CN107886103B - 用于识别行为模式的方法、设备和*** - Google Patents
用于识别行为模式的方法、设备和*** Download PDFInfo
- Publication number
- CN107886103B CN107886103B CN201610866131.7A CN201610866131A CN107886103B CN 107886103 B CN107886103 B CN 107886103B CN 201610866131 A CN201610866131 A CN 201610866131A CN 107886103 B CN107886103 B CN 107886103B
- Authority
- CN
- China
- Prior art keywords
- sensor
- sensor data
- sensors
- feature vector
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims description 32
- 230000007704 transition Effects 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 73
- 238000003909 pattern recognition Methods 0.000 description 33
- 230000000694 effects Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003287 bathing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003238 somatosensory effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- User Interface Of Digital Computer (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本公开提出了用于识别行为模式的方法、设备和***。该方法包括：连续获取来自多个传感器的传感器数据，以得到与所述多个传感器分别对应的多个传感器数据序列；根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量；以及基于预定概率模型，根据所述变化特征向量来推断及识别行为模式。
Description
技术领域
本公开涉及模式识别领域，更具体地涉及用于识别行为模式的方法、设备和***。
背景技术
人的日常活动包括睡觉、吃饭、穿衣、洗浴等定期实行的基本活动。在工作环境中，还包括伏案、参加会议、外出等行为。对于人的日常行为活动认知，能帮助我们实现对居住及工作环境中的空气质量进行智能化净化控制，以及对在养老院及居家养老的老年人的健康状况进行有效监测。
目前，视频监控***应用广泛，但对于人的日常活动的监测，特别是入厕、入浴等行为，存在侵犯个人隐私的可能性。而通过佩带传感设备的方式来检测人活动的方法尽管能辨别简单的身体动作(例如，站立、坐卧、行走、跌倒等)，但无法判断就餐、入厕入浴等活动。另外，利用电、煤气、自来水及电等使用状况来监测日常活动的***，由于设置场所和信息量有限，无法充分对行为活动进行检测。
中国专利申请公开CN102027518A)提出了一种用于非侵入式地监控人的日常行为活动的方法。该公开的***包括布置检测人的移动和测量环境条件的多个传感器。根据多个传感器的输出信号，解释装置进一步确定所述人的日常生活的活动。解释装置可以提供指示人可能需要直接辅助的警报信号和指示人潜在正恶化的健康状况的警告信号。
中国专利申请公开CN104615236A提出了一种用于活动检测和分析的方法和***，包括确定上下文并向分析引擎提供所确定的上下文和来自至少一个传感器的一项或多项输出以提供分析结果。该***包括至少一个传感器和耦合至该至少一个传感器的处理***，其中，该处理***包括分析引擎，该分析引擎被配置成用于接收所确定的上下文和来自至少一个传感器的一项或多项输出以提供分析结果。
发明内容
要解决的技术问题
然而上述方案中需要人为设定解释装置的处理逻辑及阀值。在设定合适阀值或合理逻辑比较困难的情况下，识别精度低。此外，对未事前设定处理逻辑的活动无法识别，无法适用于长期的活动监控。
问题的解决方案
为了解决上述问题，提供了根据本公开的用于识别行为模式的方法、设备和***。
根据本公开的第一方面，提供了一种用于识别行为模式的方法。该方法包括：连续获取来自多个传感器的传感器数据，以得到与所述多个传感器分别对应的多个传感器数据序列；根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量；以及基于预定概率模型，根据所述变化特征向量来推断及识别行为模式。
在一些实施例中，所述预定概率模型是隐马尔科夫模型“HMM”。在一些实施例中，所述HMM的隐含状态指示行为模式，且所述HMM的可观察项为所述变化特征向量。在一些实施例中，所述传感器数据为二进制传感器值。在一些实施例中，根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量具体包括：当所述多个传感器数据序列中的与第一传感器相关联的第一传感器数据序列中的传感器数据发生变化时，将所述变化特征向量中与所述第一传感器相对应的元素设为0和1之一；以及将所述变化特征向量中与第二传感器相对应的元素设为0和1中另外一个，其中，与所述第二传感器相关联的第二传感器数据序列是在所述第一传感器数据序列中的传感器数据发生变化之前所述多个传感器数据序列中最近发生变化的传感器数据序列。
