一种基于集成学习策略的活动识别方法及系统技术方案

本发明专利技术公开了一种基于集成学习策略的活动识别方法及系统，方法按如下步骤：S1.将传感器安装于人体关键部位，实时采集人体相关生理信号；S2.通过信息融合将所采集的连续生理信号进行融合；S3.基于特征选择，选择适用于活动识别的集成特征选择方法；S4.针对活动识别中涉及多分类任务，选择基于分解策略和集成学习技术的分类系统，用于活动类型的自动识别。本发明专利技术经过活动识别数据集检验，不仅能够筛选出有用的特征，与现有技术相比，还提升了识别准确率，能更加有效解决实际应用中的活动识别问题。题。题。

【技术实现步骤摘要】
一种基于集成学习策略的活动识别方法及系统


[0001]本专利技术活动识别以及数据挖掘
，尤其涉及一种基于集成学习策略的活动识别方法及系统。

技术介绍

[0002]近来，人类活动识别受到大量关注，在老年人保健、情绪监测、人机交互等领域都有着广泛的应用，例如，对糖尿病人实时活动监测可以让医生尽早发现其风险从而进行治疗，音乐软件可以感知用户当前的活动状态来推荐适合该活动的特定类型的音乐。此外，如智能会议室和智能医院，也依赖于活动识别，以提供多模式交互。传统活动识别的监测采用摄像头或一些大型监测设备，其受限于成本及技术无法做到连续有效监测。在过去的十几年中，科技发展迅速，传感器等移动设备展现出了前所未有的特性，它们的低成本以及便携性使得其可连续测量如心电图(ECG)、胸电阻抗(TEB)等生理信号，这些数据信息包含有关人体生理和情绪状态的信息，可以更有效地应用于活动识别。
[0003]目前主要采用单种生理信号采集策略，少有多生理信号源融合的活动识别实践。另一方面，活动类型丰富多样，因此活动识别是一个复杂的多分类问题，而不是现有研究关注的二分类问题。此外，现有实践更多关注活动识别数据采集策略而忽略了分类器的构建。
[0004]由上可知，虽然现有关于活动识别的方法很多，但是这些研究受制于特征维度灾难和分类器性能低下的困扰。因此针对现有研究的不足，有必要提出一种活动识别系统以解决实际应用中的活动识别问题。基于此现状，本专利技术主要基于OVO分解策略，利用集成特征选择技术筛选特征，采用集成学习技术构建一个强大的活动识别分类器系统，因此能更准确的解决活动识别问题，解决人们生活实际需求。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术提出了一种基于集成学习策略的活动识别方法及系统，通过可穿戴的小型传感器测量人体生理信号，通过离散化方法处理连续信号，通过集成特征选择初步筛选数据集的特征，通过OVO分解策略把多种活动的分类问题分解成多个二种活动的分类子问题；然后对于每个子问题，随机选择一定比例特征划分训练集和验证集，每次选取在验证集上正确率最高的活动分类器并重复一定次数，为每个子问题构建分类器集成，并最终组合为多类活动分类系统。
[0006]为了实现以上目的，本专利技术采用以下技术方案：
[0007]一种基于集成学习策略的活动识别技术，包括：
[0008]S1.数据采集：将传感器安装于人体关键部位，实时采集人体相关生理信号；
[0009]S2.数据预处理：通过信息融合将所采集的连续生理信号进行融合；
[0010]S3.集成特征选择：基于特征选择，选择适用于活动识别的集成特征选择方法；
[0011]S4.构建活动自动分类系统：针对活动识别中涉及多分类任务，选择基于分解策略和集成学习技术的分类系统，用于活动类型的自动识别。
[0012]优选的，所述步骤S1具体包括：
[0013]S11.触发受试者不同的活动状态；
[0014]S12.连续测量人体生理信号。
[0015]优选的，所述步骤S2具体包括：
[0016]S21.生理信号离散化；
[0017]S22.生理信号特征提取。
[0018]优选的，所述步骤S3具体包括：
[0019]S31.计算每个特征在每种方法的权重；
[0020]S32.特征选择结果的聚合。
[0021]优选的，所述步骤S4具体包括：
[0022]S41.把多种活动分类问题划分为二种活动分类子问题；
[0023]S42.活动分类器的获取；
[0024]S43.多类活动分类系统的构建；
[0025]S44.预测活动类别；
[0026]进一步的，所述步骤S11具体包括：
[0027]通过四种活动触发受试者四种活动状态：中性活动由观看纪录片触发，情绪活动由看电影片段触发，脑力活动由玩游戏触发，体力活动由运动触发。
[0028]进一步的，所述步骤S12具体包括：
