體感網(wǎng)及基于體感網(wǎng)的居家行為感知方法
【專利摘要】本發(fā)明公開了一種體感網(wǎng)及基于基于體感網(wǎng)的居家行為感知方法。體感網(wǎng)包括用戶、穿戴在用戶身上的無(wú)線傳感器節(jié)點(diǎn)及計(jì)算服務(wù)器節(jié)點(diǎn)。感知方法為：首先通過(guò)體感網(wǎng)對(duì)用戶的日常居家行為數(shù)據(jù)進(jìn)行采集，數(shù)據(jù)通過(guò)無(wú)線方式匯集到服務(wù)器。數(shù)據(jù)預(yù)處理并特征提取后，利用滑動(dòng)窗口技術(shù)進(jìn)行數(shù)據(jù)分片。對(duì)于每個(gè)數(shù)據(jù)分片，利用基于模式匹配的算法來(lái)感知用戶居家行為。算法在感知到的基本行為的基礎(chǔ)上通過(guò)數(shù)值計(jì)算的方式來(lái)實(shí)現(xiàn)同時(shí)間段多重行為的感知。本發(fā)明對(duì)用戶行為干擾小，能實(shí)現(xiàn)隨時(shí)隨地的感知；基于模式匹配的感知算法能夠準(zhǔn)確的感知用戶的行為；利用數(shù)值計(jì)算的方法，能夠準(zhǔn)確感知在順序、交叉和并行等復(fù)雜執(zhí)行情況下的居家行為。
【專利說(shuō)明】體感網(wǎng)及基于體感網(wǎng)的居家行為感知方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種體感網(wǎng)及基于體感網(wǎng)的居家行為感知方法，屬于計(jì)算機(jī)應(yīng)用領(lǐng)域，利用體感網(wǎng)結(jié)合模式匹配算法，在不干擾用戶行為的基礎(chǔ)上，實(shí)現(xiàn)了針對(duì)復(fù)雜執(zhí)行情況下的用戶居家行為感知功能。
【背景技術(shù)】
[0002]隨著無(wú)線傳感器網(wǎng)絡(luò)的發(fā)展和對(duì)物聯(lián)網(wǎng)應(yīng)用的不斷探索，計(jì)算機(jī)系統(tǒng)能夠主動(dòng)的感知外部環(huán)境數(shù)據(jù)并進(jìn)行處理。人作為計(jì)算機(jī)系統(tǒng)服務(wù)的核心對(duì)象,需要計(jì)算機(jī)能夠主動(dòng)的感知其需求并為之提供服務(wù)?？紤]到對(duì)獨(dú)居老人和行動(dòng)障礙病人的日常看護(hù)需求，有必要提出一種能夠隨時(shí)隨地觀察和認(rèn)識(shí)人類用戶行為的自動(dòng)化方法。目前基于視頻的用戶行為感知方法，由于存在侵犯用戶隱私，無(wú)法克服視線遮擋，對(duì)光照強(qiáng)度敏感等缺陷，不適宜用于對(duì)用戶日常行為的數(shù)據(jù)采集和感知工作。
[0003]在考慮單個(gè)用戶的日常行為時(shí)，除了需要考慮用戶順序執(zhí)行每一項(xiàng)行為的情形以夕卜，還必須考慮到用戶執(zhí)行情況的隨意性和復(fù)雜性。其中就包含了行為的交叉和并行執(zhí)行情況。具體來(lái)說(shuō)，用戶在日常生活中可能會(huì)出現(xiàn)暫停當(dāng)前行為，轉(zhuǎn)而執(zhí)行另一項(xiàng)行為，之后又恢復(fù)執(zhí)行當(dāng)前行為的交叉執(zhí)行情況。另外可能的情形還包括用戶在同一時(shí)間執(zhí)行多項(xiàng)行為的并行執(zhí)行情況。傳統(tǒng)的根據(jù)單個(gè)行為設(shè)計(jì)的行為感知算法，僅能夠應(yīng)對(duì)用戶順序執(zhí)行每一項(xiàng)行為的情況，對(duì)于上述提到的復(fù)雜的多重行為執(zhí)行情況則沒有特別進(jìn)行處理，使得其對(duì)真實(shí)的用戶日常生活行為的感知能力較弱。

【發(fā)明內(nèi)容】