在一些实施例中，所述HMM的初始隐含状态的概率如下计算：
其中，πi代表初始隐含状态i的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。
在一些实施例中，所述HMM的由隐含状态导致可观测项的概率如下计算：
其中，θ(i，k)代表由隐含状态i导致能够观测到可观测项k的概率，T代表传感器数据的采集时间长度，St代表t时刻的状态，Ot代表t时刻可观测项的状态，以及Kn＝1或0，以及n＝1...N为传感器个数。
在一些实施例中，所述HMM的在隐含状态之间转换的概率如下计算：
其中，ρ(i，j)代表由隐含状态i转换到隐含状态j的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。
在一些实施例中，根据所述变化特征向量来推断及识别行为模式的步骤还包括：使用Viterbi算法来推断转移和观察概率模型，确定每个状态的持续时间最优解，以区分不同的行为活动。在一些实施例中，所述多个传感器包括以下至少一项：人感传感器、引线开关传感器、压力传感器、接触传感器、以及液位传感器。
根据本公开的第二方面，提供了一种用于识别行为模式的设备。该设备包括：数据获取单元，用于连续获取来自多个传感器的传感器数据，以得到与所述多个传感器分别对应的多个传感器数据序列；特征向量确定单元，用于根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量；以及行为模式确定单元，用于基于预定概率模型，根据所述变化特征向量来推断及识别行为模式。
在一些实施例中，所述预定概率模型是隐马尔科夫模型“HMM”。在一些实施例中，所述HMM的隐含状态指示行为模式，且所述HMM的可观察项为所述变化特征向量。在一些实施例中，所述传感器数据为二进制传感器值。在一些实施例中，所述；特征向量确定单元还用于：当所述多个传感器数据序列中的与第一传感器相关联的第一传感器数据序列中的传感器数据发生变化时，将所述变化特征向量中与所述第一传感器相对应的元素设为0和1之一；以及将所述变化特征向量中与第二传感器相对应的元素设为0和1中另外一个，其中，与所述第二传感器相关联的第二传感器数据序列是在所述第一传感器数据序列中的传感器数据发生变化之前所述多个传感器数据序列中最近发生变化的传感器数据序列。
在一些实施例中，所述HMM的初始隐含状态的概率如下计算：
其中，πi代表初始隐含状态i的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。
在一些实施例中，所述HMM的由隐含状态导致可观测项的概率如下计算：
其中，θ(i，k)代表由隐含状态i导致能够观测到可观测项k的概率，T代表传感器数据的采集时间长度，St代表t时刻的状态，Ot代表t时刻可观测项的状态，以及Kn＝1或0，以及n＝1...N为传感器个数。
在一些实施例中，所述HMM的在隐含状态之间转换的概率如下计算：
其中，ρ(i，j)代表由隐含状态i转换到隐含状态j的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。
在一些实施例中，所述行为模式确定单元还用于：使用Viterbi算法来推断转移和观察概率模型，确定每个状态的持续时间最优解，以区分不同的行为活动。在一些实施例中，所述多个传感器包括以下至少一项：人感传感器、引线开关传感器、压力传感器、接触传感器、以及液位传感器。
根据本公开的第三方面，提供了一种用于识别行为模式的***。该***包括多个传感器和至少一个根据本公开第二方面所述的设备。
方案的有益效果
通过使用本公开的方法、设备及***，可以仅使用二进制的传感数据源，无需手动设定处理逻辑及阀值，且能实现对在宅日常活动模式的高精度、自动地识别。此外，在实际***实施中，有维护成本低、适用于长期行为监控等优点。
附图说明
通过下面结合附图说明本公开的优选实施例，将使本公开的上述及其它目的、特征和优点更加清楚，其中：
图1是示出了根据本公开实施例的示例应用场景的示意图。
图2是示出了用于解释根据本公开实施例的隐马尔科夫模型的示意图。
图3是示出了根据本公开实施例的在电子设备处执行的用于识别行为模式的示例方法的流程图。
图4是示出了根据本公开实施例的用于执行图3所示方法的示例电子设备的框图。
具体实施方式
首先应当理解：尽管下面提供了本公开的一个或多个实施例的实现，但是实际上可以使用任何技术(不管是当前已知的还是现有的)来实现所公开的设备和/或方法。本公开不应以任何方式受限于以下说明的包括本文所示和所述的示例设计和实现在内的说明性实现、附图和技术，而是可以在所附权利要求及其完全等价物的范围内修改本公开。
此外，应当注意：尽管以下描述某些具体实施例，但不代表这些具体实施例是实现本公开的最小/最优方案。换言之，可以采用这些实施例中的部分技术特征作为一个完整的技术方案，也可以采用这些实施例中未说明的其他等价、替代、备选技术特征与本公开相结合的技术方案作为一个完整的技术方案。因此，本公开的保护范围不限于这些具体实施例，而是涵盖本领域技术人员根据本公开的教导所能做出的各种修改、替换、添加、删除等。
