【例会】在智能家庭中使用简单的传感器学习潜在特征进行行为识别

1

随着人口老龄化不断增长,医疗健康照护花费高及老人在家中独立生活愿望日益增强, AAL 系统在( ambient assisted living )可以在物理环境中使用不同类型传感器来感知人的日常行为活动 ( ADLs:activities of daily living )[1].系统对于评估居民是否具备独立生活能力是非常重要的一步。如跌倒监测、行为分析、活动提示、慢性病管理、康复反馈[2]。

而行为识别主要分为2个步骤:感知技术(采集数据)+模型建立(分析数据)。感知技术方法主要分为以下三类:1.基于视觉的技术(相机,视频);2.基于传感器的可穿戴式设备(加速器,手环等);3.基于传感器的环境交互式技术(如压力传感器,活动检测器等)存在问题:1.存在隐私,接受度的问题;2.要求个人一直穿着或携带一个或多个设备;而基于传感器的环境交互式技术具有成本低,易于部署,非嵌入式的特点。行为建模方法主要有以下几种:1.判别模型:如条件随机场( CRF:conditional random field),支持向量机(SVM:support vector machine),决策树;2.生成模型:如朴素贝叶斯,隐马尔可夫模型,贝叶斯网络。存在问题:1. 这些模型的一个共同特点是它们具有浅层结构,可能无法捕捉隐藏在特征之间的非线性关系;2. 特征的选择和分类器的训练被分为两个独立的阶段,而不是针对这些浅层模型进行联合优化。现状是:很少有研究关注配备简单状态变化传感器的智能家居环境;大多数研究考虑原始传感器数据的一个原始特征表示,并且不能探索使用至少两种不同方案来描述传感器触发的情况。这篇论文主要研究:在使用深度学习技术从简单的状态变化传感器进行潜在特征学习,并评估不同原始特征表示在基于深度学习的行为识别器中的作用。

为了追求高精度的目的,具有显式训练阶段的监督学习通常用于人类行为识别,并且通常由三个步骤组成。1.将传感器数据流分成使用滑动窗口技术的片段;2.我们从段中提取特征来表示原始传感器数据,然后使用这些获得的特征向量训练分类器;3.我们使用训练的分类器将传感器数据流与预定义的活动相关联;基于时间的滑动窗口技术,在相邻的段之间没有重叠来分析时间序列传感器数据。从每个分段提取特征并使用这些特征来形成N维特征向量[3]。

2

使用基于时间的分段,传感器数据流首先通过移动固定长度,非重叠60秒的滑动窗口来分段。我们进行了一天的交叉验证,其中将一整天的传感器数据用作测试集,并将来自剩余天数的传感器数据用于分类器训练。为了评估构建的AR模型的质量,我们重复上述过程中的天数,并根据时间片精度和分类精度报告分类器的性能。使用单层去噪自动编码(DAE)和双层堆栈去噪自动编码器( SDAE)两种方法。此外,我们将隐藏层中的单元数设置为5-100,步长为5,并设置掩蔽噪声的百分比为0.5[4]。

3

实验结果表明

  1. 基于深度学习的方法(DAE和SDAE)在时间片精度方面优于其他五种竞争方法。对于类精度,基于深度学习的方法优于NB,HMM,HSMM和1NN使用数值表示,并获得与二进制表示的其他方法类似的精度。
  2. 具有两个隐藏层的SDAE比具有一个隐藏层的DAE具有更高的准确性,这表明一个更深的模型可能有助于AR系统的改进
  3. 与浅层结构的模型相比,基于深度学习的方法在不同的原始特征表示下都是鲁棒的。

[1]  Tapia EM, Intille SS, Larson K (2004) Activity recognition in the home using simple and ubiquitous sensors. In: International Conference on Pervasive Computing, pp 158–175.

[2] Cook DJ (2012) Learning setting-generalized activity models for smart spaces. IEEE Intell Syst 27(1):32– 38. doi:10.1109/MIS.2010.112.

[3] Okeyo G, Chen L, Wang H, Sterritt R (2014) Dynamic sensor data segmentation for real-time knowledgedriven activity recognition. Pervasive Mob Comput 10:155–172. doi:10.1016/j.pmcj.2012.11.004 .

[4] Bengio Y, Lamblin P, Popovici D, Larochelle H (2007) Greedy layer-wise training of deep networks. In: Advances in Neural Information Processing Systems, pp 153–160

Chen G, Wang A, Zhao S, et al. Latent feature learning for activity recognition using simple sensors in smart homes[J]. Multimedia Tools & Applications, 2017(1):1-19.

与会人员:

老师:杨老师

学生:陈绪,高思,韩朋,景波,江思源,刘杰,明鉷,唐晨,滕越,肖勇博,严金戈,姚小慧,殷越。

请假:段优,哈山,唐晨,王雨婷。

anyShare分享到:
This entry was posted in 例会, 新闻动态. Bookmark the permalink.

发表评论