普适计算环境下人体行为识别及情景感知研究

普适计算是“以人为中心的”计算模式,普适计算的愿景是使用户能够随时随地、透明地获取服务,情景感知是实现这一愿景的关键所在,也是普适计算的核心特征之一。在具体的普适计算环境下,存在着多种不同的情景,人的行为活动是研究者需要重点关注的情景,情景感知系统只有准确地感知和识别用户的行为活动,才能理解用户的意图,进而提供个性化服务,用户的行为活动,往往作为触发情景感知服务的触发情景。因此,人体行为识别是实现情景感知服务的关键环节。可穿戴传感器因携带方便,并具有高性能、低功耗等优点,被广泛应用于人体行为识别中,一个行为识别模型的跨用户行为识别能力,是该模型泛化性能好坏的重要体现。由于物联网及传感器技术的飞速发展,将会出现各式各样的传感器,使得情景的获取变得十分方便,但由于传感器的种类、精度各不相同,所产生的情景信息将具有异构性和不确定性,而情景本身又具有动态性。因此,需要对这些大量异构并且动态的情景建立一个有效的模型,一个设计良好的情景模型能够有效地屏蔽情景之间的异构性,清楚地表达情景之间的动态关系以及请感知服务流程,并能有效降低情景感知系统的复杂性。本文围绕人体行为识别和情景模型展开研究。在人体行为识别的研究中,主要研究了深度学习算法在基于可穿戴传感器的人体行为识别中的应用,以及提高模型跨用户行为识别性能的个性化方法。在情景模型的研究中,主要研究了用户的日常行为所触发的情景感知模型。本文的主要研究内容与创新点如下:(1)在CAE-ELM算法模型的基础上,提出了一种改进的混合深度学习算法模型 DC-KELM(Deep Convolutional Kernel Extreme Learning Machine),DC-KELM算法模型通过卷积神经网络提取数据的局部特征,然后再通过多层超限学习机算法进行进一步的特征提取,提取出更深层次的特征,提取到的最终特征通过基于核的超限学习机进行训练和分类。DC-KELM融合了卷积神经网络、多层超限学习机算法的优点,能自动地从原始数据中提取更具判别能力的特征,并且采用泛化性能好的核超限学习机作为分类器。通过在基于可穿戴传感器的人体行为识别数据集上,DC-K ELM算法与混合深度学习算法CAE-ELM、DELM和ML-KELM的对比实验可知,DC-KELM算法的识别准确率以及其它性能要优于CAE-ELM和DELM。在模型的跨用户行为识别方面,与CAE-ELM算法和ML-KELM算法对比,实验结果表明DC-KELM算法的跨用户行为识别性能要优于CAE-ELM和ML-KELM算法,实验结果验证了 DC-KELM算法模型的有效性。(2)在TransRKELM模型的基础上,结合贝叶斯后验概率、不确定抽样策略以及平均余弦相似度的方法,提出了一种样本置信度选择策略,形成了基于 US-RKELM(Uncertainty Sampling based Reduced Kernel Extreme Learn in g M a c h i ne)的跨用户行为识别方法。US-RK E LM方法首先通过已知用户的样本集训练出一个初始模型,然后通过初始模型对新用户的数据进行测试,并把测试样本经过初始模型的输出值转化为与之相对应的后验概率形式,利用测试样本的后验概率值,结合不确定抽样策略,筛选出测试样本集中置信度高的样本进行在线更新初始模型。TransRK ELM模型相比,US-RKELM方法在测试样本的置信度选择上,引入了样本的后验概率信息以及不确定抽样策略对测试样本进行筛选,为减少测试样本中的离群点带来的误差,还引入了平均余弦相似度的度量方法,计算测试样本集中样本的平均余弦相似度。实验结果表明,模型利用筛选的样本集进行更新后,跨用户行为识别性能优于初始模型以及TransRKELM模型。(3)提出了一种基于UML活动图和着色Petri网(Colored PetriNet,CPN)的情景感知模型,选择用户“离家”这一日常行为作为触发情景感知服务的触发情景,利用UML活动图和CPN对用户离家场景下的情景感知服务建模。首先利用UML活动图对情景感知服务进行建模,然后通过UML活动图与CPN之间的转换规则,把UML活动图转换成CPN模型,并利用CPN的特性,对情景感知模型进行动态仿真验证。UML活动图能直观地描述情景感知服务的控制流程,但不能动态仿真验证。Petri网是一种形式化的建模语言,能够对模型进行动态验证仿真,CPN是一种高级Petri网,能够描述复杂的并发系统。基于UML活动图和CPN的混合建模方法,能够很好地分析情景感知系统,描述情景之间的动态关系以及情景感知服务的控制流程,支持情景的推理,并能模拟系统的运行,有效地避免了服务冲突以及不合理的设计出现。