一种居家行为实时自动识别方法

技术领域

本发明涉及智能家居技术领域，特别是指一种居家行为实时自动识别方法。

背景技术

近年来，随着社会市场经济的发展以及医疗知识储备和相关技术水平的提升，人类的平均寿命也不断增长，导致人口老龄化问题越来越严重。根据联合国《2015年全球人口发展报告》中的预测，2015年全球60岁以上的老龄人口约为9亿人，占世界总人口的12.3％，同时以3.26％的年均涨幅持续稳步增长，到2050年60岁以上的老龄人口在世界大部分国家和地区的人口比重将首次超过25％。目前,人口老龄化已逐渐成为一个备受关注的社会基础性问题。老年人与年轻人相比，其身体功能和记忆能力出现了一定程度的衰退，例如洗澡、上厕所、做饭等日常生活行为常常会陷入各种困难，为了能更好地照顾那些具有这种问题的独居老人，设计特定的智能家居环境受到了越来越多研究人员的关注。

利用智能家居技术解决独居老人生活问题的重要环节之一就是用智能设备识别和跟踪用户的家庭日常行为。在智能家居环境下，行为识别任务主要对用户的生活行为和所处的家庭环境进行监控和数据分析，从而推断用户日常行为的具体过程。日常行为识别在实现过程中主要面临两大问题：(1)使用何种传感器对用户及其所在家庭环境进行监控；(2)采用何种机器学习算法对监控数据进行处理。行为识别首先需要监控由行为执行引起的传感器信息、用户行为的时间和位置信息，然后基于监控信息设计行为识别的各种算法，以识别用户的具体行为。

国内外的研究成员对于智能家居环境下的行为监控与识别技术的研究已经比较深入，并且取得了很多优秀的成果。但现有的、传统的行为识别技术仍远远不能满足人们在智能家居中一些特殊的行为识别需求。其主要原因在于，智能家居环境中的行为监控技术是以不侵犯用户隐私、不破坏或改变用户日常生活习惯为基本前提的，而传统的基于视频图像和各种可穿戴传感器设备的行为监控方式经常会出现侵犯用户个人隐私或给用户的日常生活带来不便的情况。泛在智能(Ambient Intelligence,AMI)家居环境中行为的监控识别方式相比基于视频和穿戴式传感器的技术具有更好的发展前景。在AMI的条件下，行为的监控和识别可以通过非入侵式的设备，以透明的、不可见的方式监控和识别用户的各种日常居家行为，很大程度上保护了用户隐私且不给用户造成额外的负担。

发明内容

本发明实施例提供了居家行为实时自动识别方法，能够在不侵犯用户个人隐私或给用户的日常生活带来不便的情况，实现实时居家行为自动识别。所述技术方案如下：

一方面，提供了一种居家行为实时自动识别方法，包括：

将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别；

对每个滑动窗口提取特征向量，其中，所述特征向量包括：滑动窗口的行为类别、起始时间、结束时间、是否发生于周末、滑动窗口中最后一个传感器事件对应的传感器的索引值及每个传感器在本滑动窗口中经传感器互信息修正的出现次数；

