[发明专利]一种基于物理属性的自适应行为识别方法

说明书

一种基于物理属性的自适应性行为识别方法，通过采集运动过程的加速度数据作为训练样本，利用卡尔曼滤波器对训练样本进行滤波，计算每类动作一个完整周期的物理属性作为样本特征值，采用可变大小的动态滑动窗口来处理实时数据流，选择各特征值的平均值及引力作为投票依据，通过投票来进行分类。最后通过增量学习过程来动态更新样本特征值，使其逐渐趋向于用户的行为习惯，达到更好的行为识别目的。本发明对个别用户具有良好的灵活适应性、识别率较高。

技术领域

本发明属于传感器网络领域，尤其涉及一种基于物理属性的自适应行为识别方法。

背景技术

近年来，随着物联网技术和信息科学技术的飞速发展，人体的行为识别得到人们越来越多的重视，它是改善人们生活的一项重要技术，具有非常广泛的应用前景。传统的行为识别方法能够有效识别人体行为，但其大多是建立在一个静态模型上，对样本特征值有非常强的依赖性，而没有考虑到对个别用户的灵活适应性和动态改进，比如不同的人有不同的行为特点，一个人的走路行为可能对应于另一个人的跑步行为。所以设计一个既能适应普通大众又能对用户行为进行增量学习进而可以动态改进的行为识别系统非常重要。

发明内容

为了克服现有的行为识别算法对个别用户缺少灵活适应性的不足，本发明提供一种对个别用户具有良好的灵活适应性、识别率较高的基于物理属性的自适应行为识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于物理属性的自适应行为识别方法，所述方法包括以下步骤：

步骤1：样本特征值的提取，过程如下：

步骤1.1：收集运动过程中的加速度数据作为训练样本；

步骤1.2：利用卡尔曼滤波器滤除训练样本中的异常数据，通过滤波得到了可用的训练集，训练集中的数据分为3类，分别是加速度计X、Y、Z轴的数据，通过分离出每个动作周期，分别记录每个动作平均一个完整周期所需要的加速度数据个数，用以作为后期滑动窗口的大小；

步骤1.3：将每个行为的一个完整动作周期所产生的三轴合成加速数据集合看做物质，基于物理属性进行特征值提取；

步骤2：分类算法，过程如下：

步骤2.1：选择各特征值的平均值及引力作为投票依据；

步骤2.2：设计一个动态滑动窗口来处理实时数据流，将训练样本所得的每个行为动作一个周期的加速度数据个数从小到大排列好，先将滑动窗口大小设定为d，然后求取窗口内数据集合的上述物理特征，再与所训练样本的三个特征平均值的相对误差及引力大小作比较；

每个特征平均值将票投给相对误差较小的一类行为，引力则将票投给引力较大的一类，投票结果选择票数最多且大于等于2票的行为；只有投票结果与所选窗口大小对应的行为一致时，该行为步数加1，滑动窗口移至下一窗口；否则将滑动窗口按上述排列结果向数据流反方向依次增大，继续判断，直至可以判断出结果。

进一步，所述步骤1.2中，下楼d、上楼u、骑车c、跑步r、走路w作为后期滑动窗口的大小；

步骤1.3：当行为为走路时，如走一步产生的数据集合分别为a₁(x₁,y₁,z₁)、a₂(x₂,y₂,z₂)、a₃(x₃,y₃,z₃)、…、a_n(x_n,y_n,z_n)，其中x、y、z分别表示三轴加速度值，n表示每组数据所包含的数据个数，然后提取以下物理特征：