【技术实现步骤摘要】
本专利技术涉及人类行为识别，具体涉及一种基于智能手机的可解释人类行为识别方法及系统。
技术介绍
1、由于深度学习具有共同优化特征提取和模型构建的独特优势，现有基于智能手机传感器的人类行为识别方法采用深度学习架构(即卷积神经网络、长短期记忆网络或它们的组合)的趋势越来越多。而基于深度学习的人类行为识别模型在训练数据量足够的前提下，能够在传感器信号和相应的行为标签之间建立准确的关系。一些不同的行为(即“上楼”和“下楼”)具有相似甚至重叠的传感器信号，但它们与其他行为(“坐”和“站”)相关的信号明显不同，受到这一事实的启发，一些研究人员专注于在不同识别场景中使用基于树的分层行为结构。实验结果表明，分层结构有助于提高识别精度。总的来说，在实践中，可穿戴式har系统建设的各个方面都做出了显著的努力。
2、然而，从实际用户需求和传感器数据的角度来看，仍存在以下几个主要问题。一方面，现有的基于深度学习方法的人类行为识别方法难以为用户获得具有语义的可解释识别结果，特别是对于那些对结果准确性敏感的应用，具有解释意义的方法对于相关人员建立对方法的信任特别相关，比如医疗诊断。此外，复杂场景下有限的训练实例在一定程度上削弱了基于深度学习的识别系统的识别性能。另一方面，在智能手机采集数据的过程中由于外界环境的干扰、多传感器设备间的测量误差以及传感器会相对于人体位移或运动，传感器测量本身具有很大的不确定性，这也给构建准确有效的har系统带来了很大的困难。
技术实现思路
1、为了克服以上现有技术存在
2、为了实现上述目的，本专利技术采用的技术方案是：
3、一种基于智能手机的可解释人类行为识别方法，包括以下步骤；
4、步骤1，基于熵的自适应模糊划分：
5、基于智能手机内置传感器采集人类行为数据，数据表征为传感器采集的时序数据，对于从原始数据提取的时域特征和频域特征，首先采用基于熵的离散方法自适应划分边界，将连续的特征数据转换为离散区间，并用区间表征每个特征，然后采用梯形模糊划分的方法，得到每个样本的点的隶属度函数；
6、步骤2，挖掘细粒度下的规则：
7、挖掘原始类别标签与特征之间的关联关系，并保留支持度大于最小支持度阈值的项以生成频繁项集，并基于频繁项集生成可靠的候选规则集，以便建立细粒度下的人类行为识别模型(由对训练数据识别准确率最高的规则集组成)；对于步骤1中所述的隶属度函数，用于计算所挖掘到的频繁规则项的支持度与置信度，这种基于规则的分类方法是通过从数据中提取的规则来识别未知类别的样本，所产生规则库中的每条规则都是一个精炼的知识模块，从而具有较好的可解释性；
8、步骤3，基于改进的规则选择策略生成规则集
9、对于步骤2所得到的候选规则集，采用基于改进的规则选择策略生成细粒度下规则集预筛选与训练样本特征匹配并且能正确分类的规则，与传统规则选择策略不同的是，训练样本会同时激活规则库所有特征匹配的规则，当激活的规则结果类不一致时，将所有激活规则中不确定的标签信息通过demspter’s规则组合以判断该样本最终的标签；对于所获得的规则集提前用于识别训练数据集以建立识别结果对应的混淆矩阵，矩阵行、列分别用于表示样本实际类标签数和识别类标签数；
10、步骤4，数据驱动下采用分层聚类方法的粗类别分区：
11、对于步骤3中生成的混淆矩阵，采用分层聚类方法划分类别，建立粗粒度辨识框架；所提出的类别划分是指将类似的或是识别时容易混淆的行为的划分在同一集群中，混淆矩阵表示的是实际类别与预测类别间的混淆信息；通过混淆矩阵可以有效地分析类别(单个或者复合类别)与特征间的关联关系；
12、步骤5，挖掘粗粒度下的规则并建立规则集
13、对于步骤4建立的粗粒度辨识框架，采用结合自适应最小支持度阈值计算方法建立粗粒度下规则集
14、与细粒度相似，首先根据自适应的最小支持度阈值和初始的最小置信度阈值生成频繁项集和可靠的候选规则集，再选择合适的规则建立识别模型(由对训练数据识别准确率最高的规则集组成)；
15、步骤6，建立多框架证据关联规则人类行为识别模型：
16、在推导出不同识别框架的分类关联规则的基础上，通过模型优化和置信推理，建立并验证多框架识别模型，通过所建立的模型识别人类行为。
17、所述步骤1具体为：
18、步骤1.1：基于熵的自适应离散化，采用最小描述长度准则搜索连续特征的边界；这是一种使用熵最小化原理递归的选择最优的二边界，尽可能地搜索出特征与类别间熵值最小的特征区间，这些区间构成了数据初始的硬化分。
