CN109119172A - 一种基于蜂群算法的人体行为检测方法 - Google Patents

Abstract

本发明提出了一种基于蜂群算法的人体行为检测方法，其步骤为：将可穿戴式数据采集分析***设置在被监测人的手腕上，检测模块对被监测人的动作数据进行实时采集；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；学习优化模块对SVM分类器的参数和数据特征个数进行优化，通过无线网络反馈给控制模块，实时调整SVM分类器；根据分析结果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。本发明方便简单，实时采集特殊人群体动作指标参数，能够大大提升行为识别精度和速度，从而对可能出现的不良情况及时预警，适用性广泛。

Description

一种基于蜂群算法的人体行为检测方法

技术领域

本发明涉及行为监测的技术领域，尤其涉及一种基于蜂群算法的人体行为检测方法，适用于家庭、医院、养老院的人体行为识别监测，基于可穿戴数据采集设备，利用先进并行多目标蜂群算法和SVM分类器，实现对病人、老年人等需要看护群体的日常行为和生理指标进行实时监测，并对可能出现危险情况进行报警，方便家人或医务人员处理。

背景技术

随着我国人口的不断增加，对老、弱、病等特殊群体的日常看护和监护已成为突出的社会问题，而智能化的精确人体行为识别监测成为一个重要的研究方向，它不仅是智能家居中的重要的研究方向，还可以在智慧医疗、智慧养老等智能***中起着重要的作用。以往关于人体行为监测的研究，其获取行为信号的方式是基于视觉和传感器的两种。基于视觉是通过图像监护人体行为动作，虽然直观方便，但因为涉及到人的隐私，接受度不高；并且无法有效获得人体相关动作数据完成与历史信息的对比和判断。基于可穿戴式的传感器的信号获取方式则更人性化，在不影响人日常生活的情况下完成人体信号的采集、分析、监测。市场上现有的穿戴式行为监测***，由于算法简单、硬件不完善等问题，容易产生误判、漏判或判断行为有限等问题。

发明内容

针对现有获取行为信号的方法接受度不高，方法复杂，容易产生误判和漏判的技术问题，本发明提出一种基于蜂群算法的人体行为检测方法，基于简单便携的可穿戴式人体行为数据采集分析***，并借助并行化多目标蜂群算法优化的SVM分类器，实时识别监测人体行为和生理指标，获知当前人如睡觉、吃饭、刷牙、穿衣、看报看电视、上下楼等日常动作信息，并对人的健康状况和可能出现的意外及时处理。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于蜂群算法的人体行为检测方法，其步骤如下：

步骤一：将可穿戴式数据采集分析***设置在被监测人的手腕上，利用可穿戴式数据采集分析***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***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。

所述可穿戴式数据采集分析***包括供电模块、检测模块和控制模块，供电模块和检测模块均与控制器模块相连接；供电模块用于提供给可穿戴式数据采集分析***正常工作的电压，检测模块包括GPS定位模块、湿敏电阻式的温湿度传感器、光学心率传感器、磁力计、六轴陀螺仪和压力传感器，GPS定位模块、湿敏电阻式温湿度传感器、光学心率传感器、磁力计、六轴陀螺仪和压力传感器均与控制器模块相连接。

所述可穿戴式数据采集分析***还包括学习优化模块和报警模块，控制模块包括MCU微处理器、通信芯片和显示芯片，MCU微处理器分别与通信芯片和显示芯片相连接；显示芯片用于实时显示被监护人的心率或步速，学习优化模块和报警模块均通过通信芯片与控制模块相连接，控制模块内还设有用于存储检测数据的闪存；检测模块采集到的数据发送给控制模块，控制模块对采集到的数据进行预处理并运用SVM分类器对17类人体日常行为进分类，以得到行为识别结果；报警模块通过接收控制模块发送的相关动作信息，并与之前完成同类动作的数据进行比较，如若异常通过网络向家人或医生发出报警信号；通信芯片将检测模块检测到的数据通过网络定时上传并发送给学习优化模块，学习优化模块借助改进的多目标蜂群算法对SVM分类器和数据特征个数进行优化。

