智能家居中的居民日常行為識別綜述

劉 勇，謝若瑩，豐 陽，王亞輝，劉亞清

1.四川輕化工大學(xué) 人工智能四川省重點實驗室，四川 自貢 643000

2.大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連 116026

3.晉中職業(yè)技術(shù)學(xué)院 電子信息學(xué)院，山西 晉中 030600

行為識別在公共安全、健康醫(yī)療、人機交互等領(lǐng)域有著重要的應(yīng)用。例如，使用行為識別技術(shù)可以對公共場所中潛在的危險或者犯罪行為進行預(yù)警，可以對行人摔倒、跌落等意外行為進行識別，進而為其提供及時的援助。行為識別一般是使用傳感器來感知人的行為，通過對感知數(shù)據(jù)的分析來推斷人的行為。根據(jù)使用的傳感器的類型，行為識別可以分為三類：基于視頻的行為識別、基于可穿戴設(shè)備的行為識別以及基于環(huán)境傳感器的行為識別?；谝曨l的行為識別主要是根據(jù)攝像儀記錄的視頻，使用視頻分析與處理技術(shù)來對視頻中人的行為進行識別。由于視頻容易暴露人的隱私，基于視頻的行為識別一般適用于公共場所。基于可穿戴設(shè)備的行為識別是根據(jù)可穿戴設(shè)備（例如智能手機）記錄的行人姿態(tài)的變化來識別行人的行為?；诳纱┐髟O(shè)備的行為識別適合識別一些相對簡單的行為，例如“摔倒”或者“跌落”?；诃h(huán)境傳感器的行為識別是根據(jù)行為觸發(fā)的傳感器事件流來對當前的行為進行識別。由于環(huán)境傳感器一般部署在相對封閉的空間內(nèi)，能夠很好地保護人們的隱私，也不需要附著額外的可穿戴設(shè)備，因此環(huán)境傳感器在智能家居中獲得了應(yīng)用。

智能家居中的日常行為識別可以在不侵犯居民隱私的前提下，通過對居民日常行為的識別發(fā)現(xiàn)其是否存在認知功能障礙（例如阿爾茨海默癥）。由于認知功能障礙的鑒定需要長期對居民日常行為的變化進行跟蹤，因此智能家居中日常行為識別的意義在于，借助日常行為識別可以極大地減少對認知障礙居民的護理成本。同時，普適計算（Pervasive Computing）和泛在智能（Ambient Intelligence）技術(shù)的興起與發(fā)展也有力地推動了日常行為識別在智能家居中的應(yīng)用[1-2]。本文主要對智能家居中居民日常行為識別的研究現(xiàn)狀進行綜述，并指出該領(lǐng)域未來的研究方向。

1 日常行為識別概述

環(huán)境感知的智能家居是指在居民家中安裝了若干非入侵式傳感器，例如地板壓力傳感器、開關(guān)傳感器、溫度傳感器等，當居民在家中進行日常行為（例如做飯、睡覺等）時，會先后觸發(fā)部署在房間的傳感器[3]。日常行為識別的目的就是根據(jù)觸發(fā)的傳感器序列來推斷居民當前正在進行哪一種日常行為。

如圖1所示，居民的日常行為識別過程由四個階段組成。

圖1 日常行為識別流程圖

第一個階段，獲取傳感器事件流。當居民在進行日常活動時將連續(xù)地觸發(fā)部署在房間內(nèi)的傳感器，從而產(chǎn)生傳感器事件流。一個被觸發(fā)的傳感器事件是一個四元組（時間，傳感器，傳感器值，日常行為）。圖2所示的傳感器事件流包含兩個日常行為“洗澡”和“睡覺”，當用戶在洗澡時將連續(xù)地觸發(fā)傳感器“M021”“BATV012”“LS013”“LS013”四個傳感器。居民睡覺時連續(xù)觸發(fā)“BATV013”“M021”“MA013”“M018”“MA013”五個傳感器。

圖2 傳感器事件流示意圖

第二個階段，傳感器事件流分割。按照分割策略，傳感器事件流被劃分為若干個子序列。

第三個階段，特征選擇與特征值計算。根據(jù)特征選擇方法和特征值計算策略產(chǎn)生能夠描述日常行為的特征集以及相應(yīng)的特征值。

第四個階段，根據(jù)日常行為識別模型，對分割后傳感器事件流蘊含的日常行為進行識別。

2 傳感器事件流分割

對于給定的一段時間（通常為一天），居民將進行多個日常行為。對這些日常行為觸發(fā)傳感器事件流的分割質(zhì)量直接關(guān)系到日常行為識別的效果。傳感器事件流的分割方法主要有兩種：基于固定窗口長度的傳感器事件流分割方法和基于可變窗口的傳感器事件流分割方法。