[0004]為了克服傳統(tǒng)方法侵犯用戶隱私、應(yīng)用場(chǎng)景受限并且無(wú)法應(yīng)對(duì)日常生活中復(fù)雜執(zhí)行情況下行為感知問(wèn)題的不足，本發(fā)明提供一種體感網(wǎng)及基于體感網(wǎng)和模式匹配算法的單用戶多重行為感知方法。由于采用了可穿戴式的體感網(wǎng)作為基本感知手段，該方法能夠在不干擾用戶日常生活的基礎(chǔ)上，實(shí)現(xiàn)對(duì)用戶行為數(shù)據(jù)的準(zhǔn)確捕獲。由于采用了基于模式匹配和數(shù)值計(jì)算方法的感知算法，該方法能夠?qū)ν瑫r(shí)執(zhí)行的多重用戶行為進(jìn)行準(zhǔn)確的感知。
[0005]為了解決上述問(wèn)題，本發(fā)明提供了一種體感網(wǎng)，包括用戶、無(wú)線傳感器節(jié)點(diǎn)及計(jì)算服務(wù)器節(jié)點(diǎn)，其中，在用戶身體的各個(gè)部位，包括雙手手腕、雙腳腳踝、左右手臂、左右大腿、軀干、頭部共十個(gè)部位穿戴無(wú)線傳感器節(jié)點(diǎn)，在用戶雙手處佩戴射頻識(shí)別讀寫器，在日常生活用品上粘貼射頻識(shí)別標(biāo)簽；每個(gè)無(wú)線傳感器節(jié)點(diǎn)以固定采樣頻率采集包括三維加速度、溫度、光線、濕度、射頻識(shí)別標(biāo)簽編號(hào)在內(nèi)的數(shù)據(jù)；無(wú)線傳感器節(jié)點(diǎn)將數(shù)據(jù)封裝成網(wǎng)絡(luò)封包，以無(wú)線傳輸?shù)姆绞桨l(fā)送到計(jì)算服務(wù)器節(jié)點(diǎn)。
[0006]在體感網(wǎng)基礎(chǔ)上，本發(fā)明還提供了一種基于體感網(wǎng)的復(fù)雜居家行為感知方法，其包含以下步驟:
1)構(gòu)建體感網(wǎng)，并以體感網(wǎng)中的無(wú)線傳感器節(jié)點(diǎn)感知用戶行為數(shù)據(jù)；
2)無(wú)線傳感器節(jié)點(diǎn)通過(guò)無(wú)線網(wǎng)絡(luò)將原始的用戶行為數(shù)據(jù)發(fā)送到計(jì)算服務(wù)器；原始數(shù)據(jù)通過(guò)數(shù)據(jù)預(yù)處理算法提取特征，得到隨時(shí)間排列的特征數(shù)據(jù)序列；利用滑動(dòng)窗口技術(shù)對(duì)特征數(shù)據(jù)序列進(jìn)行分片；
3)利用模式匹配方法對(duì)每段用戶行為實(shí)例數(shù)據(jù)進(jìn)行感知，獲取實(shí)例中包含的基本用戶居家行為類別；
4)利用數(shù)值計(jì)算方法，判斷每段行為實(shí)例數(shù)據(jù)中的行為構(gòu)成，形成多重居家行為感知結(jié)果。
[0007]步驟I)的具體過(guò)程為:
1)在用戶的身體的雙手手腕、雙腳腳踝、左右手臂、左右大腿、軀干、頭部共十個(gè)部位穿戴無(wú)線傳感器節(jié)點(diǎn)；
2)在用戶雙手處佩戴高頻射頻識(shí)別讀寫器，在日常生活用品上粘貼高頻射頻識(shí)別標(biāo)
簽;
3)每個(gè)無(wú)線傳感器節(jié)點(diǎn)以固定采樣頻率采集包括三維加速度、溫度、光線、濕度數(shù)據(jù)，射頻識(shí)別讀寫器則讀取讀取標(biāo)簽編號(hào)數(shù)據(jù)。
[0008]步驟2)的具體過(guò)程為:
2.1)無(wú)線傳感器節(jié)點(diǎn)將數(shù)據(jù)封裝成網(wǎng)絡(luò)封包，以無(wú)線傳輸?shù)姆绞桨l(fā)送到計(jì)算服務(wù)器節(jié)點(diǎn)；網(wǎng)絡(luò)底層采用Zigbee網(wǎng)絡(luò)協(xié)議，節(jié)點(diǎn)發(fā)送功率為Odbm ；
