： 51、 采用初始采樣率采集人體行為樣本數(shù)據(jù)，提取初始子特征，初步識別人體行為； 52、 調(diào)整采樣率和子特征為對應該初步識別的人體行為的最佳采樣率和子特征組合， 并繼續(xù)識別人體行為； 53、 若繼續(xù)識別的人體行為發(fā)生變化，則調(diào)整采樣率和子特征組合至相應人體行為的 最佳采樣率和子特征組合，返回步驟S2;若無法識別人體行為，則返回步驟S1。2. 根據(jù)權利要求1所述基于節(jié)能機制的人體行為識別方法，其特征在于， 在步驟S1和S2中，若在一個SW中識別出行為Ai占所有行為的百分比最多且大于等于行 為狀態(tài)轉(zhuǎn)換闊值RT，則確定人體行為為行為Ai。3. 根據(jù)權利要求1所述基于節(jié)能機制的人體行為識別方法，其特征在于， 采集人體行為樣本數(shù)據(jù)后對樣本數(shù)據(jù)進行預處理，所述預處理包括去噪處理，包括異 常值移除處理、數(shù)據(jù)歸一化處理和降維處理。4. 根據(jù)權利要求1所述基于節(jié)能機制的人體行為識別方法，其特征在于， 所述子特征包括時域特征、頻域特征或時域頻域組合特征； 所述最佳采樣率和子特征組合根據(jù)W下目標函數(shù)和約束條件確定： 目標函數(shù)為5. 根據(jù)權利要求1-4任一項所述基于節(jié)能機制的人體行為識別方法，其特征在于，利用 SVM算法識別人體行為，其中構造 HTL樹將出現(xiàn)概率較高的行為的分類器置于HTL樹的較高 層次，把出現(xiàn)概率較低的活動的分類器置于HTL樹的較低層次。6. 根據(jù)權利要求1-4任一項所述基于節(jié)能機制的人體行為識別方法，其特征在于，所述 初始采樣率為lOOHz，所述初始子特征為時域頻域組合特征。7. 根據(jù)權利要求1-4任一項所述基于節(jié)能機制的人體行為識別方法，其特征在于，所述 人體行為包括靜態(tài)行為和動態(tài)行為。8. -種基于節(jié)能機制的人體行為識別客戶端，其特征在于，包括： 采集模塊，用于W不同的采樣率采集人體行為的樣本數(shù)據(jù)； 子特征提取模塊，用于提取樣本數(shù)據(jù)的子特征； 識別模塊，用于根據(jù)子特征識別人體行為； 調(diào)整模塊，用于調(diào)整采樣率和子特征為對應該初步識別的人體行為的最佳采樣率和子 特征組合。9. 根據(jù)權利要求8所述基于節(jié)能機制的人體行為識別客戶端，其特征在于，還包括： 預處理模塊，用于對采集的樣本數(shù)據(jù)進行預處理，所述預處理包括去噪處理，包括異常 值移除處理、數(shù)據(jù)歸一化處理和降維處理。10.根據(jù)權利要求8或9所述基于節(jié)能機制的人體行為識別客戶端，其特征在于，所述子 特征包括時域特征、頻域特征或時域頻域組合特征。
【文檔編號】G06F3/01GK106095101SQ201610429274
【公開日】2016年11月9日
【申請日】2016年6月16日
【發(fā)明人】陳志德, 吳紀蕓, 黃欣沂, 許力, 伍瑋, 鄭金花
【申請人】福建師范大學