圖3 傳感器事件流分割示意圖

如圖3所示，基于固定窗口長度的傳感器事件流分割方法可分為基于等時間的傳感器事件流方法和基于等傳感器事件數(shù)的傳感器事件流方法?；诘葧r間的傳感器事件流分割方法的主要思路是事先設(shè)定一個時間片t（通常是幾秒到十幾秒），然后根據(jù)這個時間片來對傳感器事件流進行平均分割。基于等傳感器事件數(shù)的傳感器事件流分割方法的主要思路是事先指定一個整數(shù)n，然后依次以n個被觸發(fā)的傳感器事件為單位對傳感器事件流進行分割[4-6]。不難看出，基于固定傳感器事件流的方法的優(yōu)點在于分割方法簡單易行。由于不同日常行為持續(xù)的時間和觸發(fā)的傳感器數(shù)量差異極大，如果窗口設(shè)定太小，將導(dǎo)致持續(xù)時間較長或者觸發(fā)傳感器較多的日常行為被分割得支離破碎；如果窗口設(shè)定太大，將出現(xiàn)多個日常行為被劃分在一個窗口里的情形。因此，無論窗口太大或者太小都會影響到日常行為特征的選擇和特征值的計算，進而影響到日常行為識別的效果。

基于可變窗口的傳感器事件流分割的主要思想是根據(jù)不同的日常行為對傳感器事件流進行分割。Cook等人提出一種基于窗口概率密度（Probability Density）變化點檢測算法，根據(jù)兩個連續(xù)時間序列的概率密度的差異來確定兩個窗口之間是否存在行為類別轉(zhuǎn)換，進而實現(xiàn)對傳感器事件流的分割。該方法的創(chuàng)新在于定義了表征窗口傳感器事件流概率密度的公式以及概率密度差異性的公式[7-8]。Krishnan 等人對日常行為之間時間間隔的依賴關(guān)系、傳感器事件的依賴關(guān)系以及日常行為的上下文信息進行統(tǒng)計分析，提出一種基于可變窗口的傳感器事件流分割方法[9]。Wan等人認為同一日常行為在空間和時間上具有較強的相關(guān)性，因此定義了用于反映連續(xù)兩個傳感器事件的傳感器相關(guān)度和觸發(fā)時間相關(guān)程度的公式，通過計算連續(xù)兩個傳感器事件的相關(guān)度來確定傳感器事件流的邊界[10]。Shahi等人融合了傳感器事件依賴度、傳感器觸發(fā)頻率以及日常行為時間間隔等時空特征，提出了一種基于互信息（Mutual Information，MI）的傳感器事件流分割方法[11]。Aminikhanghahi等人則構(gòu)建了包括時間特征、傳感器特征和窗口特征的三大類特征和十七個小類特征的體系結(jié)構(gòu)，根據(jù)特征體系提出了一種行為變化點檢測的算法來進行傳感器事件流分割[12]。Triboan 等人認為基于數(shù)據(jù)驅(qū)動的傳感器事件流分割方法的魯棒性較差，通過構(gòu)建日常行為間的語義關(guān)系模型，提出了一種基于語義的傳感器事件流分割方法，提升了傳感器事件流分割方法的魯棒性[13-14]。類似地，Okeyo 等人使用本體模型對傳感器事件流進行分割[15]。由于能夠?qū)儆谕蝗粘Ｐ袨橛|發(fā)的傳感器事件流分在一組，基于可變窗口傳感器事件流分割后的日常行為識別質(zhì)量要明顯優(yōu)于基于固定窗口傳感器事件流分割后的日常行為識別質(zhì)量。但是基于可變窗口的傳感器事件流分割需要設(shè)計專門的算法來對傳感器事件流進行分割，導(dǎo)致識別結(jié)果往往有一定的延遲，因此并不適合實時性要求較高的日常行為識別問題。

