[发明专利]基于二叉树的动物运动行为类别建模及判别方法、装置

权利要求书

1.一种基于二叉树的动物运动行为类别建模方法，其特征在于，包括以下步骤：

1)获取用于设置在动物体上三轴加速度传感器的三轴加速度数据的统计特征量，所述统计特征量包括各轴均值、各轴标准差、各轴偏度、各轴峰度、各轴最大值和各轴最小值以及总体标准差、总体能量、总体幅度、总体矢量幅度、总体熵和总体倾角，以统计特征量作为测试属性；

2)以各测试属性的最小值与最大值作为对应测试属性的阈值取值范围的下限和上限，通过连续改变各测试属性的阈值，确立各测试属性的最佳行为类别分组方式及对应的最优阈值；

3)计算各测试属性的信息增益；

4)以具有最高信息增益的测试属性作为二叉决策树模型根结点，并由该测试属性的阈值建立该测试属性下的最佳行为类别分组方式中的正类行为组和负类行为组两个分支；

5)分别将各分支内运动行为特征划分为正类行为组和负类行为组，递归调用步骤2)至步骤4)建立二叉决策树模型的分支，直到所有分组中仅包含一类行为后停止即构建得到二叉决策树分类模型。

2.根据权利要求1所述的基于二叉树的动物运动行为类别建模方法，其特征在于，步骤2)中将运动行为划分成正类行为组和负类行为组，通过连续改变阈值将统计特征量构成的训练数据集划分为预测正类行为或预测负类行为，并计算出真阳性率和假阳性率，根据真阳性率和假阳性率得到每个行为类别分组方式阈值的最大值，循环改变正类行为和负类行为的运动行为，确立各测试属性的最佳行为类别分组方式及对应的最优阈值。

3.根据权利要求2所述的基于二叉树的动物运动行为类别建模方法，其特征在于，所述测试属性的信息增益的公式如下：

式中，V表示测试属性a的可能取值{α¹，α²，...，α^V}，测试属性a中只有“是”与“否”两种可能，则V＝2，D^v表示训练数据集D中测试属性a的值为v的子集，信息熵为

式中D表示训练数据集，k表示行为类别{k＝1，2，...，K}，p_k表示训练数据集D中第k类行为数据所占的比例。

4.一种基于二叉树的动物运动行为类别判别方法，其特征在于，包括以下步骤：

1)获取用于设置在动物体上三轴加速度传感器的三轴加速度数据的统计特征量，所述统计特征量包括各轴均值、各轴标准差、各轴偏度、各轴峰度、各轴最大值和各轴最小值以及总体标准差、总体能量、总体幅度、总体矢量幅度、总体熵和总体倾角，以统计特征量作为测试属性；

2)以各测试属性的最小值与最大值作为对应测试属性的阈值取值范围的下限和上限，通过连续改变各测试属性的阈值，确立各测试属性的最佳行为类别分组方式及对应的最优阈值；

3)计算各测试属性的信息增益；

4)以具有最高信息增益的测试属性作为二叉决策树模型根结点，并由该测试属性的阈值建立该测试属性下的最佳行为类别分组方式中的正类行为组和负类行为组两个分支；

5)分别将各分支内运动行为特征划分为正类行为组和负类行为组，递归调用步骤2)至步骤4)建立二叉决策树模型的分支，直到所有分组中仅包含一类行为后停止即构建得到二叉决策树分类模型，根据所述二叉决策树分类模型对待测试数据进行行为判别。

5.根据权利要求4所述的基于二叉树的动物运动行为类别判别方法，其特征在于，步骤2)中将运动行为划分成正类行为组和负类行为组，通过连续改变阈值将统计特征量构成的训练数据集划分为预测正类行为或预测负类行为，并计算出真阳性率和假阳性率，根据真阳性率和假阳性率得到每个行为类别分组方式阈值的最大值，循环改变正类行为和负类行为的运动行为，确立各测试属性的最佳行为类别分组方式及对应的最优阈值。