在正式描述本公开的实施例之前，将首先介绍一下在下文中可能用到的术语。这些术语用于帮助本领域技术人员对本公开的方案进行全面和透彻的理解。因此，除非上下文另行明确规定，否则术语应当以本领域技术人员所惯常理解的含义相同，而不应当过分拘泥于其字面意思或被过度解读。
日常行为活动(daily activities)：人的日常活动包括睡觉、吃饭、穿衣、洗浴等定期实行的基本活动。在工作环境中，还包括伏案、参加会议、外出等行为。当然，在本申请的上下文中，行为活动并不限于上述各项，而是可以包括各种对象(人、动物、机器或任何其他可关注对象)的与外界的各种交互。
二进制传感器(binary sensors)：二进制就是只有0和1两种状态，所以传感器只有开和关状态的就是二进制传感器。例如：光电开关，液位开关，电磁阀，电机，灯泡等。又可被称为二元传感器、二值传感器等。常见的二进制传感器如下表1所示：
表1：二进制传感器示例
当然，本公开并不限于上述传感器以及上述各种配置。例如，本公开同样适用于具有不同检测单位的传感器，例如0.5秒、1.5秒等任意检测单位。此外，本公开同样适用于其他传感器类型，包括(但不限于)：温度/湿度传感器、运动传感器、接近传感器、生物特征传感器、照度(光照)传感器、陀螺仪传感器、磁传感器、手势传感器、体感传感器、静态/运动图像传感器、声音传感器、握力传感器、气压传感器、加速度传感器、紫外线传感器等等。此外，本公开中的传感器同样可以放在上述位置之外的地点。
此外，尽管本公开是在二进制传感器的上下文中描述的，但并不代表本公开仅适用于二进制传感器。事实上，任何传感器均可以适用于本公开的实施例。例如，可以将任何多值传感器的传感器数据人为划分为二值，例如将可以提供1～10的整数值的传感器设定为1～5对应于二进制0，且6～10对应于二进制1。此外，除了将多值传感器的输出转换为二进制之外，通过本文以下所述内容也可以看出，本公开本身也同样适用于多值传感器，只是计算更为复杂一些，这属于本领域技术人员根据本公开所能做出的合理改进。因此，其也被包含在本公开的保护范围内。以下，当不作出特别声明或没有明显上下文矛盾时，可以将术语“二进制传感器”和“多值传感器”加以交换使用。
隐马尔可夫模型(Hidden Markov Model，简称为HMM)：统计模型的一种，用来描述含有隐含未知参数(状态)的马尔科夫过程。更具体地，隐马尔科夫模型是马尔可夫链的一种，它的状态不能被直接观察到，但能通过依赖于该状态的输出(或观测向量或可观察项)来间接观察到。每个状态具有在可能输出上的概率分布。因此，由HMM所产生的输出序列在某种程度上给出了与状态序列相关联的信息。
这里使用的“隐”指的是该马尔科夫过程的状态是不可见的，而该模型的参数并非是“隐”(不可见)的。该模型的参数主要包括三类：不可见的隐含状态之间的转移概率、由某一状态引起某一输出的概率、以及初始状态概率。根据这三类参数以及所观察到的输出序列，可以通过HMM来确定(例如，估计)与输出序列相对应的状态序列的概率分布。下文中将给出与他们相关的详细描述。
大体上，本公开提出一种非侵入式、基于时间序列概率模型的针对在宅日常活动模式的自动识别方法。该方法能大幅度地提高识别的精度，并在实际***实施中，具有维护成本低，适用于长期行为监控的优点。该方案包括在诸如厕所洗脸台、厨房水槽、门窗、沙发、桌椅等人经常活动场所布置二进制传感器，并通过对上述传感器信号相互触发变化的特征进行建模分析，实现在宅日常活动模式的自动识别，大幅度地提高识别精度。
当然，尽管以下描述的实施例主要涉及在宅日常活动模式的识别，但本公开不限于此。本公开同样适用于其他涉及根据传感器数据来识别行为模式的领域，例如工厂、车间、甚至户外、田野中根据传感器数据来识别人类或其他非人类对象的行为模式。此外，尽管以下描述的实施例主要涉及使用二进制传感器，但是本公开不限于此。本公开同样可适用于多值传感器，例如温度计、流量计、压力计、体感传感器等等。
接下来，将结合图1来总体描述根据本公开实施例的行为模式识别方案。以下将以人类在室内有限空间内活动的场景为例来说明本公开。然而本领域技术人员可以清楚地确定本公开不限于此，而是可以应用于各种应用场景。
图1示出了根据本公开实施例的示例应用场景1。首先，在例如某人的家中布置多个传感器200-1～200-3(下文中，当不特别引用某个传感器时，以传感器200统称)，并以直接或间接的方式使其与行为模式识别设备100可通信耦合，即多个传感器200-1～200～3可以向行为模式识别设备100直接和/或间接提供传感器数据。在本公开实施例中，传感器数据的提供可以是主动式、被动式、或这二者的结合。例如，传感器可以主动向行为模式识别设备100报告传感器数据、数据的变化等等。此外，传感器也可以响应于行为模式识别设备100的定时或不定时查询(或轮询)来报告传感器数据、数据的变化等。
此外，尽管图1中示出了三个传感器200-1～200-3，然而本公开不限于此。事实上，本公开同样适用于两个传感器的场景或三个以上传感器的场景。此外，尽管图1中示出了从多个传感器200到行为模式识别设备100的单向数据传输，然而本公开不限于此。事实上，本公开中行为模式识别设备100同样可以向各传感器200下达指令，以调整传感器200的工作状态、指示传感器200采集不同的数据等。此外，尽管图1中示出了各个传感器200通过单一线路向行为模式识别设备100提供传感器数据，然而本公开不限于此。事实上，本公开同样适用于各个传感器200分别通过不同的渠道向行为模式识别设备100提供传感器数据。此外，尽管图1中示出了传感器200-1～200-3在行为模式识别设备100的本地，但是在其他实施例中它们可以不处于同一位置上，而是可以分散在多个地点并协同工作。此外，尽管下文中将以行为模式识别设备100从各个传感器200实时获取数据，以进行对行为模式识别的在线执行。然而在其他实施例中，行为模式识别设备100同样也可以针对离线数据执行，即可以针对预先存储的来自多个传感器200的非实时数据进行计算，以确定(推测)观测对象在数据采集的时间段内的可能行为模式。
