[发明专利]一种基于蜂群算法的人体行为检测方法

权利要求书

1.一种基于蜂群算法的人体行为检测方法，其特征在于，其步骤如下：

步骤一：将可穿戴式数据采集分析系统设置在被监测人的手腕上，利用可穿戴式数据采集分析系统的检测模块对被监测人的动作数据进行实时采集；

步骤二：可穿戴式数据采集分析系统利用控制模块对采集的动作数据进行预处理，控制模块利用训练好的SVM分类器对预处理后的数据进行分类识别，得到被监护人的动作信息；同时，将采集的动作数据存储到控制模块的闪存中，闪存中的数据定时通过无线网络发送至学习优化模块；

步骤三：学习优化模块定期利用多目标蜂群算法对SVM分类器的参数和数据特征个数进行优化，并把优化信息通过无线网络反馈给控制模块，实时调整控制模块中的SVM分类器；

步骤四：当控制模块利用SVM分类器分析动作数据出现异常或学习优化模块分析某动作数据与数据库中历史数据差别过大时将动作数据转化为警示信息，控制模块通过无线网络将警示信息和被监护人位置信息发送给报警模块，被监护人的家人或医生及时作出下一步判断处理；

预处理是对多达15路人体数据信号进行归一化处理并借助容积Kalman滤波对采集信号进行去噪处理；对于多达17类动作的多分类问题，借助常规的二分类SVM分类器把每类动作所对应的训练数据与其他类别的训练数据结合分别构造二分类问题，共训练出136个二分类SVM分类器；之后所有训练好的二分类SVM分类器对实时人体数据进行分类识别，并对所有类别结果进行投票，得票最多的类别即为实时人体数据所属的类别，以此完成人体动作数据分类；

所述学习优化模块的更新过程是以SVM的最小分类率和最小的特征个数作为优化目标，经过预处理后的数据集根据多目标蜂群算法寻优到的最小的特征个数进行精简，由更新了参数的SVM分类器进行分类处理并估计分类准确率，进而以最高的分类率和最少的特征个数为指标评价适应度函数值，若不符合预先设置的结束条件，则由多目标蜂群算法对SVM参数和选择的特征进行进一步寻优并更新特征子集和SVM分类器，直至符合结束条件，输出优化SVM参数(C，r)和选择的特征子集；优化后的SVM分类器的参数和特征个数将通过无线通信反馈给控制模块，实时调整控制模块中的SVM分类器；

所述学习优化模块采用了多维优化的种群搜索策略扩大解的搜索范围，多维优化的种群搜索策略为：若待更新解为x_i＝(x_i1,x_i2,…,x_id,…,x_iD)，在待更新解x_i的附近搜索的新解为x′_i＝(x′_i1,x′_i2,…,x′_id,…,x′_iD)，标志位flag＝0，Dim用来存储每个食物源具有深度挖掘价值的维度，Num表示对应有更新价值维度的数量，适应度采用如式(2)所示的形式：

其中，Accuracy_svm、N_feature分别表示特征的分类精度和搜索到的特征个数；

若新解的适应度f(x′_i)＞f(x_i)，则说明当前解在该维度有进一步优化的潜力，将该维度存储到维度Dim中，并保留x′_id，更新标志位，即：

if f(x′_i)＞f(x_i)then x_id＝x′_id,

Num＝Num+1,Dim(i,Num)＝d,

flag＝1 (3)；

其中，i表示第i个个体，d表示该个体下的相应维度；

对当前解的全部维度都搜寻，检测标志位flag的数值；若标志位的值为1，则在全部维度的更新中，有至少一个维度上找到了更优的选择并更新了食物源；如果数值等于0，则所有维度上都没有找到更优选择，食物源未被更新。