19、步骤1.2：对于步骤1.1中搜索出的区间，识别模型采用梯形模糊划分的方法将硬化分转化为梯形隶属度函数，以用于证据关联规则挖掘。
20、所述步骤2具体方式如下：
21、步骤2.1：根据人类行为数据进行建模，确定建模中所需的初始最小支持度阈值(定义为minsupf)和最小置信度阈值(定义为minconff)：
22、minsupf＝0.01，minconff＝0.8
23、步骤2.2：方法所述中的识别模型优势之一为可解释性，指以人类可以理解的方式显示计算机的内部定义可解释的规则形式；即对于一个具有m个类(ω＝{ω1,ω2,…,ωm})和p个特征的分类问题，假设规则库中第j条关联规则具有的前提特征数目为k，其基本结构表示为：
24、如果x1是且…且xp是则结论是ωj,规则权重为βj,
25、其中x＝{x1,x2,…,xp}表示数据特征集，表示前提模糊集，每一个对应特征xp的某一个模糊划分，ωj是规则的结论，规则权重βj用于刻画规则的可靠度，并以置信度度量；
26、步骤2.3：挖掘细粒度下的频繁项集并生成规则集；首先需要从原始数据库中找出所有的频繁项集f(其支持度大于最小支持度阈值)；之后，通过所获取的频繁项集产生强关联性规则(其置信度大于最小置信度阈值)；最终，按照优先级对所有规则排序；对于模糊划分，支持度和置信度通过对应特征的模糊隶属度函数计算，公式如下：
27、
28、
29、所述步骤3具体描述如下：
30、步骤3.1：首先计算样本对于某条规则匹配度，与硬化分不同的是，在模糊划分中，样本特征点与所对应的划分区间不一定是完全匹配，隶属度为1，需要通过匹配的特征与对应区间的隶属度函数计算规则与样本的匹配度(定义为(x,rj))，如公式(3-1)所示，其中表示第i个样本对第p个特征的隶属度；
31、
32、步骤3.2：在单框架下，首先计算样本对于规则中不确定类的信任程度，定义为mass函数m(·|rj)，公式如(3-2)所示，其中rj表示被激活的规则，规则权重βj具体由规则置信本文档来自技高网...
【技术保护点】
1.一种基于智能手机的可解释人类行为识别方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤2具体方式如下：
4.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤3具体描述如下：
5.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤4得聚类具体方法如下：
6.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤5具体方式如下：
7.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤6具体步骤如下：
8.根据权利要求1-7任一项所述一种基于智能手机的可解释人类行为识别方法的人类行为识别系统，其特征在于，包括识别系统、未知类别样本识别两个部分，通过智能手机自采数据集为系统建立所需的识别模型，并在应用于后期对未知
9.根据权利要求8所述的一种基于智能手机的可解释人类行为识别系统，其特征在于，所述识别系统的建立
10.根据权利要求9所述的一种基于智能手机的可解释人类行为识别系统，其特征在于，所述未知类别样本数据识别：
...【技术特征摘要】
1.一种基于智能手机的可解释人类行为识别方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤2具体方式如下：
4.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤3具体描述如下：
5.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征在于，所述步骤4得聚类具体方法如下：
6.根据权利要求1所述的一种基于智能手机的可解释人类行为识别方法，其特征...
【专利技术属性】
技术研发人员：耿小姣，陈新寰，马宗方，张国飞，宋琳，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。