3 特征選擇和特征值計算

日常行為特征可以分為時態(tài)特征和空間特征[16]。時態(tài)特征通常包括傳感器事件流開始的時刻、事件流持續(xù)的時間以及傳感器事件流結(jié)束的時刻。空間特征通常由初始的傳感器集合或者其頻繁項、頻繁序列構(gòu)成。例如，Liu等人以傳感器事件流開始的時刻、事件流持續(xù)的時間和初始的傳感器集合為特征集進行日常行為識別[17]。但是由于一些日常行為在空間特征上的相似性，由單個傳感器構(gòu)成的空間特征集合不足以反映這些日常行為的差異。于是，Wen等人和Nasreen等人使用頻繁模式挖掘算法來挖掘頻繁的傳感器組合，從而構(gòu)建日常行為的空間特征集[18-19]。Twomey 等人提出一種無監(jiān)督的方法來學(xué)習(xí)傳感器在智能家居中的拓撲結(jié)構(gòu)，根據(jù)拓撲結(jié)構(gòu)挖掘有效的傳感器事件組合作為日常行為特征[20]。

對于時態(tài)特征，傳感器事件流開始時刻的近似值、持續(xù)時間的近似值以及結(jié)束時刻的近似值是最常見的特征值計算指標。對于空間特征，傳感器觸發(fā)的次數(shù)、觸發(fā)的密度是最常見的特征值計算指標[21]。由于特征值的計算策略影響日常行為識別的效果，也有學(xué)者提出使用基于TF-IDF 公式[22]、基于互信息公式[23]、深度學(xué)習(xí)（Deep Learning，DL）技術(shù)[24]來計算特征值的策略。

4 日常行為識別

根據(jù)居民數(shù)量、識別目的以及識別環(huán)境的差異，日常行為識別主要包括面向單居民日常行為識別、面向多居民日常行為識別、異常行為識別和異構(gòu)環(huán)境下的日常行為識別。

4.1 單居民的日常行為識別

面向單居民的日常行為識別方法可以分為數(shù)據(jù)驅(qū)動的行為識別方法和知識驅(qū)動的行為識別方法。

（1）數(shù)據(jù)驅(qū)動的行為識別方法

數(shù)據(jù)驅(qū)動的行為識別方法通常將日常行為識別看作一個分類問題，主要包括基于產(chǎn)生式分類的方法、基于判別式分類的方法和基于集成分類的方法[25-26]。

①基于產(chǎn)生式分類的方法

Fahad等人首先利用主成分分析（Principal Component Analysis，PCA）方法來約簡日常行為特征，然后使用Lloyd’s 算法對訓(xùn)練數(shù)據(jù)聚簇，最后以簇為單位構(gòu)建基于Evidence TheoreticKNN 分類器的日常行為識別模型[27]。由于傳感器事件流是一個時間序列，一些學(xué)者以隱馬爾可夫模型（Hidden Markov Model，HMM）為基礎(chǔ)模型對日常行為進行識別。例如，Kasteren等人使用HMM 來對日常行為進行識別[28]。Lu 等人使用一種改進的HMM模型BP-HMM對日常行為進行識別[29]。

②基于判別式分類的方法

Fahad等人以支持向量機（Support Vector Machine，SVM）作為基礎(chǔ)模型，先后提出基于“距離最小化”和“概率估計”公式的日常行為識別模型[30-31]。Tong和Chen等人以條件隨機場（Conditional Random Field，CRF）為基礎(chǔ)模型，先后提出了Latent-Dynamic CRF 和Hidden State CRF模型進行日常行為識別[32-33]。Bourobou等人首先使用聚簇算法從日常行為樣本中獲取行為模式，然后使用時態(tài)人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型進行日常行為識別[34]。Bianchi 等人根據(jù)可穿戴傳感器和Wi-Fi信號傳遞信息，使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型來對居民的日常行為進行識別[35]。江南大學(xué)的謝林柏教授利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練深度運動圖數(shù)據(jù)，使用密集軌跡來描述RGB 視頻序列的動態(tài)運動信息，最后根據(jù)提取到的靜態(tài)特征和動態(tài)特征使用SVM對日常行為進行識別[36]。中國社會科學(xué)院大學(xué)的蓋赟等人提出了一種基于包含多尺度卷積算子的卷積神經(jīng)網(wǎng)絡(luò)識別模型，可以同時計算行為序列樣本在時間和空間的特征[37]。