在图1所示实施例中，为了在行为模式识别设备100上识别对象的行为模式，将根据本公开实施例的行为模式识别客户端150(以下简称为客户端150)安装在行为模式识别设备100上。客户端150可以由用户以软件的形式自行安装在行为模式识别设备100中，或者可以由生产厂商以硬件或固件的形式安装在行为模式识别设备100中。在一些实施例中，客户端150可以是例如在用户购买了行为模式识别设备100之后从网络中下载的专门用于本公开实施例的应用软件。在另一些实施例中，客户端150可以是例如由生产厂商以固件或硬件形式预先安装在行为模式识别设备100中的应用程序。在又一些实施例中，客户端150可以是由生产厂商生产的硬件模块或行为模式识别设备100本身。
如前面表1所示，多个传感器200-1～200-3可以布置在各个位置处。例如，传感器200-1(例如，人感传感器)可以布置在书房的门上，传感器200-2(例如，压力传感器)可以布置在书房的椅子上，以及传感器200-3(例如，触摸传感器)可以布置在书房电脑的键盘上。这样，当这三个传感器按1→2→3的顺序依次改变状态时(例如，二进制传感器的0→1或1→0)，则有很高的概率是对象(人)进入书房，坐在椅子上开始敲打键盘。此外，当这三个传感器按3→2→1的顺序依次改变状态时，则有很高的概率是对象(人)停止敲击键盘，站起来走出书房。
因此，发明人意识到可以将人的行为模式视为HMM中的隐藏状态(参数)，而将传感器数据视为HMM中的可观测输出。就此，发明人提出了以下构思。首先，布置(二进制)传感器，以检测与人有关的各种信息。其次，将采集到的传感器数据加以转换，以获取它们之间的相互触发变化的特征。然后，利用HMM对该相互触发变化的特征加以建模，并根据采集数据来识别(确定或估计)对象的行为模式。
由于采集到的传感器信号为二进制值0或1。在不失一般性的情况下，1可以表示触发而0可以表示没有触发。当然，本公开同样适用于相反的情形，即0可以表示触发而1可以表示没有触发。当然，对于多值传感器，只要值发生变化，同样适用于下述确定变化特征向量的方式。在本文中，变化特征向量为用于指示全体传感器的交互特征的向量，假定初始变化特征向量为全零向量。接下来，可以将单独传感器的触发/未触发信号转化成传感器全体的相互触发关系。其转换规则如下所述。
当分别来自多个传感器的多个传感器数据序列中的与第一传感器相关联的第一传感器数据序列中的传感器数据发生变化时，将变化特征向量中与第一传感器相对应的元素设为0和1之一；以及将变化特征向量中与第二传感器相对应的元素设为0和1中另外一个，其中，与第二传感器相关联的第二传感器数据序列是在第一传感器数据序列中的传感器数据发生变化之前多个传感器数据序列中最近发生变化的传感器数据序列。
以下将结合具体示例来详细说明该转换规则。
假定在一定时间段内来自传感器1(200-1)的传感器数据序列为[1，1，0，0，0，0]，同时来自传感器2(200-2)的传感器数据序列为[0，0，0，1，1，0]，同时来自传感器3(200-3)的传感器数据序列为[0，1，1，1，0，0]。可以观察到在这组数据中，没有两个传感器的传感器数据同时改变。尽管事实上可能会出现两个或更多个传感器同时发生数据改变，但是由于其到达行为模式识别设备100的先后或者根据人为指定顺序，总是可以将来自各个传感器的状态变化区分先后，且因此本公开实施例中假定不会有两个或两个以上传感器同时改变状态。从而，根据上述转换规则，表示这三个传感器之间的变化触发的特征向量可以是：
该特征向量Ot的每一行分别与三个传感器相对应，其明确地指示了在时刻t哪个传感器的二进制数据发生了变化(在上述示例中，t＝1...6)。接下来，可以利用隐马尔可夫模型(HMM)，对相互触发变化特征建模，以识别行为模式。以下结合图2来详细描述隐马尔科夫模型在本公开中的应用。
图2是示出了用于解释根据本公开实施例的隐马尔科夫模型的示意图，其中，将HMM的隐含状态(参数)表示为不同的行为活动(行为模式)，而可观察项(或输出)为上述传感器相互触发变化的特征向量。在附图2中，πi和πj分别代表初始隐含状态i和j的概率，ρ(i，j)和ρ(j，i)分别代表由隐含状态i转换到隐含状态j的概率和由隐含状态j转换到隐含状态i的概率，以及θ(i，k)、θ(j，k)、θ(i，m)、θ(j，m)代表由隐含状态i或j导致能够观测到可观测项k或m的概率。
具体地，该HMM的初始隐含状态的概率πi如下计算：
其中，πi代表初始隐含状态i的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。可以类似计算πj。
该HMM的由隐含状态导致可观测项的概率θ(i，k)如下计算：
其中，θ(i，k)代表由隐含状态i导致能够观测到可观测项k的概率，T代表传感器数据的采集时间长度，St代表t时刻的状态，Ot代表t时刻可观测项的状态，以及Kn＝1或0，以及n＝1...N为传感器个数。可以类似计算θ(j，k)、θ(i，m)、θ(j，m)。
该HMM的在隐含状态之间转换的概率ρ(i，j)如下计算：