2.2)計(jì)算服務(wù)器根據(jù)收到的數(shù)據(jù)包的先后次序排列形成原始數(shù)據(jù)序列；
2.3)在原始數(shù)據(jù)序列上，應(yīng)用滑動(dòng)窗口方法在每一小段數(shù)據(jù)中提取包括平均加速度、平均溫度、平均光線強(qiáng)度、平均濕度、加速度方差、加速度相關(guān)系數(shù)、加速度數(shù)據(jù)的熵、能量、以及射頻識(shí)別標(biāo)簽號(hào)所對(duì)應(yīng)的生活用品在內(nèi)的特征數(shù)據(jù)；
2.4)將特征數(shù)據(jù)按照時(shí)間先后排列形成特征數(shù)據(jù)序列；
2.5)對(duì)特征數(shù)據(jù)序列的數(shù)值進(jìn)行離散化，得到離散化后的特征數(shù)據(jù)序列；
2.6)利用滑動(dòng)窗口對(duì)離散化后的特征數(shù)據(jù)序列進(jìn)行分片，每個(gè)分片中包含用戶行為數(shù)據(jù)。
[0009]步驟3)的具體過(guò)程為:
3.1)利用每個(gè)行為的模式對(duì)每個(gè)分片中包含的特征數(shù)據(jù)進(jìn)行匹配，一個(gè)模式PTi是一個(gè)離散化后的特征數(shù)據(jù)集合，包含行為Ai區(qū)別于其他所有行為的最顯著的特征數(shù)據(jù)，通過(guò)統(tǒng)計(jì)模式PTi在行為Ai中出現(xiàn)的概率并除以PTi在其他所有行為中出現(xiàn)的概率，得到模式PTi 的區(qū)分度 DisRate (PTi)；
3.2)—旦匹配成功，則通過(guò)如下公式計(jì)算行為Ai的得分S (Ai)，該得分逼近行為是Ai的
概率
【權(quán)利要求】
1.一種體感網(wǎng)，包括用戶、無(wú)線傳感器節(jié)點(diǎn)及計(jì)算服務(wù)器節(jié)點(diǎn)，其特征在于: 在用戶身體的各個(gè)部位，包括雙手手腕、雙腳腳踝、左右手臂、左右大腿、軀干、頭部共十個(gè)部位穿戴無(wú)線傳感器節(jié)點(diǎn)，在用戶雙手處佩戴射頻識(shí)別讀寫器，在日常生活用品上粘貼射頻識(shí)別標(biāo)簽；每個(gè)無(wú)線傳感器節(jié)點(diǎn)以固定采樣頻率采集包括三維加速度、溫度、光線、濕度、射頻識(shí)別標(biāo)簽編號(hào)在內(nèi)的數(shù)據(jù)；無(wú)線傳感器節(jié)點(diǎn)將數(shù)據(jù)封裝成網(wǎng)絡(luò)封包，以無(wú)線傳輸?shù)姆绞桨l(fā)送到計(jì)算服務(wù)器節(jié)點(diǎn)。
2.一種基于體感網(wǎng)的復(fù)雜居家行為感知方法，其特征在于包含以下步驟: .1)構(gòu)建體感網(wǎng)，并以體感網(wǎng)中的無(wú)線傳感器節(jié)點(diǎn)感知用戶行為數(shù)據(jù)； .2)無(wú)線傳感器節(jié)點(diǎn)通過(guò)無(wú)線網(wǎng)絡(luò)將原始的用戶行為數(shù)據(jù)發(fā)送到計(jì)算服務(wù)器；原始數(shù)據(jù)通過(guò)數(shù)據(jù)預(yù)處理算法提取特征，得到隨時(shí)間排列的特征數(shù)據(jù)序列；利用滑動(dòng)窗口技術(shù)對(duì)特征數(shù)據(jù)序列進(jìn)行分片； .3)利用模式匹配方法對(duì)每段用戶行為實(shí)例數(shù)據(jù)進(jìn)行感知，獲取實(shí)例中包含的基本用戶居家行為類別； .4)利用數(shù)值計(jì)算方法，判斷每段行為實(shí)例數(shù)據(jù)中的行為構(gòu)成，形成多重居家行為感知結(jié)果。
