论文部分内容阅读
摘 要：本文提出了一种基于隐马尔可夫模型的儿童行为识别系统。该系统检测儿童的身体指标，如体温、心跳、血压等，并通过该系统的核心模块——基于隐马尔可夫模型的并行结构和多行为模块，分析多个传感器获得的信号，以获得行为特征。实验表明，该系统在识别儿童的几种典型行为，如玩耍、睡眠、烦躁等方面效果明显。
关键词：行为识别系统;隐马尔可夫模型;小波去噪
一、引言
随着信息技术的大力发展，如何让计算机自动识别与判断外界信息已经成为当今计算机科学研究的重要课题，这样计算机就能主动地给人类提供各种有用的信息和服务。目前，“人的观察”（looking at people）向“理解人”（understanding people）转变是计算机领域中最活跃的研究主题之一，其核心是利用计算机检测技术从传感器数据中检测、跟踪、识别人并对其进行行为理解与描述，其重要目标是摆脱传统的人际交互方式，让计算机系统具备自动分析，获取外部信息，并通过分析做出相应的响应，使计算机系统更加智能化与人性化。
本文第2节中提出了本识别系统的框架;在第3节，介绍了数据预处理方法;本文的第4节中，提出了儿童日常生活的一个平行结构和特征提取模块;第5节展示了使用第3条和第4条所提出的方法后得到的实验结果;最后，在第6节中得出本文的结论。
二、系统架构
在本文提出的儿童行为识别方法中，首先提取出儿童行为的特征数据，如心跳、体温等，将这些特征数据送入隐马尔可夫模型，对隐马尔可夫模型进行训练。然后提取儿童行为特征的另一组实验数据，并送入隐马尔可夫模型进行行为分类，这就是儿童行为的识别过程。系统的功能模块图如下。
<E：＼ZCM＼理论版＼10上＼TP＼t7.tif>
三、数据预处理
建模之前，数据预处理是非常重要的，因为它为下一步骤提供了有效的数据。在这里，采用基于小波变换的去除噪声方法。离散小波变换使用多分辨率分析算法（MRA）将信号分解成不同的时间和频率。多分辨率分析算法能够在高频时提供高时低频，并在低频时提供低时高频。小波分解得到细节和逼近系数。一般来说，去噪有三个步骤：首先应用小波变换产生噪声小波系数;其次在每一级选择适当的阈值最有效地去除噪声;最后用新的系数生成逆小波变换，得到去噪后的信号。此外，如果两者之间的一些数据丢失，小波变换也可以根据信号的性质扩展信号来完善它。
四、特征提取模型
1.基于HMM的模型结构
在一般情况下，一个单一的传感器不能获得对应于一种特定的人类行为的足够的观测数据。在这种情况下，使用几种不同的传感器可以完成观测。例如，两者心脏的跳动传感器和温度传感器，分别用于获得的心脏的跳动和体温的数据。几个变量的联合分析比单一的变量更加有利于人的行为识别。因此，有必要采用分类或建模方法来融合这些功能。该架构集成了一种可能性决策树的分层，该分层应用于变化环境中的实时行为监测。
<E：＼ZCM＼理论版＼10上＼TP＼t8.tif>
图1 层次模型
层次结构有三个重要的因素：（1）数据预处理;（2）包括层1和层2的隐马尔可夫模型;（3）应用概率决策树的观测序列处理在线分割。然而，在某些情况下，在一个系统中，几个数据预处理的步骤可以在同一时间处理，并且并行处理多种检测值，即层次结构可以被转化为一个平行的结构，如图2。第5节的实验表明，这种体系结构适用于多个目标。这种结构采用数据预处理和数据合作分析过程。数据联合处理的步骤是基于隐马尔可夫模型。最后，输出该结构的分析结果。
<E：＼ZCM＼理论版＼10上＼TP＼t14.tif>
图2 并行模型
2.个人多行为模块
在不同儿童行为中，他（她）的心脏跳动、体温变化是不一样的。例如，当处于睡眠时，心脏跳动速度较慢，体温也比较低。而当一个儿童专注于一个游戏时，其心脏跳动会更快，体温也会升高。这两个信号的组合，使得它能够检测儿童的日常行为。
通常情况下，儿童的日常行为可以分为几种：睡觉，吃饭，游戏，学习，休息。在每一种情况下，心脏的跳动和体温的信号具有相应的规律。是心脏跳动信号的统计期望，H是某一次检测实例的心跳值，是体温信号的统计期望，T是某一次测试实例的体温值，是心脏的跳动信号的最大耐受值，是温度信号的最大耐受值。在这里，均为经验值。图3中提出了个人多行为模块描述。
<E：＼ZCM＼理论版＼10上＼TP＼t9.tif>
图3 个人多行为模块描述
五、实验结果分析
通过实验，获得了儿童的行为信号，包括心脏跳动，体温信号。因为在第一步骤中来自传感器的原始数据有一些噪声和数据丢失，因此在第3节中采用小波扩展方法进行数据预处理。图4给出了心脏的跳动和体温数据的信号采集原始数据图。