其中，ρ(i，j)代表由隐含状态i转换到隐含状态j的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。可以类似计算ρ(j，i)。
在确定了该HMM模型的各个参数之后，即可采用本领域的各种计算方案来确定最优的隐含状态序列。该计算方案可以是例如使用Viterbi算法，确定每个状态的持续时间最优解，以区分不同的行为活动。当然本公开不限于此，也可以采用其他可行的算法。
至此，已结合图1和图2详细描述了根据本公开一些实施例的用于识别对象的行为模式的方案。通过使用该方案，可以在仅使用二进制的传感数据源的情况下，无需手动设定处理逻辑及阀值，且能实现对在宅日常活动模式的高精度、自动地识别。此外，在实际***实施中，有维护成本低、适用于长期行为监控等优点。
图3是示出了根据本公开实施例的在行为模式识别设备100中执行的用于识别行为模式的方法300的流程图。如图3所示，方法300可以包括步骤S310、S320和S330。根据本公开，方法300的一些步骤可以单独执行或组合执行，以及可以并行执行或顺序执行，并不局限于图3所示的具体操作顺序。在一些实施例中，方法300可以由图1所示的行为模式识别设备100和/或客户端150来执行。
图4是示出了根据本公开实施例的用于识别行为模式的示例行为模式识别设备100的框图。如图4所示，行为模式识别设备100可以包括：数据获取单元110、特征向量确定单元120和行为模式确定单元130。
数据获取单元110可以用于连续获取来自多个传感器的传感器数据，以得到与该多个传感器分别对应的多个传感器数据序列。数据获取单元110可以是行为模式识别设备100的中央处理单元(CPU)、数字信号处理器(DSP)、微处理器、微控制器等等，其可以与行为模式识别设备100的通信部分(例如，无线收发信机、以太网卡、xDSL调制解调器等)和/或存储部分(例如，RAM、SD卡等)相配合，从网络上远程获得或者从本地存储器中本地获得与多个传感器分别对应的多个传感器数据序列。
特征向量确定单元120可以用于根据多个传感器数据序列来确定与多个传感器相关的变化特征向量。特征向量确定单元120可以是行为模式识别设备100的中央处理单元(CPU)、数字信号处理器(DSP)、微处理器、微控制器等等，其可以用于根据数据获取单元110获取的多个传感器数据序列来确定与多个传感器相关的变化特征向量。
行为模式确定单元130可以用于基于预定概率模型，根据变化特征向量来确定具有最高概率的行为模式，作为识别出的行为模式。行为模式确定单元130可以是行为模式识别设备100的中央处理单元(CPU)、数字信号处理器(DSP)、微处理器、微控制器等等，其用于基于例如HMM，根据前述特征向量确定单元120确定的变化特征向量来确定具有最高概率的行为模式。
此外，行为模式识别设备100还可以包括图4中未示出的其他功能单元，然而由于其并不影响本领域技术人员理解本公开的实施方式，因此在图4中加以省略。例如，行为模式识别设备100还可以包括以下一项或多项：电源、存储器、数据总线、天线、无线收发信机、以太网卡等等。
以下将结合图3和图4，对根据本公开实施例的在行为模式识别设备100上执行的用于识别行为模式的方法300和行为模式识别设备100进行详细的描述。
方法400开始于步骤S310，在步骤S310中，可以由行为模式识别设备100的数据获取单元110连续获取来自多个传感器的传感器数据，以得到与多个传感器分别对应的多个传感器数据序列。
在步骤S320中，可以由特征向量确定单元120根据多个传感器数据序列来确定与多个传感器200相关的变化特征向量。
在步骤S330中，可以由行为模式确定单元130基于预定概率模型，根据变化特征向量来确定具有最高概率的行为模式，作为识别出的行为模式。
在一些实施例中，预定概率模型可以是隐马尔科夫模型“HMM”。在一些实施例中，HMM的隐含状态可以指示行为模式，且HMM的可观察项可以为变化特征向量。在一些实施例中，传感器数据可以为二进制传感器值。在一些实施例中，步骤S320具体可以包括：当多个传感器数据序列中的与第一传感器相关联的第一传感器数据序列中的传感器数据发生变化时，可以将变化特征向量中与第一传感器相对应的元素设为0和1之一；以及可以将变化特征向量中与第二传感器相对应的元素设为0和1中另外一个，其中，与第二传感器相关联的第二传感器数据序列可以是在第一传感器数据序列中的传感器数据发生变化之前多个传感器数据序列中最近发生变化的传感器数据序列。
在一些实施例中，HMM的初始隐含状态的概率可以如下计算：
其中，πi代表初始隐含状态i的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。
在一些实施例中，HMM的由隐含状态导致可观测项的概率可以如下计算：
其中，θ(i，k)代表由隐含状态i导致能够观测到可观测项k的概率，T代表传感器数据的采集时间长度，St代表t时刻的状态，Ot代表t时刻可观测项的状态，以及Kn＝1或0，以及n＝1...N为传感器个数。
在一些实施例中，HMM的在隐含状态之间转换的概率可以如下计算：
其中，ρ(i，j)代表由隐含状态i转换到隐含状态j的概率，T代表传感器数据的采集时间长度，以及St代表t时刻的状态。
在一些实施例中，步骤S330还可以包括：可以使用Viterbi算法来推断转移和观察概率模型，确定每个状态的持续时间最优解，以区分不同的行为活动。
在一些实施例中，多个传感器可以包括以下至少一项：人感传感器、引线开关传感器、压力传感器、接触传感器、以及液位传感器。
