多分類器融合的移動用戶行為識別模型

賀炎　張航

【摘 要】移動設備放置位置多樣化以及不同用戶行為的差異性，大大增加了用戶行為識別的難度。為了提高移動用戶行為識別的準確率，本文提出了一種多分類器融合的移動用戶行為識別模型（BRMMCF）。該模型根據(jù)融合算法將多個基分類器的識別結果進行融合處理，得到行為識別的最終結果。該模型分別采用SVM和決策樹作為分類算法，基于數(shù)據(jù)集XUPT-AAD進行了驗證。實驗結果表明，該模型對靜止、步行、跑步、上樓、下樓的平均識別準確率達到95.05%。

【關鍵詞】行為識別；基分類器；多分類器融合

0 引言

隨著科技發(fā)展以及人們生活水平的提高，智能手機已經(jīng)成為了日常生活的必需品。集成在智能手機內(nèi)的加速度傳感器，具有體積小、功耗低和靈敏度高等特點，為利用智能手機實現(xiàn)移動情景識別提供了必要條件。作為移動情景識別的一個重要研究方向，專家學者們就如何根據(jù)智能手機內(nèi)部各種傳感器采集的數(shù)據(jù)進行人體行為識別展開了廣泛研究，越來越多的研究人員通過移動設備內(nèi)嵌傳感器來采集數(shù)據(jù)，并對原始數(shù)據(jù)進行預處理、特征選擇、分類器訓練，得到用戶行為模型，運用該模型分析、確定未知用戶的行為，并根據(jù)行為識別結果為用戶提供所需要的各項服務。該技術在兒童和老年人安全監(jiān)護、智能監(jiān)測、生物醫(yī)學、智能視頻監(jiān)控等方面具有極其廣闊的應用前景。

1 已有研究

用戶行為本身具有較大差異性，數(shù)據(jù)采集過程中移動設備放置位置多樣化，以及采集環(huán)境多樣化等因素，都將大大增加用戶行為識別的難度。國內(nèi)外研究者們在這一方面做了大量研究。Zhang等人[1]提出一種基于粗糙集理論的知識增益方法來選擇特征，進而用于人體行為識別。趙海勇等人提出了一種以人的動作序列圖像的輪廓為特征、基于隱條件隨機場的行為識別方法，利用背景差分法和陰影消除技術提取運動人體輪廓[2]。謝立東提出了一種采用分層方法來研究人體行為識別技術的方法[3]。范琳等人提出了一種與穿戴位置無關的手機用戶行為識別模型[4]，對走路、跑步、上樓、下樓等日常行為識別的準確率最高達88.32%。王忠民等人提出了一種多頻段時域分解的行為識別特征優(yōu)選方法[5]，對日常行為的識別準確率最高達89%。衡霞等人提出了一種依據(jù)手機內(nèi)置三維加速度傳感器采集的人體日常行為數(shù)據(jù)來進行識別分類的方法，平均識別正確率為87.17%。陳益強等人將智能手機放置位置細分為：右褲子口袋、右手、右上衣口袋、左褲子口袋、左手、左上衣口袋6種，從加速度數(shù)據(jù)中提取最大值、最小值、標準差、能量、均值等特征，采用ELM算法，建立手機放置位置交叉的自適應行為識別模型，對靜止、下樓、走路、跑步、上樓進行識別，其平均識別準確率能提高12%左右。

為了進一步提高移動用戶行為識別的準確率，本文提出了一種基于多分類器融合的行為識別模型。

2 行為識別模型

2.1 數(shù)據(jù)處理流程

本文根據(jù)內(nèi)嵌在智能設備中的三軸加速度計實時采集人體日常行為加速度信號，從中提取出常用時域特征，生成特征數(shù)據(jù)集T后，劃分為訓練集X和測試集Y。根據(jù)訓練集X訓練出k個基分類器，并用測試集對各基分類器進行測試。測試結果經(jīng)融合器處理后，得到最終的行為識別結果（圖1）。

2.2 基分類器

基分類器的生成主要有神經(jīng)網(wǎng)絡、決策樹、支持向量機、Bayes準則等方法，基分類器的性能對行為識別有重要影響。本文選用決策樹算法和支持向量機來訓練基分類器。

2.3 融合算法

集成學習的思路是在對未知的實例進行識別時，把若干個基分類器的行為識別結果通過某種規(guī)則進行融合，確定最終識別結果，以取得比單個分類器更好的識別效果。本文采用多數(shù)投票法作為融合算法（如圖2所示），所構建的行為識別模型如圖3所示。