利用提取的滑动窗口的特征向量训练支持向量机模型，并使用遗传算法为支持向量机模型自动选择最优超参数；

利用训练好的支持向量机模型进行实时居家行为识别。

进一步地，在将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别之前，所述方法还包括：

构建传感器事件的形式化模型；其中，所述传感器事件的形式化模型表示为：

e

其中，d

基于构建的传感器事件的形式化模型，随着时间的推移收集一系列连续的传感器事件，构成传感器事件序列{e

进一步地，所述将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别包括：

将传感器事件序列{e

将每个滑动窗口中最后一个传感器事件对应的行为类别作为该滑动窗口的行为类别。

进一步地，所述对每个滑动窗口提取特征向量包括：

计算每两个传感器之间的互信息；

为每一个滑动窗口W

进一步地，每两个传感器之间的互信息表示为：

其中，MI(i,j)表示第i个传感器s

进一步地，构建的特征向量表示为：

x

其中，t

w

其中，m∈{1,2，…，M}，o

进一步地，所述利用提取的滑动窗口的特征向量训练支持向量机模型，并使用遗传算法为支持向量机自动选择最优超参数包括：

确定支持向量机模型的可变超参数；其中，所述可变超参数包括：核函数，惩罚系数，核函数系数和多项式次数，其中多项式次数仅在核函数为多项式函数时有效；

利用提取的滑动窗口的特征向量训练支持向量机模型，在训练过程中，采用遗传算法为支持向量机模型选择最优超参数值。

进一步地，所述采用遗传算法为支持向量机模型选择最优超参数值包括：

对不同的超参数组合进行二进制基因编码：根据每一个超参数的取值范围确定其所占的二进制位数，将所有超参数对应的二进制编码顺序相连，构成一个完整的二进制基因序列；

利用选择、交叉、变异算子迭代求取最优超参数取值：

A1，随机初始化一系列二进制基因序列作为初始种群；

A2，计算每个二进制基因序列的适应度值；

A3，选择适应度值大于预设阈值的多个二进制基因序列作为下一代种群的一部分，并选择其中一部分二进制基因序列执行交叉和变异操作，生成更多新的二进制基因序列，将其作为下一代种群的另一部分；

A4，迭代执行A2-A3，直至收敛，选择收敛后适应度值最高的二进制基因序列对应的超参数值作为支持向量机模型的最优超参数。

进一步地，适应度值表示为：

其中，macroF

其中，macroF

其中，macroP表示不同行为类别中实际类别和预测类别相符合的样本平均占比，macroR表示当前支持向量机模型针对不同行为类别的样本能做出准确类别预测的平均概率，macroP和macroR分别定义为：

和

其中，n表示行为类别的总个数，tp

进一步地，所述利用训练好的支持向量机模型进行实时居家行为识别包括：

当监控到一个新的传感器事件，将该新的传感器事件和它的前L-1个传感器事件一起构成一个滑动窗口；

对该滑动窗口提取特征向量；

将该特征向量作为训练好的支持向量机模型的输入，训练好的支持向量机模型预测该滑动窗口的行为类别，并将其作为该新的传感器事件的行为类别，实现实时居家行为识别。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明实施例中，将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别；对每个滑动窗口提取特征向量；利用提取的滑动窗口的特征向量训练支持向量机模型，并使用遗传算法为支持向量机模型自动选择最优超参数；利用训练好的支持向量机模型进行实时居家行为识别。这样，采用基于遗传算法优化的支持向量机模型，能够在不侵犯用户个人隐私或给用户的日常生活带来不便的情况下，实现实时居家行为自动识别。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的居家行为实时自动识别方法的流程示意图；

图2为本发明实施例提供的居家行为实时自动识别方法的数据流向示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1所示，本发明实施例提供了一种居家行为实时自动识别方法，包括：

S101，将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别；

S102，对每个滑动窗口提取特征向量，其中，所述特征向量包括：滑动窗口的行为类别、起始时间、结束时间、是否发生于周末、滑动窗口中最后一个传感器事件对应的传感器的索引值及每个传感器在本滑动窗口中经传感器互信息修正的出现次数；

S103，利用提取的滑动窗口的特征向量训练支持向量机模型，并使用遗传算法为支持向量机模型自动选择最优超参数；

S104，利用训练好的支持向量机模型进行实时居家行为识别。

本发明实施例所述的居家行为实时自动识别方法，将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别；对每个滑动窗口提取特征向量；利用提取的滑动窗口的特征向量训练支持向量机模型，并使用遗传算法为支持向量机模型自动选择最优超参数；利用训练好的支持向量机模型进行实时居家行为识别。这样，采用基于遗传算法优化的支持向量机模型，能够在不侵犯用户个人隐私或给用户的日常生活带来不便的情况，实现实时居家行为自动识别。

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，在将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别之前，所述方法还包括：