③基于集成分類的方法

當日常行為的類別較少時，單一的分類模型能夠取得較好的分類效果，但是當日常行為識別的類別增多后，單一的分類模型的效果則不盡如人意。國內(nèi)外學(xué)者嘗試使用集成分類模型對日常行為進行識別。Hu 和Nef 等人分別驗證了隨機森林（Random Forests，RF）的效果要明顯優(yōu)于單一的分類模型[38]。Krawczyk 提出主動學(xué)習(xí)（Active Learning，AcL）和自適應(yīng)學(xué)習(xí)（Adaptive Learning，AdL）相結(jié)合的策略來進行日常行為識別[39]，Medina-Quero等人提出長短期記憶模型（Long and Short Term Memory Model，LSTM）和模糊時態(tài)窗口技術(shù)相結(jié)合的方法進行日常行為識別[40]。Jurek 等人提出基于聚類的集成學(xué)習(xí)方法，首先使用K均值聚類算法來訓(xùn)練基分類器，然后根據(jù)基分類器的支持度來集成基分類器[41]。Wu等人認為泛在傳感器和可穿戴傳感器能夠分別實現(xiàn)對日常行為不同粒度的識別，基于這一認知提出了一個日常行為識別框架，首先利用集成學(xué)習(xí)方法對居民的日常行為實現(xiàn)粗粒度的識別，然后根據(jù)居民身上可穿戴傳感設(shè)備感知日常行為細節(jié)，實現(xiàn)對日常行為的細粒度識別[42]。

（2）知識驅(qū)動的行為識別方法

知識驅(qū)動行為識別方法的主要思想是建立日常行為之間的邏輯約束規(guī)則，根據(jù)邏輯約束規(guī)則，借助自動推理技術(shù)來對日常行為進行識別。本體是知識驅(qū)動的方法中被普遍采用的邏輯模型。例如，Meditskos 等人和Salguero 等人使用精確本體來描述日常行為之間的邏輯關(guān)系[43-44]。Safyan等人使用本體對具有共存關(guān)系的日常行為進行識別[45]。Rodriguez 等人構(gòu)建了模糊行為本體進行日常行為識別[46]。Gayathri等人則構(gòu)建了基于馬爾可夫邏輯網(wǎng)（Markov Logic Network，MLN）的概率行為本體[47]。為提升行為識別的效果，Noor等人使用不確定性推理方法進行行為識別[48]。

4.2 異常行為識別

異常行為識別是指對“突變”的日常行為及時地做出判斷，例如老年人連續(xù)睡覺時間超過常規(guī)睡眠時間則存在突發(fā)疾病的可能性[49]。

異常行為識別通常被看作一個孤立點檢測問題。Dahmen等人使用聚類的方法來發(fā)現(xiàn)異常行為[50]。Lotfi等人使用遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）來識別獨居老人是否患有老年癡呆癥[51]。Civitarese 等人使用邏輯推理的方法來識別異常行為[52]。Arifoglu等人分別使用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、Vanilla遞歸神經(jīng)網(wǎng)絡(luò)（VRNN）以及長短期記憶模型（LSTM）對異常行為進行識別[53]。Mahmoud等人提出一種兩階主成分分析（PCA）來計算日常行為的差異度，使用Hamming 距離和模糊推理方法來識別異常行為[54]。江南大學(xué)的謝林柏教授等人提出了一種基于雙重殘差網(wǎng)絡(luò)的行為識別方法，用于檢測居民跌倒的異常行為[55]。

4.3 異構(gòu)環(huán)境下的日常行為識別

異構(gòu)環(huán)境下的日常行為識別是指在一個智能家居中訓(xùn)練學(xué)習(xí)到的行為識別模型能夠?qū)α硗庖粋€智能家居中的日常行為進行識別。目前，異構(gòu)環(huán)境下的日常行為識別主要有基于遷移學(xué)習(xí)（Transfer Learning）和基于本體兩種方法。例如Hu 等人使用Web Mining 技術(shù)來計算兩個不同智能家居中的日常行為的相似性，根據(jù)相似性來標注目標家居中的日常行為，然后使用遷移學(xué)習(xí)技術(shù)來識別目標智能家居中的日常行為[56]。Samarah等人提出一種基于霧計算（Fog Computing）的日常行為識別框架，在這一框架下計算源智能家居和目標智能家居的環(huán)境相似度，然后使用遷移學(xué)習(xí)方法進行日常行為識別[57]。Ding 等人提出一種深度學(xué)習(xí)和遷移學(xué)習(xí)相結(jié)合的模型進行日常行為識別[58]。Wemlinger等人首先定義了一個共享的語義特征空間模型，然后采用機器學(xué)習(xí)的方法來計算語義特征空間的參數(shù)，最后根據(jù)這個特征空間模型實現(xiàn)日常行為識別[59]。Chiang 等人認為異構(gòu)環(huán)境下日常行為識別的關(guān)鍵在于日常行為特征的表示以及目標智能家居環(huán)境和源智能家居環(huán)境的特征對齊策略，基于這一觀點提出了一種日常行為特征分解、組合以及對齊的特征處理算法用于日常行為識別[60]。