所述动作信息为17类人体日常行为中走路、慢跑、上楼、下楼、看报纸、做饭、扫地、吃饭、洗碗、骑车、睡觉、刷牙、穿衣、洗脸、看电视、打电话、上卫生间或摔倒中一种。

所述预处理包括对若干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。

所述多目标蜂群算法的外部档案更新是将所有解根据拥挤距离从大到小排列，保存拥挤距离较大的解；第i个个体第k个目标的拥挤距离为：

其中，分别为第k个目标的最大值和最小值，f(i+1，k)和f(i-1，k)分别为第k个目标的第i+1和i-1个个体目标函数的值；

把各个目标函数f()的拥挤距离求和得到个体对应的拥挤距离。

为了提高搜索精度，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_ij,…,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′_ij,…,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。

本发明的有益效果：方便简单，通过集成在穿戴式设备中的多种传感器，实时采集特殊人群体动作指标参数，为行为判断打下良好基础；采用多目标智能算法，更能够大大提升行为识别精度和速度，从而对可能出现的不良情况及时预警，为医生或家人的帮助争取时间，提高了老人、病人等需要看护的特殊群体行动的安全性，同时设备能够根据不同人的情况作出调整，适用性广泛。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明可穿戴式数据采集分析***的原理图。

图2为本发明利用的多目标蜂群算法的流程图。

图3为本发明SVM分类器的参数和数据特征个数优化选择的优化过程。

图4为本发明利用的多目标蜂群算法并行化的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于蜂群算法的人体行为检测方法，基于可穿戴式行为监测***和多目标蜂群算法实现人体行为识别，其步骤如下：

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

如图1所示，可穿戴式数据采集分析***包括供电模块、检测模块和控制模块，供电模块和检测模块均与控制器模块相连接。供电模块用于提供给可穿戴式数据采集分析***正常工作的电压，检测模块包括GPS定位模块、湿敏电阻式的温湿度传感器、光学心率传感器、磁力计、六轴陀螺仪和压力传感器，GPS定位模块、湿敏电阻式温湿度传感器、光学心率传感器、磁力计、六轴陀螺仪和压力传感器均与控制器模块相连接。磁力计可用于测试磁场强度和方向，定位设备的方位；GPS定位模块用于定位被监测人的位置，磁力计和GPS定位模块相配合，实现精确度定位。湿敏电阻式温湿度传感器用于检测被监测人所处的外部的温度和湿度，光学心率传感器用于检测心率，六轴陀螺仪和压力传感器用于检测被监测人手腕的动作。考虑到各传感器功能和数据量大小，六轴陀螺仪采样周期设置为25ms，磁力计、温湿度传感器、GPS定位模块、压力传感器等采样周期设置为1s。

可穿戴式数据采集分析***还包括学习优化模块和报警模块。控制模块包括MCU微处理器、通信芯片和显示芯片，MCU微处理器分别与通信芯片和显示芯片相连接。通信芯片将检测模块检测到的数据通过网络定时上传并发送给学习优化模块，定时周期是2s。显示芯片用于实时显示被监护人的心率、步速等信息。控制模块内还设有用于存储检测数据的闪存。学习优化模块借助改进的多目标蜂群算法对SVM分类器和数据特征个数进行优化，以提高分类精度和速度。由检测模块采集到的数据发送给控制模块，控制模块对其进行预处理并运用SVM分类器对17类人体日常行为(走路、慢跑、上楼、下楼、看报纸、做饭、扫地、吃饭、洗碗、骑车、睡觉、刷牙、穿衣、洗脸、看电视、打电话、上卫生间、摔倒等)进行的判断监测。控制模块除了协调其他模块的正常工作，还要完成数据的特征选择并借助训练好的SVM分类器对选择后的数据进行分类，以得到行为识别结果。报警模块通过接收控制模块发送的相关动作信息，并与之前完成同类动作的数据进行比较，如若异常通过网络向家人或医生发出报警信号。

步骤二：可穿戴式数据采集分析***中的控制模块，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。

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。对于这样一个多达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。

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SVM分类器。

考虑到被监护人身体状态的变化，为了保证该分类器针对不同人体、同一被监护人的不同状态实现准确判断，学习优化模块接收人体的实时动作数据，定期对分类器参数和特征个数进行定期优化更新。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，利用如图2所示的多目标蜂群算法对SVM分类器的参数和数据特征个数进行优化选择。多目标蜂群算法的具体步骤为：蜂群算法参数的初始化；以分类精度和特征个数作为适应度，由雇佣蜂阶段在解的范围内搜索更优质食物源；观察蜂根据跟随概率对寻优到的解进行邻域搜索；基于Pareto支配和拥挤距离排序，保留优质蜜源；侦查蜂随机产生新解；判断是否达到最大循环代数，如未达到则进入雇佣蜂阶段觅食寻找新解，如果满足判定条件，输出最优解。