至此已经结合优选实施例对本公开进行了描述。应该理解，本领域技术人员在不脱离本公开的精神和范围的情况下，可以进行各种其它的改变、替换和添加。因此，本公开的范围不局限于上述特定实施例，而应由所附权利要求所限定。
Claims (10)
1.一种用于识别行为模式的方法，包括：
连续获取来自多个传感器的传感器数据，以得到与所述多个传感器分别对应的多个传感器数据序列；
根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量；以及
基于预定概率模型，根据所述变化特征向量来推断及识别行为模式，
其中，所述传感器数据为二进制传感器值，
其中，根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量具体包括：
当所述多个传感器数据序列中的与第一传感器相关联的第一传感器数据序列中的传感器数据发生变化时，将所述变化特征向量中与所述第一传感器相对应的元素设为0和1之一；以及将所述变化特征向量中与第二传感器相对应的元素设为0和1中另外一个，其中，与所述第二传感器相关联的第二传感器数据序列是在所述第一传感器数据序列中的传感器数据发生变化之前所述多个传感器数据序列中最近发生变化的传感器数据序列，
其中，所述变化特征向量的每一行分别与所述多个传感器之一相对应，所述变化特征向量指示了在一个或多个时刻哪个传感器的二进制传感器值发生了变化。
2.根据权利要求1所述的方法，其中，所述预定概率模型是隐马尔科夫模型HMM。
3.根据权利要求2所述的方法，其中，所述HMM的隐含状态指示行为模式，且所述HMM的可观察项为所述变化特征向量。
4.根据权利要求3所述的方法，其中，所述HMM的初始隐含状态的概率如下计算：
其中，代表初始隐含状态i的概率，T代表传感器数据的采集时间长度，以及/>代表t时刻的状态。
5.根据权利要求3所述的方法，其中，所述HMM的由隐含状态导致可观测项的概率如下计算：
其中，代表由隐含状态i导致能够观测到可观测项k的概率，T代表传感器数据的采集时间长度，/>代表t时刻的状态，/>代表t时刻可观测项的状态，以及/>，以及n = 1 … N为传感器个数。
6.根据权利要求3所述的方法，其中，所述HMM的在隐含状态之间转换的概率如下计算：
其中，代表由隐含状态i转换到隐含状态j的概率，T代表传感器数据的采集时间长度，以及/>代表t时刻的状态。
7.根据权利要求2所述的方法，其中，根据所述变化特征向量来推断及识别行为模式的步骤还包括：
使用Viterbi算法来推断转移和观察概率模型，确定每个状态的持续时间最优解，以区分不同的行为活动。
8.根据权利要求1所述的方法，其中，所述多个传感器包括以下至少一项：人感传感器、引线开关传感器、压力传感器、接触传感器、以及液位传感器。
9.一种用于识别行为模式的设备，包括：
数据获取单元，用于连续获取来自多个传感器的传感器数据，以得到与所述多个传感器分别对应的多个传感器数据序列；
特征向量确定单元，用于根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量；以及
行为模式确定单元，用于基于预定概率模型，根据所述变化特征向量来推断及识别行为模式，
其中，所述传感器数据为二进制传感器值，
其中，所述特征向量确定单元还用于：
当所述多个传感器数据序列中的与第一传感器相关联的第一传感器数据序列中的传感器数据发生变化时，将所述变化特征向量中与所述第一传感器相对应的元素设为0和1之一；以及
将所述变化特征向量中与第二传感器相对应的元素设为0和1中另外一个，其中，与所述第二传感器相关联的第二传感器数据序列是在所述第一传感器数据序列中的传感器数据发生变化之前所述多个传感器数据序列中最近发生变化的传感器数据序列，
其中，所述变化特征向量的每一行分别与所述多个传感器之一相对应，所述变化特征向量指示了在一个或多个时刻哪个传感器的二进制传感器值发生了变化。
10.一种用于识别行为模式的***，包括多个传感器和至少一个根据权利要求9所述的设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610866131.7A CN107886103B (zh) | 2016-09-29 | 2016-09-29 | 用于识别行为模式的方法、设备和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610866131.7A CN107886103B (zh) | 2016-09-29 | 2016-09-29 | 用于识别行为模式的方法、设备和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107886103A CN107886103A (zh) | 2018-04-06 |
| CN107886103B true CN107886103B (zh) | 2023-12-08 |
Family
ID=61768678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610866131.7A Active CN107886103B (zh) | 2016-09-29 | 2016-09-29 | 用于识别行为模式的方法、设备和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107886103B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110547718A (zh) * | 2018-06-04 | 2019-12-10 | 常源科技（天津）有限公司 | 一种智能翻盖马桶以及控制方法 |
