[发明专利]融合运动和生理传感数据的层次化复杂活动识别方法

摘要

本发明公开了一种融合运动和生理传感数据的层次化复杂活动识别方法。包括：1)利用智能设备和穿戴式设备采集运动和生理传感数据；2)对运动传感数据提取统计特征，对生理传感数据提取结构特征和瞬态特征；3)对运动传感数据的统计特征进行K‑Means聚类和LDA主题提取，得到运动传感数据的主题分布；4)在运动传感数据的主题分布和生理传感数据的特征基础上，分别建立相应的分类器；5)采用分数级融合的方法将合分类器的输出，得到复杂活动分类模型。本发明利用聚类和主题模型表示复杂活动的层次化结构，且融合运动和生理传感数据，能实现准确地复杂活动识别，在智能家居、医疗保健、老年人辅助等领域具有广阔的应用前景。

主权项

1.一种融合运动和生理传感数据的层次化复杂活动识别方法，具体包括以下步骤：(1)采集运动传感数据和生理传感数据，并对两种数据进行异常值处理和特征提取，构建运动传感数据特征向量F_a和生理传感数据特征向量F_p；(2)将运动传感数据特征向量F_a进行K‑Means聚类和LDA主题提取，得到运动传感数据的主题分布，具体步骤包括：(2‑1)将所有窗口的运动传感数据特征向量F_a通过K‑Means聚类，得到K个簇，每个时间窗口的运动传感数据对应一个簇编号，K个簇为K个“词”；(2‑2)将N个窗口的运动传感数据视作一个复杂活动，为“文档”，统计每个文档在K个词上的分布，得到“文档”在“词”上的分布p(w|d)；(2‑3)将“文档”在“词”上的分布p(w|d)作为LDA主题模型的输入，经学习得出“文档”在“主题”上的分布p(z|d)，为运动传感数据的主题分布；(3)建立生理传感数据的分类器，将生理传感数据特征向量F_p作为该分类器的输入，计算得到生理传感数据在复杂活动上的概率向量P_p＝[P_p1,P_p2…,P_pm]，m为复杂活动类别的总数目；(4)建立运动传感数据的分类器，将运动传感数据的主题分布作为该分类器的输入，计算得到运动传感数据在复杂活动上的概率向量P_a＝[P_a1,P_a2,…,P_am]；(5)将概率向量P_a和概率向量P_p作为逻辑回归融合模型的输入数据，将复杂活动类型作为逻辑回归融合模型的真值标签，对逻辑回归融合模型进行训练，得到复杂活动分类模型；(6)利用步骤(1)～步骤(4)的方法采集并处理测试运动传感数据和测试生理传感数据，得到测试生理传感数据的概率向量P’_p和测试运动传感数据的概率向量P’_a，然后，将概率向量P’_p和概率向量P’_a输入到复杂活动分类模型中，计算得到复杂活动类型。