淺談行為識(shí)別研究及行為識(shí)別模型

丁艷

摘要：行為識(shí)別技術(shù)在各國(guó)有多年的研究，行為識(shí)別技術(shù)應(yīng)用廣泛，在運(yùn)動(dòng)、健康、管理等領(lǐng)域都有應(yīng)用，目前在手機(jī)上，行為識(shí)別技術(shù)的應(yīng)用多還僅停留在計(jì)步器階段，而手機(jī)的傳感器顯然可以實(shí)現(xiàn)更多有意義的健康功能。本文將對(duì)使用手機(jī)傳感器進(jìn)行行為識(shí)別的研究思路進(jìn)行闡述說(shuō)明并介紹可選取的幾種行為識(shí)別模型。

關(guān)鍵詞：行為識(shí)別 手機(jī)傳感器 行為識(shí)別模型

一、研究思路

從識(shí)別人的簡(jiǎn)單行為（走路，跑步等）開(kāi)始，進(jìn)行實(shí)驗(yàn)和研究。主要思路為：第一，需要什么數(shù)據(jù)，數(shù)據(jù)如何獲取，什么樣的數(shù)據(jù)就足以識(shí)別出我們想要識(shí)別的行為，一般智能手機(jī)的傳感器有：線(xiàn)性加速度傳感器（type_Linear_acceleration）：測(cè)量三個(gè)軸的加速度，但不包括重力加速度，單位為m/s2、重力加速度傳感器（type_Gravity）：測(cè)量三個(gè)軸的重力加速度，用于檢測(cè)傾斜和方向的檢測(cè)，單位是m/s2、陀螺儀（type_gyroscope）：測(cè)量三個(gè)軸的角加速度，用于旋轉(zhuǎn)角度的檢測(cè)，單位是rad/s、距離傳感器（type_proximity）：主要用于檢測(cè)手機(jī)屏幕與物體的距離，比如通話(huà)時(shí)靠近屏幕熄屏，單位是cm、光線(xiàn)傳感器（type_light）：用于根據(jù)外界光線(xiàn)來(lái)調(diào)節(jié)屏幕的亮度，單位是lx、氣壓計(jì)（type_pressure）：返回當(dāng)前環(huán)境的壓強(qiáng)，通常用于海拔高度的測(cè)量，單位是hPa、霍爾傳感器（type_temperature）：測(cè)量設(shè)備周?chē)拇艌?chǎng)，單位是uT、溫度傳感器（type_temperature）：測(cè)量設(shè)備當(dāng)前溫度，單位是℃、GPS模塊：用于獲取當(dāng)前設(shè)備的位置信息，具體信息為經(jīng)度、緯度信息。在查閱資料后決定先只使用手機(jī)的加速度傳感器數(shù)據(jù)，根據(jù)資料可知，三軸加速度傳感器足以較為準(zhǔn)確的反映出一個(gè)人的運(yùn)動(dòng)狀態(tài)，可用三軸加速度的XYZ三軸加速度作為識(shí)別數(shù)據(jù)。第二，數(shù)據(jù)需要經(jīng)過(guò)什么樣的處理，數(shù)據(jù)獲取的規(guī)范是什么樣的 ？經(jīng)過(guò)數(shù)據(jù)分析發(fā)現(xiàn)數(shù)據(jù)只需要進(jìn)行方差標(biāo)準(zhǔn)差均值的轉(zhuǎn)換，即可去除加速度傳感器的方向性，將原本三維帶方向的數(shù)據(jù)轉(zhuǎn)換為三維不帶方向的數(shù)據(jù)，這對(duì)機(jī)器學(xué)習(xí)來(lái)說(shuō)將會(huì)更好處理，數(shù)據(jù)讀取的規(guī)范可采用每秒50Hz的采樣速度對(duì)數(shù)據(jù)進(jìn)行采樣。第三，需要使用什么樣的模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)？查閱資料后發(fā)現(xiàn)有多種簡(jiǎn)單模型，有基于普通機(jī)器學(xué)習(xí)的SVM，簡(jiǎn)單分類(lèi)器，基于深度學(xué)習(xí)的單層神經(jīng)元，多層神經(jīng)元等等方法。由于機(jī)器學(xué)習(xí)的框架比較多，基本上所有的實(shí)驗(yàn)和研究都可以在Tensorflow和karas集成框架上進(jìn)行。為了使研究能有所成果，需要做出一個(gè)使用相關(guān)研究成果的應(yīng)用程序，若使用安卓手機(jī)平臺(tái)，開(kāi)發(fā)環(huán)境可使用Android Studio，并且可使用Google公司在2017年發(fā)布的Tensorflow lite庫(kù)，以使得應(yīng)用能完整的支持由tensorflow框架所生成的模型，降低開(kāi)發(fā)難度。

最后將研究的成果應(yīng)用起來(lái)的應(yīng)用程序的整體設(shè)計(jì)思路如上圖所示。由手機(jī)應(yīng)用全權(quán)負(fù)責(zé)數(shù)據(jù)的采集、處理、計(jì)算和分析工作，并使用安卓系統(tǒng)內(nèi)置的SQL lite數(shù)據(jù)庫(kù)，對(duì)分析出的結(jié)果和數(shù)據(jù)進(jìn)行保存，方便以后進(jìn)行查看。其中數(shù)據(jù)的計(jì)算可使用Tensorflow lite的模型計(jì)算庫(kù)進(jìn)行計(jì)算，可以極大的方便我們對(duì)機(jī)器學(xué)習(xí)模型應(yīng)用程序的開(kāi)發(fā)，后續(xù)還可以對(duì)程序進(jìn)行功能上的改進(jìn)和優(yōu)化，以適應(yīng)各種不同的使用場(chǎng)景和需求。