| WO2020073147A1 (en) * | 2018-10-08 | 2020-04-16 | Qualcomm Incorporated | Vehicle entry detection |
| CN109587905B (zh) * | 2018-11-30 | 2020-01-07 | 嘉兴斯达思智能科技有限公司 | 基于ZigBee无线传感网络的智能小夜灯控制方法 |
| CN114724714A (zh) * | 2019-05-20 | 2022-07-08 | 合肥工业大学 | 一种基于用户空间的患者认知能力监测***及方法 |
| CN114512211A (zh) * | 2019-05-20 | 2022-05-17 | 合肥工业大学 | 一种基于时序数据库的认知训练策略生成方法及*** |
| CN110349373B (zh) * | 2019-07-15 | 2021-04-09 | 滁州学院 | 基于二元传感器的行为识别方法、装置及存储介质 |
| CN110822152B (zh) * | 2019-11-19 | 2022-06-07 | 苏州大学文正学院 | 一种智能出水终端 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1877340A (zh) * | 2005-06-09 | 2006-12-13 | 索尼株式会社 | 活动识别设备、方法、以及程序 |
| CN101557506A (zh) * | 2009-05-19 | 2009-10-14 | 浙江工业大学 | 基于计算机视觉的电梯轿厢内暴力行为智能检测装置 |
| JP2010213782A (ja) * | 2009-03-13 | 2010-09-30 | Oki Networks Co Ltd | 行動認識方法、装置及びプログラム |
| CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
| CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
| CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
| CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
| CN105531995A (zh) * | 2013-05-10 | 2016-04-27 | 罗伯特·博世有限公司 | 用于使用多个摄像机进行对象和事件识别的***和方法 |
| CN105787434A (zh) * | 2016-02-01 | 2016-07-20 | 上海交通大学 | 基于惯性传感器的人体运动模式识别方法 |
| CN105956614A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学院上海高等研究院 | 一种时间序列语义化预测方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243439A1 (en) * | 2007-03-28 | 2008-10-02 | Runkle Paul R | Sensor exploration and management through adaptive sensing framework |
-
2016
- 2016-09-29 CN CN201610866131.7A patent/CN107886103B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1877340A (zh) * | 2005-06-09 | 2006-12-13 | 索尼株式会社 | 活动识别设备、方法、以及程序 |
| JP2010213782A (ja) * | 2009-03-13 | 2010-09-30 | Oki Networks Co Ltd | 行動認識方法、装置及びプログラム |
| CN101557506A (zh) * | 2009-05-19 | 2009-10-14 | 浙江工业大学 | 基于计算机视觉的电梯轿厢内暴力行为智能检测装置 |
| CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
| CN105531995A (zh) * | 2013-05-10 | 2016-04-27 | 罗伯特·博世有限公司 | 用于使用多个摄像机进行对象和事件识别的***和方法 |
| CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
| CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
| CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
| CN105787434A (zh) * | 2016-02-01 | 2016-07-20 | 上海交通大学 | 基于惯性传感器的人体运动模式识别方法 |