4.4 多居民日常行為識別

多居民（Multi-residents）日常行為是指在智能家居中有多個居民參與的日常行為。多居民日常行為的特點在于不同居民的日常行為在時間上完全或者部分是并行執(zhí)行的。相比較單居民的日常行為識別，多居民日常行為識別的復(fù)雜性在于除了要識別日常行為的類別，還要識別日常行為的主體。

Chen 等人以條件隨機場作為基本模型，提出一種兩階段的行為識別方法，分別用于識別行為類別和行為主體[61]。Alemdar等人使用因子隱馬爾可夫模型（Factorial HMM）作為識別模型，然后使用Nonlinear Bayesian Tracking 策略實現(xiàn)行為主體的分離[62]。Benmensour 等人認為不同居民執(zhí)行同一日常行為特點是不同的，于是將行為識別和行為主體識別合并為一個分類問題，提出兩種改進的隱馬爾可夫模型進行日常行為識別[63]。Hao等人則將行為識別和行為主體統(tǒng)一在一個多維概念格模型下，使用該模型一次性地完成對日常行為的識別[64]。

表1 日常行為識別方法小結(jié)

4.5 日常行為識別方法小結(jié)

如前所述，智慧家居中居民日常行為識別方法可以分為數(shù)據(jù)驅(qū)動的方法和知識驅(qū)動的方法。如表1所示，知識驅(qū)動的方法的優(yōu)勢在于識別模型的可移植性較強，且無需對數(shù)據(jù)進行標注。其局限性在于居民日常行為表現(xiàn)的多樣性，導(dǎo)致構(gòu)建、維護一個完備的識別模型較為困難，而且識別模型通常是根據(jù)先驗知識來構(gòu)建，因此不能有效地應(yīng)對目標數(shù)據(jù)中存在的噪音和不確定性。此外，隨著識別模型復(fù)雜度的增加，推理的復(fù)雜度必然隨著增加，導(dǎo)致識別效率下降。知識驅(qū)動的方法主要應(yīng)用在單、多居民的日常行為識別，異構(gòu)環(huán)境下的日常行為識別的場景下。數(shù)據(jù)驅(qū)動方法的優(yōu)勢在于能夠較好地處理數(shù)據(jù)中存在的噪音以及不確定性，而且學(xué)習(xí)到的識別模型能夠很好地覆蓋日常行為的特征。其局限性在于識別模型的構(gòu)建需要大量已標注的數(shù)據(jù)，此外，對數(shù)據(jù)的嚴重依賴導(dǎo)致學(xué)習(xí)到的模型的可移植性較差，模型的移植需要借助遷移學(xué)習(xí)完整源域到目標域的映射?；跀?shù)據(jù)驅(qū)動方法的優(yōu)缺點，數(shù)據(jù)驅(qū)動的方法主要應(yīng)用在單、多居民的日常行為識別，異構(gòu)環(huán)境下的日常行為識別以及異常行為識別的場景下。

5 測試數(shù)據(jù)集

公開的日常行為識別數(shù)據(jù)集主要包括荷蘭阿姆斯特丹大學(xué)（University of Amsterdanm）發(fā)布的Kasteren數(shù)據(jù)集和華盛頓州立大學(xué)（Washington State University）CASAS（Center for Advanced Studies in Adaptive Systems）發(fā)布的數(shù)據(jù)集。其中CASAS 是目前為止規(guī)模最大、使用最廣泛的日常行為識別數(shù)據(jù)集[3]。如表2 所示，CASAS在49個測試床下共搜集并發(fā)布了64個數(shù)據(jù)集，包括了面向單用戶的日常行為數(shù)據(jù)集、面向多用戶的日常行為數(shù)據(jù)集和面向異常行為的數(shù)據(jù)集。一些數(shù)據(jù)集是全部標注（A），一些是部分標注（P），其他是未標注（N）。

