一種基于模糊支持向量機(jī)的行為識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及行為識(shí)別技術(shù)領(lǐng)域，具體來(lái)說涉及一種基于模糊支持向量機(jī)的人體行 為識(shí)別方法。
【背景技術(shù)】
[0002] 近年來(lái)，健康成為人們關(guān)注的熱點(diǎn)，對(duì)人體行為進(jìn)行識(shí)別與監(jiān)測(cè)，可以間接的估算 人的活動(dòng)量，對(duì)于異常行為（比如跌倒）的識(shí)別可以很好的處理一些意外的情況，尤其對(duì)于 老人而言。通過對(duì)人體的行為的識(shí)別也可以間接的獲取被監(jiān)測(cè)者的某些生活習(xí)慣，由此可 以獲得人體更多的生理狀況。
[0003] 傳統(tǒng)的人體行為識(shí)別是基于圖像圖形的方式，雖然基于圖像的人體行為識(shí)別技術(shù) 發(fā)展比較早，理論比較成熟，但是基于圖像的人體行為識(shí)別技術(shù)存在著不足，主要表現(xiàn)在圖 形處理算法較復(fù)雜、硬件成本較高、應(yīng)用場(chǎng)景有限、準(zhǔn)確率不高等問題上。
[0004] 基于傳感器的人體行為識(shí)別，具有十分明顯的優(yōu)勢(shì)，主要表現(xiàn)在，可以自由的獲取 人體日常行為數(shù)據(jù)，可以方便的攜帶在被測(cè)者身上等上。
[0005] 對(duì)于基于傳感器的人體行為識(shí)別技術(shù)，應(yīng)用的主要的分類算法有KNN算法、決策 樹算法、SVM、極速學(xué)習(xí)機(jī)算法。
[0006] KNN算法，存在計(jì)算和存儲(chǔ)開銷大；分類速度慢，大樣本數(shù)據(jù)下存在高維災(zāi)難問 題，且分類的精度低，無(wú)法消除噪聲點(diǎn)和孤立點(diǎn)的影響。
[0007] 決策樹算法，雖然計(jì)算速度快，運(yùn)算量小，但是類別太多時(shí)，錯(cuò)誤增加比較快。
[0008] 神經(jīng)網(wǎng)絡(luò)算法，具有相對(duì)較快的學(xué)習(xí)速度，但是其泛化性能卻不是很理想。
[0009] 極速學(xué)習(xí)機(jī)算法，是一種新型學(xué)習(xí)方法和工具，具有求解速度快、學(xué)習(xí)精度高等特 點(diǎn)，但是其學(xué)習(xí)能力卻建立在大量隱層節(jié)點(diǎn)的消耗上。
[0010] SVM，支持向量機(jī)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，保證了良好的泛化能力。因此，支持 向量機(jī)在模式識(shí)別、回歸分析、函數(shù)估計(jì)、時(shí)間序列預(yù)測(cè)等領(lǐng)域得到廣泛的應(yīng)用。但是，由支 持向量機(jī)理論分析可知，支持向量機(jī)分類超平面容易受到噪聲點(diǎn)和孤立點(diǎn)的影響，從而導(dǎo) 致降低分類的精確度。
[0011] 由上面分析可知，各種分類方法都存在各自的優(yōu)勢(shì)和劣勢(shì)，調(diào)查分析顯示，目前， 對(duì)于基于傳感器的行為識(shí)別，多使用SVM以及SVM的改進(jìn)算法。

