[发明专利]一种基于机会感知的行为识别方法和系统

说明书

本发明涉及一种基于机会感知的行为识别方法，包括：模型建立步骤，通过可穿戴传感器采集用户行为的初始数据，对该初始数据进行处理以构建用于识别该用户行为的感知模型；数据感知步骤，通过该可穿戴传感器采集该用户行为的增量数据；数据选择步骤，对该增量数据进行筛选，以从中获取机会数据；机会计算步骤，以该机会数据对该感知模型进行更新。

技术领域

本发明涉及普适计算、健康监护等领域，具体涉及基于机会感知的行为识别方法和模型。

背景技术

用户行为识别，尤其是可穿戴式行为识别，通过用户穿戴传感设备来感知其行为，是一个极具实际应用价值的研究问题。行为识别可用于监控工业加工流程，保障产品质量；还能够监护用户(特别是老人、残障人士等群体)日常生活，提高其独立健康生活的能力，提升医疗监护的水平；促进新型人机交互设备、运动及娱乐器械的研发，广泛运用于工业生产、健康监护、生活辅助、智能人机交互、运动娱乐等众多领域，对提高企业生产效率、应对老龄化社会和发展体育文化产业等都具有重要的作用。

现有专利针对行为识别主要使用固定模型。专利CN201710703259.6对测试视频每一帧进行重要程度预测，并基于重要程度的高低，对视频帧进行池化编码操作来识别行为。专利CN201711128829.X，使用位移直方图对视频行为进行表征，并利用矩阵余弦相似度的方法来判别行为。专利CN201610139450.8 利用卷积神经网络，对光流图序列提取CNN特征，通过权重优化网络学习权重，并将CNN特征分类网络和人工设计特征分类网络的概率输出进行加权融合，通过对比识别结果得出最优权重，以此得到更可高的行为识别结果。专利CN201410532519.4利用最小相关最大冗余算法和贝叶斯正则化的稀疏多项式逻辑回归算法，对惯性传感器样本集进行特征选择处理；再利用模糊最小二乘支持向量机，获得人体行为的识别结果。专利CN201310439425.8将传感数据通过小波函数变换为小波特征向量；基于小波特征向量进行行为的特征值的抽取，得到行为的特征集；并对其训练得到行为分类器。专利CN201310428353.7 利用训练数据集计算最优投影矩阵，基于该矩阵对无标定数据进行头型，并对投影后的数据采用最小距离分类器分类，获得识别结果。该方法能够保留高维空间中样本之间距离的信息，减少识别模型对人工标注样本的依赖，识别效果优于有代表性的基于线性判别分析的人体行为识别方法。也有一些专利提供了一些自适应方案以实现更高的识别效果。专利CN201710235331.7采用可变大小的动态滑动窗口来处理实时加速度数据流，选择各特征值的平均值及引力作为投票依据，通过投票来进行分类。再通过增量学习过程来动态更新样本特征值，使其逐渐趋向于用户的行为习惯，以实现更好的识别。专利 CN201711061490.6融合视觉和可穿戴传感器的数据，利用深度神经网络进行异构迁移学习实现对缺失数据的重构，然后对利用softmax回归模型分类器进行分类；最后在根据用户个体特性对公共样本数据产生的深度网络模型进行自适应调整。专利CN201610429274.1对不同的行为采用不同的采样率并提取不同的特征，以得到相应人体行为的最佳采样率和子特征组合，进而在维持较高识别精确度的前提下大大减小能量消耗。

然而，对于用户行为识别而言，感知面临着机会性变化，这种不可预期的变化可能源于用户个性化且多变的行为，复杂多变的用户环境，以及多样的感知设备等，使得固有的感知模型难以保持高精度的识别。因此，需要一种可以不断进化的模型，利用感知的机会变化，不断的对模型进行更新，使得模型在变化的情况下仍保持高精度的识别，具有良好的鲁棒性。

发明内容

针对上述问题，本发明提出一种基于机会感知的行为识别方法，包括：模型建立步骤，通过可穿戴传感器采集用户行为的初始数据，对该初始数据进行处理以构建用于识别该用户行为的感知模型；数据感知步骤，通过该可穿戴传感器采集该用户行为的增量数据；数据选择步骤，对该增量数据进行筛选，以从中获取机会数据；机会计算步骤，以该机会数据对该感知模型进行更新；熵评估步骤，设定熵增速率阈值，获取更新后的该感知模型的信息熵，若该信息熵的增加速率大于该熵增速率阈值，则对该机会计算步骤进行反馈调整；反馈调整步骤，调整该机会计算步骤的模型参数。