构建传感器事件的形式化模型；其中，所述传感器事件的形式化模型表示为：

e

其中，d

基于构建的传感器事件的形式化模型，随着时间的推移收集一系列连续的传感器事件，构成传感器事件序列{e

本实施例中，需要对收集的每个传感器事件人工标注其行为类别。

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，所述将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别包括：

将传感器事件序列{e

将每个滑动窗口中最后一个传感器事件对应的行为类别作为该滑动窗口的行为类别。

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，所述对每个滑动窗口提取特征向量包括：

计算每两个传感器之间的互信息；

为每一个滑动窗口W

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，每两个传感器之间的互信息表示为：

其中，MI(i,j)表示第i个传感器s

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，构建的特征向量表示为：

x

其中，t

w

其中，m∈{1,2，…，M}，o

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，所述利用提取的滑动窗口的特征向量训练支持向量机模型，并使用遗传算法为支持向量机自动选择最优超参数包括：

确定支持向量机模型的可变超参数；其中，所述可变超参数包括：核函数，惩罚系数，核函数系数和多项式次数，其中多项式次数仅在核函数为多项式函数时有效；

利用提取的滑动窗口的特征向量训练支持向量机模型，在训练过程中，采用遗传算法为支持向量机模型选择最优超参数值。

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，所述采用遗传算法为支持向量机模型选择最优超参数值包括：

对不同的超参数组合进行二进制基因编码：根据每一个超参数的取值范围确定其所占的二进制位数，将所有超参数对应的二进制编码顺序相连，构成一个完整的二进制基因序列；

利用选择、交叉、变异算子迭代求取最优超参数取值：

A1，随机初始化一系列二进制基因序列作为初始种群；

A2，计算每个二进制基因序列的适应度值；

A3，选择适应度值大于预设阈值的多个二进制基因序列作为下一代种群的一部分，并选择其中一部分二进制基因序列执行交叉和变异操作，生成更多新的二进制基因序列，将其作为下一代种群的另一部分；

A4，迭代执行A2-A3，直至收敛，选择收敛后适应度值最高的二进制基因序列对应的超参数值作为支持向量机模型的最优超参数。

本实施例中，提供的遗传算法为支持向量机模型自动选择最优超参数取值时的二进制编码方案如表1所示：

表1 二进制编码方案

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，适应度值表示为：

其中，macroF

其中，macroF

其中，macroP表示不同行为类别中实际类别和预测类别相符合的样本平均占比，macroR表示当前支持向量机模型针对不同行为类别的样本能做出准确类别预测的平均概率，macroP和macroR分别定义为：

和

其中，n表示行为类别的总个数，tp

在前述居家行为实时自动识别方法的具体实施方式中，进一步地，所述利用训练好的支持向量机模型进行实时居家行为识别包括：

当监控到一个新的传感器事件，将该新的传感器事件和它的前L-1个传感器事件一起构成一个滑动窗口；

对该滑动窗口提取特征向量；

将该特征向量作为训练好的支持向量机模型的输入，训练好的支持向量机模型预测该滑动窗口的行为类别，并将其作为该新的传感器事件的行为类别，实现实时居家行为识别。

综上，如图2所示，本发明实施例所述的居家行为实时自动识别方法，通过随着时间的推移收集一系列传感器事件，构成传感器事件序列，其中，需要对收集的每个传感器事件人工标注其行为类别；将传感器事件序列划分为一系列固定长度的滑动窗口，并将每个滑动窗口中最后一个传感器事件的行为类别作为该滑动窗口的行为类别；为每一个滑动窗口提取特征向量，将提取的特征向量作为支持向量机模型的训练数据；用训练数据对支持向量机模型进行训练，在训练过程中，利用遗传算法为支持向量机模型自动选择最优超参数。这样，每当监控到一个新的传感器事件，即可和它之前的多个连续传感器事件一起构成一个滑动窗口，并用训练好的支持向量机模型识别该滑动窗口所属的行为类别，并将其作为当前最新传感器事件的行为类别，从而实现居家行为的实时自动识别。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。