[发明专利]基于粗粒度时频特征与多层融合学习的人体行为识别方法

权利要求书

1.一种基于粗粒度时频特征与多层融合学习的人体行为识别方法，其特征在于：包括以下步骤：

步骤S1：搭建基于粗粒度信号的被动式人体行为识别传感系统；

步骤S2：采集人体不同行为下的粗粒度信号数据；

步骤S3：进行样本集构造与信号预处理；

步骤S4：构造基于粗粒度信号的人体行为浅层特征向量；

步骤S5：构建粗粒度信号深度特征提取模型；

步骤S6：构建集成学习模型；

步骤S7：利用传感信号序列实现行为的识别；

所述步骤S1的具体内容为：构建的传感系统包括n个WiFi路由器和一个服务器；在室内环境中离地面1.5m处随机分散部署n个WiFi路由器作为传感节点；n个传感节点之间相互感知，共构成了N条粗粒度信号感知链路，N＝n×(n-1)；各传感节点在j时刻通过UDP通讯将各粗粒度信号感知链路的粗粒度信号发送至服务器中，每次传输得到一个n×(n-1)的一维粗粒度传感信号序列记作传感系统不断接收粗粒度传感信号序列，形成粗粒度信号流；

所述步骤S2的具体内容为：在室内环境中，让测试对象处于已部署的传感系统中，做出不同的动作，所做的动作包括静坐、行走、平躺在床、平躺在地、站立、下蹲或跑步，共计A个；在粗粒度信号数据采集过程中，测试对象需要在房间的不同位置做出相应动作，每次动作的持续时间为T，传感系统的粗粒度信号数据采集频率为f，动作a在第k次采集的粗粒度信号流记为设每个动作的采集次数为K，则对动作a采集的粗粒度信号数据合为一类，记为r^a；

上式中，r_j表示在j时刻传感系统采集的粗粒度信号数据，其中1≤j≤T·f，T·f表示采集的粗粒度信号流的长度；同时根据动作种类给采集的数据建立行为标签，不同的动作对应的行为标签分别采用1、2……A表示；

所述步骤S3的具体内容为：采用滑动窗口方法对采集的粗粒度信号流进行切割，取窗口大小为W，步长为1，得到动作a的第s个样本记为a^s，对于动作a，经过滑窗切割的总样本数为KTf-W+1；

对窗口大小W内各条粗粒度信号感知链路的粗粒度信号进行离散小波系数重构滤除噪声和异常的RSSI测量、以及规范化处理即归一化操作使每个粗粒度信号感知链路的权值相等，用以消除不同粗粒度信号感知链路之间的硬件差异；

所述步骤S4的具体内容为：对步骤S3中每个窗口下各条粗粒度信号感知链路的粗粒度信号进行时域与频域的特征提取，提取13个时域与频域上的统计特征值，13个统计特征值分别为：

时域8个：均值、方差、标准差、最大值、最小值、过均值个数、最大最小值之差、众数；频域5个：fft形状均值、fft幅度均值、fft幅度标准差、fft峭度、fft斜度；

对每条粗粒度信号感知链路的粗粒度信号提取得到的13个时域与频域上的统计特征值形成特征向量f_sj：f_sj＝(均值,方差,标准差,最大值,最小值,过均值个数,最大最小值之差,众数,fft形状均值,fft幅度均值,fft幅度标准差,fft峭度,fft斜度)

融合每条粗粒度信号感知链路的特征向量形成基于粗粒度信号的人体行为浅层特征向量f_s；

f_s＝(f_s1,f_s2,f_s3,…,f_sN)_1×13N

其中，j＝1,2,…,N；

所述步骤S5的具体内容为：

采用深度学习框架搭建深度门控循环单元网络，即粗粒度信号深度特征提取模型，该网络的输出即为基于粗粒度信号的深度行为特征；

在粗粒度信号深度特征提取模型搭建过程中，第一层的输入为连续t个窗口下的传感信号序列，即：

接着后一层选取前一层的输出作为输入，如此反复，而在最后一层只对该层中最后一个深度门控循环单元进行输出；输出结果为一个一维向量，该向量则为提取的基于粗粒度信号的深度行为特征；

在粗粒度信号深度特征提取模型的后端连接一个softmax分类器用于该粗粒度信号深度特征提取模型的分类训练，通过时间反向传播算法最小化交叉熵损失函数的方式来学习深度门控循环单元的权值和偏差，完成设置次数的迭代后粗粒度信号深度特征提取模型训练完毕；训练完毕固定深度门控循环单元的权重、偏置参数，去除分类层，即得到粗粒度信号深度特征提取模型；

所述深度门控循环单元其具体运算过程如下：

其中，为粗粒度信号深度特征提取模型第t′个时间步的输入向量，即步骤S4中的人体行为浅层特征向量，h_t′为每个深度门控循环单元输出的一维向量，h_t′-1表示上一个深度门控循环单元的输出；W_z、W_r分别为更新门、重置门隐层神经元的权值，Z_t′、r_t′分别为更新门、重置门输出向量；W_h、b_C分别表示当前隐藏状态的输出、权值、偏置；σ、tanh分别表示sigmoid、tanh激活函数：

所述步骤S6的具体内容为：

将传感信号序列输入训练好的粗粒度信号深度特征提取模型，得到的输出向量即基于粗粒度信号的深度行为特征，将其作为集成学习模型的输入，用于集成学习模型的学习；首先将线性支持向量机、极端梯度提升、梯度提升、极端随机树四个分类算法作为集成学习的基模型；通过python中的sklearn库分别构建四个基模型，同时使用训练集的基于粗粒度信号的深度行为特征并调用sklearn库中的fit函数对基模型的参数进行训练，最后采用集成学习方法中的软投票法对基模型分类结果进行整合；

基模型对测试集的分类结果分别为Result1、Result2、Result3、Result4，采用软投票法对基模型分类结果进行整合，即：

上式中，Result为集成学习模型对各基模型输出结果的整合，即1×A的概率向量；P₁,P₂,...,P_A分别表示行为标签1,2,...,A的概率值，该向量中概率值最大对应的标签即为最终的行为识别结果；模型性能评价：用测试样本对粗粒度信号深度特征提取模型进行性能测试，相应的性能指标选取识别准确率acc，即：

acc的值在0％-100％之间，当acc的值越接近100％，说明粗粒度信号深度特征提取模型的测试性能越好。