[发明专利]根据传感器数据推导运动行为

说明书

技术领域

本发明涉及机器学习，并且更具体地说，涉及使用神经网络进行深度学习以基于原始传感器数据分析用户的运动行为。

背景技术

可以通过特征集诸如交通时段(session)的交通方式、驾驶时段的驾驶攻击性、步行时段的步行步速或步数等来描述用户的运动行为。

为了估计和总结该运动行为，传统的测量这些特征的方法要求用户穿戴专用传感器或运动捕捉设备。现今的大多数人携带智能手机，并且大多数智能手机包含传感器诸如加速度计、陀螺仪、磁力计、罗盘、气压计以及GPS，它们可以用作这些专用传感器或运动捕捉设备的廉价的且可广泛使用的替代品。

市场上已经存在利用智能手机传感器的一些特定应用，例如交通方式检测。例如，Android OS和Apple iOS均基于智能手机的传感器读数持续地执行交通方式检测。这些应用基于所谓的由规则集组成的分类器。然后机器学习算法通过处理大量手动标记的数据(即手动地与运动行为相关的传感器数据)来自动地生成这些规则。机器学习中的这种规则的自动生成也被称为训练。然后用于训练的数据被称为训练数据。

为了训练算法，需要对数据进行标记，即，必须将该规则集的期望结果添加至某输入数据集。例如，用标记诸如“步行”、“骑行”、“汽车”等对传感器读数流进行注释或标记，以便指示交通方式。机器学习算法使用该标记数据来学习如何自动地预测标记，并因而预测在先未见的数据样本(例如，传感器读数流)的结果。

上述解决方案的问题是需要大量的这种标记数据，以便正确地训练机器学习算法。当需要对多个运动和交通相关的分类进行预测时，所需的标记数据量进一步增加。此外，获得这种手动标记数据是难的和/或昂贵的，并且甚至实际上不可能手动地标记足够的数据来训练机器学习算法以预测一般的运动行为。

另一问题是通常提供不同的系统来执行运动分析。例如，用于交通方式检测和驾驶事件检测的系统被视为不同的系统。结果，每个系统均需要大量的手动标记训练数据，而一个系统的标记数据不能被另一个系统重复使用。

发明内容

本发明的目的是缓解上述缺点，并提供一种用于根据可从有限或减少的标记数据集训练的原始传感器数据来估计、预测或检测运动行为的方法和系统。

根据第一方面，通过一种用于通过包括一个或多个较低的隐藏层和一个或多个较高的隐藏层的神经网络估计移动通信设备的用户的运动行为的计算机实现方法来实现该目的。该方法包括以下步骤：

-从移动通信设备中的一个或多个传感器获得传感器数据。

-获得与用户的运动相关的测量值。

-用第一传感器数据集将测量值标记为弱标记数据。

-预训练一个或多个较低的隐藏层以根据第一传感器数据集估计测量值，以便估计用户的运动。

-获得第二传感器数据集；其中用第二集将用户的运动行为标记为标记数据。

-用标记数据训练神经网络中的一个或多个较高的隐藏层，以估计用户的运动行为，作为输出。

通过预训练，学习了如何融合来自不同传感器的数据流、如何从输入数据去除噪声和伪迹以及如何计算以有意义的方式表示和抽象化原始传感器数据的特征。对于预训练，不需要手动标记的数据样本，即不需要将传感器数据直接与用户的运动行为关联的数据样本。由于弱标记数据与标记数据高度相关，在预训练期间，将构建用标记的传感器数据训练神经网络所需的数据的内部表示。因此，可以因而用有限的标记数据集来准确地训练神经网络。标记数据需要将传感器数据与神经网络的输出关联，即直接与运动行为关联。该标记数据可以是手动标记的数据，即由人用标记手动注释的传感器数据。这种手动标记的数据是昂贵的，并且因此神经网络可以主要通过廉价的弱标记数据来训练是一个优点。此外，通过使用多个隐藏层，神经网络能够自动学习输入数据的分层的、稀疏的和分布式的表示。

训练还可以包括对所述神经网络中的一个或多个较低的隐藏层进行训练。通过这种方式，较低的隐藏层的参数在训练过程中被进一步微调，产生对运动行为的更准确的估计。

根据实施方案，所述方法还包括：

-在预训练之前，将输出层堆叠在一个或多个较低的隐藏层的顶部上，以计算用户的运动。

-在预训练之后，去除输出层并将一个或多个较高的隐藏层堆叠在一个或多个较低的隐藏层上。

输出层在预训练之后提供估计的用户运动。通过去除该输出层，估计的用户运动因而不会被馈送至较高的隐藏层，而只是预训练的较低的隐藏层的输出。这具有的优点在于向较高的隐藏层提供更加抽象的用户运动的表示。