3.根據(jù)權(quán)利要求2所述的基于體感網(wǎng)的復(fù)雜居家行為感知方法，其特征在于步驟I)的具體過(guò)程為: .1)在用戶的身體的雙手手腕、雙腳腳踝、左右手臂、左右大腿、軀干、頭部共十個(gè)部位穿戴無(wú)線傳感器節(jié)點(diǎn)； . 2)在用戶雙手處佩戴高頻射頻識(shí)別讀寫器，在日常生活用品上粘貼高頻射頻識(shí)別標(biāo)簽; 3)每個(gè)無(wú)線傳感器節(jié)點(diǎn)以固定采樣頻率采集包括三維加速度、溫度、光線、濕度數(shù)據(jù)，射頻識(shí)別讀寫器則讀取讀取標(biāo)簽編號(hào)數(shù)據(jù)。
4.根據(jù)權(quán)利要求2或3所述的基于體感網(wǎng)的復(fù)雜居家行為感知方法，其特征在于步驟.2)的具體過(guò)程為: .2.1)無(wú)線傳感器節(jié)點(diǎn)將數(shù)據(jù)封裝成網(wǎng)絡(luò)封包，以無(wú)線傳輸?shù)姆绞桨l(fā)送到計(jì)算服務(wù)器節(jié)點(diǎn)；網(wǎng)絡(luò)底層采用Zigbee網(wǎng)絡(luò)協(xié)議，節(jié)點(diǎn)發(fā)送功率為Odbm ； . 2.2)計(jì)算服務(wù)器根據(jù)收到的數(shù)據(jù)包的先后次序排列形成原始數(shù)據(jù)序列； .2.3)在原始數(shù)據(jù)序列上，應(yīng)用滑動(dòng)窗口方法在每一小段數(shù)據(jù)中提取包括平均加速度、平均溫度、平均光線強(qiáng)度、平均濕度、加速度方差、加速度相關(guān)系數(shù)、加速度數(shù)據(jù)的熵、能量、以及射頻識(shí)別標(biāo)簽號(hào)所對(duì)應(yīng)的生活用品在內(nèi)的特征數(shù)據(jù)； .2.4)將特征數(shù)據(jù)按照時(shí)間先后排列形成特征數(shù)據(jù)序列； .2.5)對(duì)特征數(shù)據(jù)序列的數(shù)值進(jìn)行離散化，得到離散化后的特征數(shù)據(jù)序列； .2.6)利用滑動(dòng)窗口對(duì)離散化后的特征數(shù)據(jù)序列進(jìn)行分片，每個(gè)分片中包含用戶行為數(shù)據(jù)。
5.根據(jù)權(quán)利要求2或3所述的基于體感網(wǎng)的復(fù)雜居家行為感知方法，其特征在于步驟3)的具體過(guò)程為: .3.1)利用每個(gè)行為的模式對(duì)每個(gè)分片中包含的特征數(shù)據(jù)進(jìn)行匹配，一個(gè)模式PTi是一個(gè)離散化后的特征數(shù)據(jù)集合，包含行為Ai區(qū)別于其他所有行為的最顯著的特征數(shù)據(jù)，通過(guò)統(tǒng)計(jì)模式PTi在行為Ai中出現(xiàn)的概率并除以PTi在其他所有行為中出現(xiàn)的概率，得到模式PTi 的區(qū)分度 DisRate (PTi)； ` 3.2)—旦匹配成功，則通過(guò)如下公式計(jì)算行為Ai的得分S (Ai)，該得分逼近行為是Ai的概率
6.根據(jù)權(quán)利要求2或3所述的基于體感網(wǎng)的復(fù)雜居家行為感知方法，其特征在于步驟4)的具體過(guò)程為: 在獲取每一個(gè)分片所可能包含的行為及其可能性S(Ai)后，猜測(cè)可能包含的多重行為的結(jié)構(gòu)并估算其可能性；當(dāng)多重行為的組合為Aa+Ab時(shí)，首先利用一個(gè)閾值th來(lái)估算是否在當(dāng)前的觀測(cè)值中，包含了 Aa和Ab的數(shù)據(jù)，即首先判斷有S(Aa)Hh且S (Ab)Hh,在此前提下通過(guò)如下公式計(jì)算其組合得分S(Aa+Ab):
【文檔編號(hào)】H04W84/18GK103458051SQ201310420651
【公開日】2013年12月18日 申請(qǐng)日期:2013年9月16日 優(yōu)先權(quán)日:2013年9月16日
【發(fā)明者】呂建, 汪亮, 陶先平 申請(qǐng)人:南京大學(xué)