融合运动和生理传感数据的层次化复杂活动识别方法技术

本发明专利技术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。本发明专利技术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。

Hierarchical complex activity recognition method integrating motion and physiological sensing data

The invention discloses a hierarchical complex activity recognition method integrating motion and physiological sensing data. Include: 1) the use of smart devices and wearable devices to collect movement and physiological sensing data; 2) extract the statistical characteristics of motion sensing data extraction, structure characteristics and transient characteristics of physiological sensing data; 3) statistical characteristics of motion sensing data of K Means LDA clustering and topic extraction, motion sensing data subject distribution; 4) in the feature based theme distribution and physiological sensor data on the motion sensing data, establish the corresponding classifier; 5) output by using the method of score level fusion of the classifier, complex activity model. The hierarchical structure of the invention using clustering and topic models represent complex activities, and the fusion movement and physiological sensing data, can realize accurate recognition of complex activities, has broad application prospects in intelligent Home Furnishing, medical care, elderly assistance etc..

【技术实现步骤摘要】
融合运动和生理传感数据的层次化复杂活动识别方法
本专利技术涉及模式识别和普适计算领域，具体涉及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。
技术介绍
随着智能设备(如智能手机、智能手表等)和穿戴式设备(如胸带、手环等)的发展，加速度、角速度等运动传感数据以及心电、心率、呼吸率等生理传感数据的获取变得日益便捷，如何利用这些数据进行活动识别成为了业界关注的焦点，相应技术在智能家居、医疗保健、老年人辅助等领域具有广阔的应用前景。简单活动通常由周期性的动作或者人体单一姿势组成，如站立、坐、走路、跑步等。相比简单活动，复杂活动通常规律性不强，持续时间更长，且具有高级语义，如吃饭、工作、购物等。传统基于智能设备和穿戴式设备的活动识别方法通常首先采集用户的活动相关数据，然后对其进行预处理和分割，接着进行特征提取，最后利用特征数据训练一个活动识别模型。然而传统方法大部分仅基于运动传感数据，且通常只在简单活动上取得较高的识别准确率。识别简单活动不能满足许多实际应用的需求，复杂活动更能反映用户的日常生活，例如，在健康监护应用中，识别用户的复杂活动如吃药、康复训练等比简单活动更有价值。由于同一简单活动可对应多种复杂活动，如坐着可以是在工作、学习、开会、看电视、吃饭等，现有基于运动传感数据的活动识别方法不能有效分辨这些活动。因此出现了分层识别复杂活动的方法：将复杂活动看作简单活动的组合，人工定义简单活动，并基于领域知识建立简单活动与复杂活动的组成关系。然而，人工定义的简单活动难以覆盖到复杂活动的所有组成，容易造成信息丢失，导致对复杂活动难以进行准确表示。为进一步提高活动识别的性能，目前也出现了融合运动和生理传感数据的活动识别方法，在特征层面对运动和生理传感数据进行融合。但由于运动传感数据和生理传感数据特性不同，运动传感数据主要体现瞬态变化，而生理传感数据变化速度相对缓慢，加之复杂活动种类繁多，特征级融合不能有效整合特性不同的两类数据进行复杂活动识别。
技术实现思路