表2 CASAS數(shù)據(jù)集基本信息

常用數(shù)據(jù)集的信息如表3所示，涉及約30種日常行為，主要包括“睡覺（Sleep）”“如廁（Toilet）”“工作（Work）”“做飯（Cook）”“吃飯（Eat）”“洗餐具（Wash）”“洗澡（Bath）”“穿衣服（Dress）”“吃藥（Take_Medicine）”“待客（Entertain_Guests）”“看電視（Watch_TV）”“閱讀（Read）”等。測試床中的傳感器可以分為7 大類，包括“溫度傳感器（T）”“紅外運動傳感器（M）”“廣域紅外運動傳感器（MA）”“光傳感器（LS）”“電燈開關(guān)傳感器（L）”“門開關(guān)傳感器（D）”“電量傳感器（BA）”，其中“光傳感器”“電量傳感器”“溫度傳感器”被觸發(fā)時將輸出實數(shù)值，“紅外運動傳感器”“廣域紅外運動傳感器”“門開關(guān)傳感器”“電燈開關(guān)傳感器”被觸發(fā)時輸出布爾值。

表3 常用數(shù)據(jù)集中的日常行為信息

6 未來的研究方向

智能家居中的居民日常行為識別仍是一個尚未徹底解決的問題，具體表現(xiàn)在：

（1）目前傳感器事件流分割方法的關(guān)鍵是定義評價兩個日常行為在空間和時間上連續(xù)程度的公式，這種公式往往是局部的，并未考慮分割結(jié)果在整個傳感器事件流上的影響。隨著日常行為類別的增多，傳感器事件流的分割效果在急劇下降。提升分割效果的一種途徑是將傳感器事件流分割視為一個多目標優(yōu)化問題：首先隨機確定k個邊界值作為初始種群，然后通過訓(xùn)練集來訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)模型，利用局部泛化誤差作為適應(yīng)度函數(shù)來評估每次訓(xùn)練得到的深度模型的泛化能力。在每一次評估中，具有較小泛化誤差的模型勝出。經(jīng)過若干代的突變、交叉和選擇操作后，最終輸出最優(yōu)的傳感器事件邊界。

（2）雖然已有大量的特征計算策略提出，但是這些策略仍然較為有限并且單一（傳感器及其組合被觸發(fā)的頻率是最常用的特征計算策略），日常行為特征計算策略有待進一步挖掘和融合。單一的行為識別方法已經(jīng)難以大幅提升當前行為識別的效果。融合知識驅(qū)動與數(shù)據(jù)驅(qū)動方法的優(yōu)勢是日常行為識別未來研究的一個方向。在日常行為識別本體的構(gòu)建過程中，可以引入機器學(xué)習(xí)的方法來確定日常行為間的分類和非分類關(guān)系，進而提升日常行為識別本體的表達能力；進一步，引入概念隸屬度來更加精確地描述日常行為間的分類關(guān)系。

（3）日常行為識別模型是對居民已經(jīng)發(fā)生的日常行為時空規(guī)律的抽象表示，但是不能對居民未來發(fā)生的日常行為進行預(yù)測。未來該領(lǐng)域的研究方向之一是日常行為預(yù)測，能夠?qū)用襁z漏的日常行為（例如吃藥）進行有效提示；能夠根據(jù)居民日常行為的時空軌跡，判斷居民是否已開始或者已經(jīng)患有認知疾病，從而給出相應(yīng)的預(yù)警。實現(xiàn)日常行為預(yù)測的方法之一是采用聚類算法對已經(jīng)發(fā)生的日常行為進行聚簇，通過計算給定日常行為與已經(jīng)發(fā)生日常行為的特征相似度來預(yù)測居民當前的日常生活軌跡是否存在變化。

7 結(jié)束語

本文對智能家居中的居民日常行為識別研究現(xiàn)狀進行了綜述。通過對研究現(xiàn)狀的分析可知，經(jīng)過多年艱苦的研究和探索，居民日常行為的研究已經(jīng)取得了長足的進展，涌現(xiàn)出大量有價值的成果。然而，當面臨更為復(fù)雜的行為場景時，現(xiàn)有的行為識別研究并未達到人們的預(yù)期，仍然需要探索新的模型和方法來進一步推動智能家居中居民日常行為識別的研究。