| CN105956614A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学院上海高等研究院 | 一种时间序列语义化预测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| "智能空间下基于非视觉传感器数据的人体行为识别方法研究;张伟;《中国优秀硕士学位论文全文数据库.信息科技辑》;20160215(第2期);第32段第3段,第33页第2段,第34页第2-4段 * |
| 张伟."智能空间下基于非视觉传感器数据的人体行为识别方法研究.《中国优秀硕士学位论文全文数据库.信息科技辑》.2016,(第2期),第32-35页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107886103A (zh) | 2018-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886103B (zh) | 用于识别行为模式的方法、设备和*** | |
| Deep et al. | A survey on anomalous behavior detection for elderly care using dense-sensing networks | |
| US11626004B2 (en) | Methods and systems for improving infection control in a facility | |
| Candás et al. | An automatic data mining method to detect abnormal human behaviour using physical activity measurements | |
| US9240111B2 (en) | Inferring building metadata from distributed sensors | |
| US9710761B2 (en) | Method and apparatus for detection and prediction of events based on changes in behavior | |
| JP4742878B2 (ja) | 生活見守りシステム | |
| Yuan et al. | Occupancy estimation in buildings based on infrared array sensors detection | |
| US20100316253A1 (en) | Pervasive sensing | |
| CN105979858A (zh) | 心率监测设备 | |
| CN108109336A (zh) | 一种基于加速度传感器的人体跌倒识别方法 | |
| Lee et al. | Personalized energy auditor: Estimating personal electricity usage | |
| KR20090119157A (ko) | 유비쿼터스 센서 네트워크 및 멀티 센서 기반의 생리 현상모니터링 시스템 | |
| JP7403761B2 (ja) | 要介護者見守り支援システム | |
| Langensiepen et al. | Activities recognition and worker profiling in the intelligent office environment using a fuzzy finite state machine | |
| Yin et al. | Unsupervised daily routine and activity discovery in smart homes | |
| Atallah et al. | Behaviour profiling with ambient and wearable sensing | |
| Alam | Context-aware multi-inhabitant functional and physiological health assessment in smart home environment | |
| WO2017067937A1 (en) | Monitoring a physical or mental capability of a person | |
| CN111141284A (zh) | 智能建筑人员热舒适度及热环境管理***和方法 | |
| Xiao et al. | SHMO: A seniors health monitoring system based on energy-free sensing | |
| CN102551664B (zh) | 睡眠分析方法、睡眠分析表及睡眠分析*** | |
| Kalra et al. | Detection of daily living activities using a two-stage Markov model | |
| Hsu et al. | Abnormal behavior detection with fuzzy clustering for elderly care | |
| JP2010262510A (ja) | センサネットワークシステム、データ処理装置、およびデータ処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |