[发明专利]融合运动和生理传感数据的层次化复杂活动识别方法

说明书

本发明公开了一种融合运动和生理传感数据的层次化复杂活动识别方法。包括：1)利用智能设备和穿戴式设备采集运动和生理传感数据；2)对运动传感数据提取统计特征，对生理传感数据提取结构特征和瞬态特征；3)对运动传感数据的统计特征进行K‑Means聚类和LDA主题提取，得到运动传感数据的主题分布；4)在运动传感数据的主题分布和生理传感数据的特征基础上，分别建立相应的分类器；5)采用分数级融合的方法将合分类器的输出，得到复杂活动分类模型。本发明利用聚类和主题模型表示复杂活动的层次化结构，且融合运动和生理传感数据，能实现准确地复杂活动识别，在智能家居、医疗保健、老年人辅助等领域具有广阔的应用前景。

技术领域

本发明涉及模式识别和普适计算领域，具体涉及一种融合运动和生理传感数据的层次化复杂活动识别方法。

背景技术

随着智能设备(如智能手机、智能手表等)和穿戴式设备(如胸带、手环等)的发展，加速度、角速度等运动传感数据以及心电、心率、呼吸率等生理传感数据的获取变得日益便捷，如何利用这些数据进行活动识别成为了业界关注的焦点，相应技术在智能家居、医疗保健、老年人辅助等领域具有广阔的应用前景。

简单活动通常由周期性的动作或者人体单一姿势组成，如站立、坐、走路、跑步等。相比简单活动，复杂活动通常规律性不强，持续时间更长，且具有高级语义，如吃饭、工作、购物等。传统基于智能设备和穿戴式设备的活动识别方法通常首先采集用户的活动相关数据，然后对其进行预处理和分割，接着进行特征提取，最后利用特征数据训练一个活动识别模型。然而传统方法大部分仅基于运动传感数据，且通常只在简单活动上取得较高的识别准确率。

识别简单活动不能满足许多实际应用的需求，复杂活动更能反映用户的日常生活，例如，在健康监护应用中，识别用户的复杂活动如吃药、康复训练等比简单活动更有价值。由于同一简单活动可对应多种复杂活动，如坐着可以是在工作、学习、开会、看电视、吃饭等，现有基于运动传感数据的活动识别方法不能有效分辨这些活动。因此出现了分层识别复杂活动的方法：将复杂活动看作简单活动的组合，人工定义简单活动，并基于领域知识建立简单活动与复杂活动的组成关系。然而，人工定义的简单活动难以覆盖到复杂活动的所有组成，容易造成信息丢失，导致对复杂活动难以进行准确表示。

为进一步提高活动识别的性能，目前也出现了融合运动和生理传感数据的活动识别方法，在特征层面对运动和生理传感数据进行融合。但由于运动传感数据和生理传感数据特性不同，运动传感数据主要体现瞬态变化，而生理传感数据变化速度相对缓慢，加之复杂活动种类繁多，特征级融合不能有效整合特性不同的两类数据进行复杂活动识别。

发明内容

鉴于上述，本发明提出了一种融合运动和生理传感数据的层次化复杂活动识别方法，该方法将复杂活动看作多种简单活动的组合，结合聚类和主题模型来进行层次化的复杂活动识别。

一种融合运动和生理传感数据的层次化复杂活动识别方法，具体包括以下步骤：

(1)采集运动传感数据和生理传感数据，并对两种数据进行异常值处理和特征提取，构建运动传感数据特征向量F_a和生理传感数据特征向量F_p；

(2)将运动传感数据特征向量F_a进行K-Means聚类和LDA主题提取，得到运动传感数据的主题分布；

(3)建立生理传感数据的分类器，将生理传感数据特征向量F_p作为该分类器的输入，计算得到生理传感数据在复杂活动上的概率向量P_p＝[P_p1,P_p2…,P_pm]，m为复杂活动类别的总数目；