3 實驗設計及結果分析

3.1 實驗環(huán)境及數(shù)據(jù)集

本文所用數(shù)據(jù)集是XUPT-ADD，是課題組成員使用內(nèi)嵌三軸加速度計的智能手機實時采集的靜止、行走、跑步、上樓、下樓等日常行為數(shù)據(jù)。數(shù)據(jù)采集時，智能手機分別放置在手中、包里以及褲子前口袋。參與此次數(shù)據(jù)采集的一共有15人，每人分別采集三種不同位置下每種行為的加速度數(shù)據(jù)，共1973個樣本。從原始加速度數(shù)據(jù)中提取平均值、中位數(shù)、方差、標準差、最大值、最小值、范圍、均方根、直流分量、系數(shù)和、頻譜能量等特征值，生成特征數(shù)據(jù)集T。

行為識別模型訓練和測試所用軟件環(huán)境為MATLAB R2010b。

3.2 實驗設計及結果分析

為了驗證多分類器融合的行為識別模型的有效性，本文首先將特征數(shù)據(jù)集T劃分為五組，訓練出5個采用SVM算法的基分類器和5個采用決策樹算法的基分類器，然后將各基分類器的測試結果和融合后的測試結果進行對比分析。

（1）數(shù)據(jù)集劃分

將特征數(shù)據(jù)集T隨機分為三個人一組，共五組數(shù)據(jù)，每組數(shù)據(jù)都包含了五種行為。訓練基分類器時，根據(jù)以下方式將特征數(shù)據(jù)集再細分為訓練集和測試集：第一種，是分別提取每組數(shù)據(jù)中每一種行為的前一半作為訓練集，而剩下的一半作為測試集；第二種，是每組的全部數(shù)據(jù)作為訓練集，第五組數(shù)據(jù)作為測試集；第三種，是取每組數(shù)據(jù)的奇數(shù)行作為訓練集，偶數(shù)行作為測試集。

每種數(shù)據(jù)分組方式都將分別訓練出5個采用SVM算法的基分類器（ClassifierS1～ClassifierS5）和5個采用決策樹算法的基分類器（ClassifierD1～ClassifierD5）。

（2）基分類器與多分類器融合的行為識別結果分析

按照上述三種方式將特征數(shù)據(jù)集劃分為不同的分組后，在 MATLAB中分別訓練決策樹和支持向量機的基分類器模型，并采用對應的測試集作為輸入數(shù)據(jù)來測試基分類器。將上述基分類器的行為識別結果根據(jù)多數(shù)投票法進行融合處理，得到多分類器融合的行為識別結果。對上述識別結果進行比較，其識別準確率如表2所示。

表2中，從12個基分類器的行為識別結果來看，由于不同用戶的行為差異較大，因此第二種數(shù)據(jù)分組方式中，分別采用其他組的數(shù)據(jù)（第五組除外）來訓練基分類器而用第五組數(shù)據(jù)來測試時，不論是采用SVM還是決策樹分類算法，行為識別的準確率都比較低。三種數(shù)據(jù)分組凡是相比，第三種分組方式的行為識別準確率較高。

總的來說，不論采用哪種數(shù)據(jù)分組方式，多分類器融合的行為識別模型結合了各個基分類器的優(yōu)點，其行為識別準確率比單個基分類器的識別準確率高，在第三種數(shù)據(jù)分組方式中，行為識別準確率最高提高了25.99%。

4 結論

為了提高移動用戶行為識別的準確率，本文提出了一種基于多分類器融合的行為識別模型。本文將特征數(shù)據(jù)集按照三種不同的方式分別劃分為訓練集和測試集，采用SVM算法和決策樹算法分別訓練基分類器，并對各基分類器和多分類器融合后的行為識別結果進行了對比分析。實驗結果證明，多分類器融合的行為識別模型能夠提高行為識別的準確率，最高達25.99%，充分驗證了改模型的有效性。

【參考文獻】

[1]Zhang B，De Natale F G B，Conci N.Recogition of social interactions based on feature selection from visual codebooks[C]//Image Processing，2013 20th IEEE International Conference on， 2013： 3557-3561.

[2]趙海勇，賈保先.基于輪廓特征的人體行為識別[J].計算機科學，2013，40（2）：312-315.

[3]謝立東.基于分層方法的復雜人體行為識別研究[D].廈門：廈門大學，2014.

[4]范琳，王忠民.穿戴位置無關的手機用戶行為識別模型[J].計算機應用研究， 2015，32（1）：63-66.

[5]王忠民，王斌.多頻段時域分解的行為識別特征優(yōu)選[J].計算機應用研究， 2015，32.

[6]衡霞，王忠民.基于手機加速度傳感器的人體行為識別[J].西安郵電大學學報，2014，19（6）：76-79.

[7]CHEN Yiqiang， ZHAO Zhongtang， WANG Shuangquan and CHEN Zhenyu. Extreme Learning Machine based device displacement free activity recognition model[J]. Soft Computing. Volume 16， Issue 9： 1617-1625. Springer-verlag 2012.

[責任編輯：楊玉潔]