SVM分类器参数和数据特征个数的优化过程如图3所示。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分类器对其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，在保证最小特征个数的基础上得到最优分类准确率。

其中，多目标蜂群算法的外部档案更新是将所有解根据拥挤距离从大到小排列，保存拥挤距离较大的解。第i个个体第k个目标的拥挤距离的求解由式(1)得到，把各个目标函数的拥挤距离求和得到个体对应的拥挤距离。其中，分别为第k个目标的最大值和最小值。

为了提高智能蜂群算法的寻优精度，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。若待更新解为x_i＝(x_i1,x_i2,…,x_ij,…,x_iD)，在x_i的附近搜索的新解为x_i′＝(x′_i1,x′_i2,…,x′_ij,…,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。

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Dim中，并保留x′_id，更新标志位：

if f(x_i′)＞f(x_i)then x_id＝x′_id,

Num＝Num+1,Dim(i,Num)＝d,

flag＝1 (3)

按照以上流程对当前解的全部维度都进行过搜寻后，检测flag的数值。若这个数值为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。通过多维优化搜索算法可以在搜寻到的维度的指导下有针对性扩大搜索范围，改善解的质量。

而为了提高搜索速度，将多目标蜂群算法进行如图4所示的并行化处理，将主程序中的循环部分分解为6个子循环，再分别被多核计算机不同的worker处理，并将处理结果汇总，从而提高分类算法的运行效率，提高动作识别速度。

步骤四：当控制模块利用SVM分类器分析动作数据出现异常(摔倒、昏厥等)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，控制模块通过无线网络将判断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根据判断信息及时作出下一步判断处理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

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***设置在被监测人的手腕上，利用可穿戴式数据采集分析***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***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。

2.根据权利要求1所述的基于蜂群算法的人体行为检测方法，其特征在于，所述可穿戴式数据采集分析***包括供电模块、检测模块和控制模块，供电模块和检测模块均与控制器模块相连接；供电模块用于提供给可穿戴式数据采集分析***正常工作的电压，检测模块包括GPS定位模块、湿敏电阻式的温湿度传感器、光学心率传感器、磁力计、六轴陀螺仪和压力传感器，GPS定位模块、湿敏电阻式温湿度传感器、光学心率传感器、磁力计、六轴陀螺仪和压力传感器均与控制器模块相连接。

3.根据权利要求2所述的基于蜂群算法的人体行为检测方法，其特征在于，所述可穿戴式数据采集分析***还包括学习优化模块和报警模块，控制模块包括MCU微处理器、通信芯片和显示芯片，MCU微处理器分别与通信芯片和显示芯片相连接；显示芯片用于实时显示被监护人的心率或步速，学习优化模块和报警模块均通过通信芯片与控制模块相连接，控制模块内还设有用于存储检测数据的闪存；检测模块采集到的数据发送给控制模块，控制模块对采集到的数据进行预处理并运用SVM分类器对17类人体日常行为进分类，以得到行为识别结果；报警模块通过接收控制模块发送的相关动作信息，并与之前完成同类动作的数据进行比较，如若异常通过网络向家人或医生发出报警信号；通信芯片将检测模块检测到的数据通过网络定时上传并发送给学习优化模块，学习优化模块借助改进的多目标蜂群算法对SVM分类器和数据特征个数进行优化。

4.根据权利要求1所述的基于蜂群算法的人体行为检测方法，其特征在于，所述动作信息为17类人体日常行为中走路、慢跑、上楼、下楼、看报纸、做饭、扫地、吃饭、洗碗、骑车、睡觉、刷牙、穿衣、洗脸、看电视、打电话、上卫生间或摔倒中一种。

5.根据权利要求1所述的基于蜂群算法的人体行为检测方法，其特征在于，所述预处理包括对若干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。

6.根据权利要求1所述的基于蜂群算法的人体行为检测方法，其特征在于，所述多目标蜂群算法的外部档案更新是将所有解根据拥挤距离从大到小排列，保存拥挤距离较大的解；第i个个体第k个目标的拥挤距离为：

其中，分别为第k个目标的最大值和最小值，f(i+1，k)和f(i-1，k)分别为第k个目标的第i+1和i-1个个体目标函数的值；

把各个目标函数f()的拥挤距离求和得到个体对应的拥挤距离。

7.根据权利要求1所述的基于蜂群算法的人体行为检测方法，其特征在于，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_ij，...，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′_ij，...，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。