[0029]在处于不同活动状态时，受试者穿着一套传感服装，使用传感手套和手镯测量皮肤电活动(EDA)数据，使用记录器ECGZ2测量心电图(ECG)和胸电阻抗(TEB)数据。测量时，使用设备GSR记录EDA测量数据，使用传感背心记录ECG和TEB的数据。通过上述方法传感系统记录每个受试者的每种活动状态的生理数据，得到了原始数据。
[0030]进一步的，所述步骤S21具体包括：
[0031]在获得原始数据后，本专利技术对连续生理数据采取离散化处理，把连续的信号每隔几秒取一个离散点，得到离散数据。同时，本专利技术通过广泛的文献综述从测量数据中提取出与活动识别相关的特征，常见的有标准统计参数集(SSSP)以及基线(Baseline)等。
[0032]进一步的，所述步骤S22具体包括：
[0033]本专利技术通过广泛的文献综述从测量数据中提取出与活动识别相关的特征，常见的有标准统计参数集(SSSP)以及基线(Baseline)等。
[0034]进一步的，所述步骤S32具体包括：
[0035]本专利技术采用简单的聚合策略，每个基特征选择器筛选出若干个重要的特征并取并集得到初步处理的特征子集。
[0036]进一步的，所述步骤S41具体包括：
[0037]采用一对一(OVO)方法是一种用来解决多种活动分类问题的分解策略，把1个m种活动的分类问题分解为m(m
‑
1)/2个两种活动的分类子问题。
[0038]进一步的，所述步骤S42具体包括：
[0039]该活动自动分类系统的关键部分是生成互补的、准确的和多样化的活动分类器。为了保证分类器的多样性，对于每个子问题，本专利技术每次随机选择一定比例的特征，得到多个特征子集，并用它们来训练基学习器以获得活动分类器池。获得分类器池后，为了从中选
出最佳候选分类器，每次在验证集上选择活动分类准确率最高的分类器。
[0040]进一步的，所述步骤S43具体包括：
[0041]假设每个活动分类子问题重复T次步骤S42，那么每个活动分类子问题集成包含了T 个分类器。本专利技术把m(m
‑
1)/2个子问题集成聚合在一起形成最终的多类集成，这样最终就形成了T*m(m
‑
1)/2个分类器组成的多类活动分类系统。
[0042]进一步的，所述步骤S44具体包括：
[0043]S441.构建置信度矩阵
[0044]对于任意活动数据，活动自动分类系统将其中每个样本提交给每个二元分类器系统 MCS
ab
以获得置信度r
ab
，其中置信度是由分类器对第a类活动的投票数多少决定的。对于输入样本O，置信度可以按如下公式进行计算
[0045][0046]其中|MCS
ab
(a|O)|代表二元分类器系统MCS
ab
中的活动识别分类器将输入样本O分为 a类活动的分类器个数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习策略的活动识别方法，其特征在于：按如下步骤：S1.将传感器安装于人体关键部位，实时采集人体相关生理信号；S2.通过信息融合将所采集的连续生理信号进行融合；S3.基于特征选择，选择适用于活动识别的集成特征选择方法；S4.针对活动识别中涉及多分类任务，选择基于分解策略和集成学习技术的分类系统，用于活动类型的自动识别。2.根据权利要求1所述的基于集成学习策略的活动识别方法，其特征在于：步骤S1具体如下：S11.人体穿着传感服装，使用传感手套和手镯测量皮肤电活动数据，使用记录器ECGZ2测量心电图和胸电阻抗数据；使用设备GSR记录EDA测量数据，使用传感背心记录ECG和TEB的数据；S12.通过改变人体所处状态，利用传感器采集每个人体在不同活动状态下的生理数据。3.根据权利要求2所述的基于集成学习策略的活动识别方法，其特征在于：步骤S2具体如下：S21.在得到原始生理数据后，把连续的生理信号每隔几秒取一个离散点获得离散化数据；S22.采用包括中位数、标准差、基线指标，从测量数据中提取出与活动识别相关的特征数据。4.根据权利要求3所述的基于集成学习策略的活动识别方法，其特征在于：步骤S3具体如下：S31.基于特征重要性度量方法计算每个特征对于活动识别的重要性；S32.在不同特征度量方法下按特征重要性进行排序，按照规则筛选出重要的特征子集，然后将所获得的特征子集进行合并操作，完成特征选择操作。5.根据权利要求4所述的基于集成学习策略的活动识别方法，其特征在于：步骤S4具体如下：S41.采用一对一分解策略把m种活动识别任务分解为m(m...

【专利技术属性】
技术研发人员：张忠良，陶忱，张晨玥，雒兴刚，周青，武健，李科，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：