鉴于上述，本专利技术提出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，该方法将复杂活动看作多种简单活动的组合，结合聚类和主题模型来进行层次化的复杂活动识别。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Fa和生理传感数据特征向量Fp；(2)将运动传感数据特征向量Fa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；(3)建立生理传感数据的分类器，将生理传感数据特征向量Fp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Pp＝[Pp1,Pp2…,Ppm]，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Pa＝[Pa1,Pa2,…,Pam]；(5)将概率向量Pa和概率向量Pp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。所述的步骤(1)的具体步骤为：(1-1)采用智能设备和穿戴式设备采集用户在复杂活动时的运动传感数据和生理传感数据；(1-2)对运动传感数据和生理传感数据进行异常值消除处理，并将处理后的两种数据进行时间窗口划分；(1-3)对每个时间窗口的运动传感数据提取常用统计特征，构建运动传感数据特征向量Fa；(1-4)对每个时间窗口的生理传感数据提取结构特征和瞬态特征，构建生理传感数据特征向量Fp。所述的步骤(1-2)的具体步骤为：(1-2-1)对运动传感数据进行异常点检测，并对其中的值为零的数据进行插值处理；(1-2-2)对生理传感数据进行异位检测与替换，并将其中超出正常值范围的数据消除或进行均值填充；(1-2-3)对处理后的运动传感数据与生理传感数据进行时间窗口划分，生理传感数据的时间窗口大小是运动传感数据的时间窗口大小的整数倍N。步骤(1-3)中，所述的常用统计特征为常用的时域特征，包括：均值(Mean)、方差(Var)、标准差(Std)、中位数(Median)、最小值(Min)、最大值(Max)、四分位距(Iqr)、平均绝对偏差(Mad)以及根均方(Rms)。步骤(1-4)中，所述的结构特征的获取方法为：采用函数拟合生理传感数据变化，选取与生理传感数据拟合最好的函数的系数作为结构特征。所述的瞬态特征有两种，一是数据的变化趋势(上升、下降和维持不变)；二是数据的变化幅度。所述的步骤(2)的具体步骤为：(2-1)将所有窗口的运动传感数据特征向量Fa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。在得到运动传感数据的主题分布的过程中，每个簇相当于简单活动的无语义，也就是K个“词”，“文档”表示一个复杂活动，“主题”表示复杂活动的潜在语义。本专利技术结合聚类和主题模型来进行复杂活动识别，在分层表示复杂活动的结构时，能充分保留有效信息；同时，采用分数级融合的方法，保持运动和生理传感数据的独立性。与现有的方法相比，其优点在于：(1)将复杂活动看作简单活动组合，简单活动通过K-Means聚类生成，能充分保留复杂活动的组成部分，有效解决了信息丢失等问题；再利用LDA主题模型表示复杂活动的层次化结构，进而提高识别性能。(2)先针对不同的传感器数据，提取不同的特征向量，训练不同的识别分类器，然后再进行分数级融合，解决不同传感器数据类型不兼容的问题，能充分整合运动和生理传感数据对复杂活动的表征能力。(3)建立的模型能够有效识别类型丰富的复杂活动，实用性高，普适性好。附图说明图1是本专利技术层次化复杂活动识别方法的整体流程图；图2是本专利技术实施例数据处理的流程图；图3是本专利技术中LDA主题模型矩阵分解图；图4是本专利技术中复杂活动生成示意图；图5是本专利技术中不同数据分类器的构建流程图。具体实施方式为了更为具体地描述本专利技术，下面结合附图及具体实施方式对本专利技术的技术方案进行详细说明。如图1所示，本专利技术融合运动和生理传感数据的层次化复杂活动识别方法，具体包括数据处理阶段和模型训练阶段。在数据处理阶段，需要对采集到的数据进行处理，具体过程如下：步骤a-1，采用智能设备和穿戴式设备采集用户在复杂活动时的数据，其中数据包括运动传感数据和生理传感数据。此步骤中，数据的采集的具体方法为：首先，使用智能设备记录复杂活动时的各类运动传感数据，同时使用穿戴式设备来记录复杂活动时的各类生理传感数据，对于每一项复本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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Fa和生理传感数据特征向量Fp；(2)将运动传感数据特征向量Fa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；(3)建立生理传感数据的分类器，将生理传感数据特征向量Fp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Pp＝[Pp1,Pp2…,Ppm]，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Pa＝[Pa1,Pa2,…,Pam]；(5)将概率向量Pa和概率向量Pp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。2.根据权利要求1所述融合运动和生理传感数据的层次化复杂活动识别方法，其特征在于：所述的步骤(1)的具体步骤为：(1-1)采用智能设备和穿戴式设备采集用户在复杂活动时的运动传感数据和生理传感数据...

【专利技术属性】
技术研发人员：陈岭，彭梁英，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33