對(duì)于使用的用戶(hù)來(lái)說(shuō)，只需要掏出手機(jī)就可以看到自己今天的行為時(shí)間分布，健康狀態(tài)等等數(shù)據(jù)，并且可以對(duì)數(shù)據(jù)進(jìn)行分析展示，甚至可以做到云端保存，這就是在研究行為識(shí)別技術(shù)之后，對(duì)行為識(shí)別技術(shù)的應(yīng)用。

二、行為識(shí)別的模型選取

由易到難列出五種方案可供選擇：

1）決策樹(shù)（Decision Tree） 決策樹(shù)是一個(gè)類(lèi)似于流程圖的樹(shù)結(jié)構(gòu)，其中每個(gè)節(jié)點(diǎn)代表一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸出，最后的葉結(jié)點(diǎn)代表類(lèi)別。決策樹(shù)方便改寫(xiě)為形如if- then的分類(lèi)規(guī)則，易于理解。決策樹(shù)的核心算法是一種貪心算法，它以自頂向下的方式在訓(xùn)練集的基礎(chǔ)上構(gòu)造決策樹(shù)之后，獲取傳感器信息，即可得到該數(shù)據(jù)所屬的類(lèi)別。

2）K近鄰分類(lèi)（K-nearest neighbor）

俗稱(chēng)KNN模型，KNN的思想也來(lái)源于向量空間模型，同樣采用將文本轉(zhuǎn)化為向量的思想。KNN是一種基于類(lèi)比的分類(lèi)方法，在訓(xùn)練的過(guò)程中，KNN會(huì)生成所有訓(xùn)練例的特征向 量，并將其保存下來(lái)。給定一組數(shù)據(jù)，在生成它的特征向量之后，KNN模型會(huì)搜索所有標(biāo)簽，最相近的即為結(jié)果。

3）SVM（支持向量機(jī)，一種傳統(tǒng)的分類(lèi)模型），徑向基核函數(shù)（Radial Basis Function， RBF）的SVM是較適于小樣本、多分類(lèi)問(wèn)題的分類(lèi)模型，可將經(jīng)過(guò)準(zhǔn)確標(biāo)記的原始傳感器數(shù)據(jù)或（和）提取的特征數(shù)據(jù)作為模型輸入來(lái)訓(xùn)練模型，獲得模型參數(shù)，從而完成模型構(gòu)建，以此模型可對(duì)測(cè)試數(shù)據(jù)（可以是實(shí)時(shí)采集的數(shù)據(jù)）進(jìn)行人體活動(dòng)行為或跌倒行為進(jìn)行識(shí)別。

4）長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM），LSTM是一種特殊的RNN 網(wǎng)絡(luò)即門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），它可以學(xué)習(xí)長(zhǎng)期時(shí)間的依賴(lài)信息，擅長(zhǎng)處理依賴(lài)于時(shí)間序列的任務(wù)。可將經(jīng)過(guò)準(zhǔn)確標(biāo)記的原始傳感器數(shù)據(jù)或（和）提取的特征數(shù)據(jù)作為模型輸入來(lái)訓(xùn)練模型，獲得模型參數(shù)。以此模型可對(duì)測(cè)試數(shù)據(jù)（可以是實(shí)時(shí)采集的數(shù)據(jù)）進(jìn)行人體活動(dòng)行為或跌倒行為進(jìn)行識(shí)別。

5）卷積神經(jīng)網(wǎng)絡(luò)+LSTM，卷積神經(jīng)網(wǎng)絡(luò)提取特征，再與LSTM聯(lián)結(jié)構(gòu)造端到端的深度學(xué)習(xí)模型，，一方面因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)（如VGG模型、Inception 模型，或自己構(gòu)造深度學(xué)習(xí)模型）的加入使得網(wǎng)絡(luò)層次加深，視野擴(kuò)寬，即可以自動(dòng)提取到更加豐富的特征，從而提高了識(shí)別率;另一方面又因?yàn)長(zhǎng)STM的加入使得時(shí)序信息得以充分使用。LSTM對(duì)時(shí)序信息的有效處理，不僅可以提高識(shí)別率，同時(shí)還可利用LSTM推理能力使模型整體擁有一定程度的容錯(cuò)能力。

以上三種模型決策樹(shù)和KNN最簡(jiǎn)單，本科生使用應(yīng)該從易到難，選擇簡(jiǎn)單的模型對(duì)于本科生來(lái)說(shuō)比較好理解和操作，并且效果會(huì)較為明顯。

參考文獻(xiàn)

[1]于濤.基于智能手機(jī)的人體行為識(shí)別研究[D].南京郵電大學(xué)，2019.

[2]任宇飛.基于SVM的人體運(yùn)動(dòng)分析與防跌倒檢測(cè)技術(shù)[J].信息技術(shù)，2019，43（06）：56-59+68.

[3]王二虎.基于手機(jī)傳感器的人體運(yùn)動(dòng)姿態(tài)識(shí)別研究[D].陜西科技大學(xué)，2019.

[4]孔菁，郭淵博，劉春輝，王一豐.基于智能手機(jī)傳感器的基礎(chǔ)行為識(shí)別方法研究[J].計(jì)算機(jī)應(yīng)用研究，2020，37（04）：1081-1085.

[5]孔菁.基于智能手機(jī)傳感器的行為與身份識(shí)別研究[D].戰(zhàn)略支援部隊(duì)信息工程大學(xué)，2018.

[6]葉舒憲.中國(guó)文化的構(gòu)成與“少數(shù)民族文學(xué)”：人類(lèi)學(xué)視角的后現(xiàn)代觀(guān)照[J].民族文學(xué)研究，2009（02）：55-64.