[发明专利]一种面向传感器动态增加的行为识别模型更新方法及系统

说明书

本发明涉及一种面向传感器动态增加的行为识别模型更新方法及系统，包括：模型构建步骤，通过初始传感器获取用户行为的初始数据，并提取初始特征数据以构建行为识别模型；增量特征数据获取步骤，通过该初始传感器和新增传感器获取用户行为的增量数据，定义增量特征并提取增量特征数据；模型更新决策步骤，以该行为识别模型中的决策树预测结果之间的平均互信息，及该预测结果和与其对应的用户实际行为之间的互信息，获得该行为识别模型的每棵决策树的多样性评分，将多样性评分小于更新阈值的决策树作为待更新决策树；模型动态更新步骤，以该增量特征数据更新所有待更新决策树，以实现该行为识别模型的更新。

技术领域

该发明涉及普适计算、增量学习技术和行为识别领域，特别涉及一种面向传感器动态增加的行为识别模型更新方法及系统。

背景技术

近年来，大量研究表明执行日常行为的能力是人类身体健康的重要指标。实时、准确的行为识别可以有效监测人们的日常运动，为老年人提供跌倒预警等。微型、可穿戴式传感器件的诞生与发展为日常行为监护提供了新的途径。其体积小、功耗低等特性使得长时间、实时的行为识别成为可能。随着可穿戴设备的日益普及，用户的可穿戴设备数量会不断增加从而导致可用于行为识别的传感器数目不断增加。如何利用少量具有新传感器的数据提升原有模型的识别性能，是可穿戴行为识别中面临的一个重要挑战。

传统的基于传感器的行为识别方法对离线收集到的标定数据建立分类模型。但这些模型无法适应实际应用的变化。随着新型可穿戴设备的出现，更多的传感器可以用来提高行为识别的性能。文献[Farseev A,Chua T S.TweetFit:Fusing Multiple SocialMedia and Sensor Data for Wellness Profile Learning[C]//AAAI.2017:95-101.MLA]中也提到，多种传感器能够实现更好的行为识别性能。然而，要将一个新的传感器整合到预先训练好的行为识别模型中是十分困难的。新的传感器的出现将导致输入数据的特征维度，即特征种类相应增加，从而导致预先训练的行为识别模型的失效。为了充分利用新传感器采集到的数据，传统方法只能抛弃现有的模型，并重新获取数据训练一个新模型。这种处理方式将导致存储在原模型中的信息和旧数据被抛弃。众所周知，数据标注是一项费时费力的工作。重新训练行为识别模型将会极大地浪费时间和人力。所以，如何调整现有的行为识别模型使其适用于新传感器的出现，同时使用最小的时间和空间成本，是一个巨大的挑战。

针对上述问题，很多学者和研究人员进行了相关研究。专利CN201610182598.X在特征选择方面使用前向序列选择算法得到最佳特征矢量，使用Relief-F进行特征增强处理。在模型构建阶段训练得到一个基分类器和3个弱分类器，集成4个分类器对人体行为进行决策。专利CN201710292408.4使用LSTM模型对传感器获得的数据进行建模，训练神经网络参数得到识别模型，能够处理相对较少数据的建模，但无法应对传感器数量动态增加的情况。专利WO2015123373-A1公开了一种行为识别设备。该设备在资源受限环境下利用惯性传感器收集数据，通过提供基于多种因素的额外分析来提高行为识别的准确性。

虽然多种机器学习方法已经成功应用于行为识别领域，但是他们在可塑性和动态适应性方面尚存在一些不足：

1、面对新增传感器，传统行为识别方法由于输入维度不一致导致模型不适用，无法充分利用新增设备采集到的数据，导致资源的极大浪费。

2、为充分利用新增传感器数据，传统行为识别方法需要抛弃已有模型，重新收集数据构建新模型。这种方式虽然能够充分利用所有可穿戴设备检测用户行为，但会造成已有模型知识的浪费以及导致大量的标定工作。

因此，急需设计一种面向传感器数目动态增加的鲁棒的行为识别方法，当可用的传感设备数目动态增加之后，能够以较小的时空代价，利用来自新传感器的数据提升已有模型的精度。

发明内容