【發(fā)明內(nèi)容】

[0012] 針對(duì)上面提到的問題，本發(fā)明采用一種基于模糊支持向量機(jī)的行為識(shí)別方法，將 模糊理論與支持向量機(jī)理論融合，目的在于消除噪聲點(diǎn)和孤立點(diǎn)對(duì)分類效果的影響，提高 分類的精確度。
[0013] 為實(shí)現(xiàn)上述目的，本發(fā)明具體內(nèi)容包括：
[0014] Sl、采用三軸加速度計(jì)采集數(shù)據(jù)，對(duì)合成加速度提取特征值，特征值包括：均值、 方差、能量、三維數(shù)據(jù)中任意兩維數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)，表示如下S= {Sl，S2，…，sn}，S = It1, t2, t3, t4, t5, t6}，式中η表示總的樣本點(diǎn)數(shù)，且能對(duì)采集的特征值進(jìn)行歸一化處理，消除 '大數(shù)吃小數(shù)'的問題；
[0015] S2、計(jì)算每一類的類中心，計(jì)算公式如η
【主權(quán)項(xiàng)】
1. 一種基于模糊支持向量機(jī)的行為識(shí)別方法，其特征在于，所述方法包括： 51、 采用=軸加速度計(jì)采集數(shù)據(jù)，對(duì)合成加速度提取特征值，特征值包括：均值、方 差、能量、S維數(shù)據(jù)中任意兩維數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)，表示如下S = (Si，S2,…，S。}，S = (ti，t,，t3, t4, tg，tj，式中n表示總的樣本點(diǎn)數(shù)，并對(duì)樣本特征集進(jìn)行歸一化處理； 52、 計(jì)算每一類的類中屯、，計(jì)算公式如下a = A +& +A，1表示該一類的樣本點(diǎn)數(shù)， 在計(jì)算每一類中樣本點(diǎn)到類中屯、的歐氏距離時(shí)，需根據(jù)歐式距離算取每一個(gè)樣本點(diǎn)對(duì)所屬 類別的隸屬度； 53、 采用模糊支持向量機(jī)實(shí)現(xiàn)分類和識(shí)別。
2. 根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機(jī)的行為識(shí)別方法，其特征在于，采 用=軸加速度計(jì)采集數(shù)據(jù)，對(duì)合成加速度進(jìn)行特征提取，提取的特征值包含有；均值、方差、 能量、=維數(shù)據(jù)中任意兩維數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)，并對(duì)獲得的特征值進(jìn)行歸一化處理，歸一 化處理的公式如下：
3. 根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機(jī)的行為識(shí)別方法，其特征在于，計(jì) 算每一類的類中屯、，分別算取每一類中的樣本點(diǎn)與類中屯、的歐氏距離，根據(jù)歐式距離計(jì)算 每一個(gè)樣本點(diǎn)隸屬于該一類的隸屬度，其歐氏距離計(jì)算公式如下：
式中A取2,在采用基于樣本之間緊密度的隸屬度的計(jì)算方法時(shí)，樣本之間的緊密度 的算取方法如下：
式中，a為類中屯、，C是懲罰因子，且通過算去R的大小來(lái)表示樣本之間的緊密度；通過 緊密度來(lái)算去隸屬度，隸屬度算去方法如下：
4. 根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機(jī)的行為識(shí)別方法，其特征在于，將 預(yù)處理過的樣本集對(duì)模糊支持向量機(jī)進(jìn)行分類訓(xùn)練得到一個(gè)分類模型，在在線識(shí)別階段， 將采集到的樣本點(diǎn)輸入到分類模型得到分類結(jié)果。


5.根據(jù)權(quán)利要求1所述的一種基于模糊支持向量機(jī)的行為識(shí)別方法，其特征在于，對(duì) 于模糊支持向量機(jī)的訓(xùn)練，采用多層分類模型：首先、將行為分為相對(duì)靜止不動(dòng)（靜止站 立、靜坐）類和動(dòng)作類，構(gòu)建一個(gè)而分類模糊分類模型；其次，對(duì)動(dòng)作類中正常行為和異常 行為進(jìn)行分類模型的構(gòu)造，異常行為主要是跌倒行為的識(shí)別；最后，采用多分類模型將正常 行為分為；站立、走、跑、上下樓梯。
【專利摘要】本發(fā)明采用模糊支持向量機(jī)實(shí)現(xiàn)對(duì)人體各種行為(包括正常的行為，比如站立、走、跑步、上下樓梯以及異常行為，比如跌倒等)的識(shí)別，主要用于消除樣本點(diǎn)中孤立點(diǎn)和噪聲點(diǎn)對(duì)分類效果的影響，提高對(duì)行為識(shí)別的精確率。本發(fā)明實(shí)現(xiàn)對(duì)行為識(shí)別的主要內(nèi)容有：其一，采用三軸加速度計(jì)實(shí)現(xiàn)對(duì)行為數(shù)據(jù)的采集，獲得X軸加速度、Y軸加速度、Z軸加速度。采用合成加速度提取特征值，分別提取合成加速度的均值、方差、能量以及三維數(shù)據(jù)中任意兩維之間的關(guān)聯(lián)系數(shù)，獲得一個(gè)六維的特征向量。其二，計(jì)算每一個(gè)樣本點(diǎn)對(duì)所屬類別的隸屬度。其三，采用模糊支持向量機(jī)實(shí)現(xiàn)分類模型的構(gòu)造。其四，在線階段實(shí)現(xiàn)對(duì)人體行為的識(shí)別。
【IPC分類】G06K9-62, G06K9-00
【公開號(hào)】CN104598880
【申請(qǐng)?zhí)枴緾N201510011414
【發(fā)明人】唐承佩, 張明, 李海良, 劉友檸, 譚杜康
【申請(qǐng)人】中山大學(xué), 中山大學(xué)深圳研究院
【公開日】2015年5月6日
【申請(qǐng)日】2015年3月6日