[发明专利]一种基于移动设备的人体行为识别方法

摘要

一种基于移动设备的人体行为识别方法，利用移动设备内置的多种传感器实时采集数据；对传感器获得的数据进行校正、滤波、计算生成数据和数据分割等一系列的数据预处理操作；对预处理后的数据段进行特征提取，将提取的对应特征向量输入设备位置分类模型，获得设备位置类别；根据获得的设备位置类别选择对应的行为分类模型，将提取的对应特征向量输入行为分类模型，获得最终的行为识别结果。本发明提供一种通用性良好、准确性较高的基于移动设备的人体行为识别方法。

主权项

1.一种基于移动设备的人体行为识别方法，其特征在于：包括以下步骤：步骤(1)，训练设备位置分类模型c_p和基于不同设备位置的行为分类模型ca_i，ca_i∈C，C是由行为分类模型构成的集合，C＝{ca₁，ca₂，...，ca_I}，行为分类模型ca_i与设备位置p_i具有一一对应关系，设备位置p_i∈P，P是由预先定义的设备位置构成的集合，P＝{p₁，p₂，...，p_I}，I为预先定义的设备位置类别数目；步骤(2)，通过移动设备内置传感器实时采集传感器原始数据；步骤(3)，对移动设备内置传感器实时采集的数据进行数据预处理，获得当前时间窗口对应的数据段；步骤(4)，根据位置识别特征集F_p，对获得的数据段进行特征提取，得到该数据段对应的特征向量N_p为特征集F_p中的特征数目；将特征向量V_p输入设备位置分类模型c_p，获得设备位置类别p_i；步骤(5)，根据行为识别特征集F_a，对获得的数据段进行特征提取，得到该数据段对应的特征向量N_a为特征集F_a中的特征数目；根据步骤(4)获得的位置类别p_i选择对应的行为分类模型ca_i，将特征向量V_a输入行为分类模型ca_i，输出行为类别a_j，a_j∈A，A是由预先定义的行为构成的集合，A＝{a₁，a₂，...，a_J}，J为预先定义的行为类别数目，a_j即为最终的识别结果；所述步骤(1)中训练设备位置分类模型c_p和训练基于不同设备位置的行为分类模型ca_i的步骤如下：步骤(1‑1)，通过移动设备内置传感器离线采集不同设备位置和不同人体行为情况下的传感器原始数据；步骤(1‑2)，对获取的传感器原始数据进行数据预处理，获得对应不同时间窗口的数据段；步骤(1‑3)，根据特征集F，对每个数据段进行特征提取，获得该数据段对应的特征向量V_k＝[v₁，v₂，...，v_N]∈R^N，N为特征集F中的特征数目，k∈{1，2，...，K}，所有数据段提取的特征向量共同构成样本集S，S＝[V₁；V₂；...；V_K]，特征向量数目K即为数据段数目；步骤(1‑4)，对样本集S中的每个特征向量V_k，标记数据采集时的设备位置类别p_i，p_i∈P，获得位置训练向量k∈{1，2，...，K}，标记后的所有训练向量构成位置训练集T^p，步骤(1‑5)，利用训练集T^p训练设备位置分类模型，获得设备位置分类模型c_p；步骤(1‑6)，根据分类模型c_p，选择特征集F中用于该模型的部分特征组成位置识别特征集F_p；步骤(1‑7)，对特征集F进行特征选择，选择其中适用于行为识别模型的部分特征组成行为识别特征集F_a；步骤(1‑8)，筛选样本集S中对应设备位置类别标记为p_i的特征向量组成样本子集S_i，满足步骤(1‑9)，对样本子集S_i中的每个特征向量标记数据采集时的行为类别a_i，a_j∈A，获得行为训练向量，k_i∈{1，2，...，K_i}，标记后的所有训练向量构成行为训练集T_i^a，K_i为样本子集S_i中特征向量的数目；步骤(1‑10)，利用行为训练集T_i^a训练分类模型，获得对应位置p_i的行为分类模型ca_i；对步骤(1‑8)‑(1‑10)，分别取i＝1，2，...，I依次重复，I表示预先定义的设备位置类别数目，训练得到不同设备位置下的行为分类模型ca₁，ca₂，...，Ca_I。