<E：＼ZCM＼理论版＼10上＼TP＼t15.tif>
图4 心跳体温原始数据
在这个步骤中，为了获得可靠的数据资源，通过离散小波变换方法可以消除噪音，这时有影响的噪声已被删除。图5和图6给出了图4中心脏的跳动和体温数据去噪后的值。
<E：＼ZCM＼理论版＼10上＼TP＼t11.tif>
图5 去噪后的心跳信号
<E：＼ZCM＼理论版＼10上＼TP＼t13.tif>
图6 去噪后的体温信号
下一步识别儿童的行为类型。本文采用第2节中提到的个人多行为模块对图5中的数据进行建模。在这个过程中，需要一些基于HMM的经验阈值，如，和向前-向后算法以及维特比算法来处理日常行为的基线模块。 表1给出了在实验中五个行为类型的训练数据，为了验证以上方法的准确度，用另外一组数据来测试。如图6是儿童的心跳和体温信号实例，另外一组检测实例数据对上述方法进行验证。表2列出了实验中不同行为的识别率。由此得出结论，该方法对于睡眠、运动的行为识别率较高。
表1 5种行为类型的训练数据
[行为类别＼&心跳数据＼&体温数据＼&学习＼&3840＼&30000＼&运动＼&240＼&2000＼&休息＼&240＼&2000＼&吃饭＼&480＼&4000＼&睡觉＼&2400＼&20000＼&]
表2 5种行为类型的识别率
[行为类别＼&匹配概率＼&学习＼&40%＼&运动＼&80%＼&休息＼&35%＼&吃饭＼&50%＼&睡觉＼&90%＼&]
六、结论
本文提出了一种基于HMM并行模型结构和个人多行为模块的应用于行为理解的方法。为了获得强大的训练数据，采用小波去噪方法，对原始数据中的噪声信号进行预处理。在该方法中，两种传感器数据经验值作为阈值，一些典型的算法被用来解决模块问题，如向前-向后算法。实验结果表明，该方法对五种行为类型是有效的。
参考文献：
[1]Chin-De Liu，Yi-Nung Chung，Pau-Choo，An interaction-
embedded HMM framework for human behavior understan
ding：with nursing environments as examples”[J].IEEE transactions on information technology in biomedicine， 2010，14（5）.
[2]J.-H.Choi.A technology of tracking activities of the aged for u-healthcare[J].Korea Information processing Society，2008，l（15）.
作者简介：王咏梅（1978- ），女，江苏盐城人，硕士研究生，讲师，现就职于上海工程技术大学。
关键词：行为识别系统;隐马尔可夫模型;小波去噪
一、引言
随着信息技术的大力发展，如何让计算机自动识别与判断外界信息已经成为当今计算机科学研究的重要课题，这样计算机就能主动地给人类提供各种有用的信息和服务。目前，“人的观察”（looking at people）向“理解人”（understanding people）转变是计算机领域中最活跃的研究主题之一，其核心是利用计算机检测技术从传感器数据中检测、跟踪、识别人并对其进行行为理解与描述，其重要目标是摆脱传统的人际交互方式，让计算机系统具备自动分析，获取外部信息，并通过分析做出相应的响应，使计算机系统更加智能化与人性化。
本文第2节中提出了本识别系统的框架;在第3节，介绍了数据预处理方法;本文的第4节中，提出了儿童日常生活的一个平行结构和特征提取模块;第5节展示了使用第3条和第4条所提出的方法后得到的实验结果;最后，在第6节中得出本文的结论。
二、系统架构
在本文提出的儿童行为识别方法中，首先提取出儿童行为的特征数据，如心跳、体温等，将这些特征数据送入隐马尔可夫模型，对隐马尔可夫模型进行训练。然后提取儿童行为特征的另一组实验数据，并送入隐马尔可夫模型进行行为分类，这就是儿童行为的识别过程。系统的功能模块图如下。
<E：＼ZCM＼理论版＼10上＼TP＼t7.tif>
三、数据预处理
建模之前，数据预处理是非常重要的，因为它为下一步骤提供了有效的数据。在这里，采用基于小波变换的去除噪声方法。离散小波变换使用多分辨率分析算法（MRA）将信号分解成不同的时间和频率。多分辨率分析算法能够在高频时提供高时低频，并在低频时提供低时高频。小波分解得到细节和逼近系数。一般来说，去噪有三个步骤：首先应用小波变换产生噪声小波系数;其次在每一级选择适当的阈值最有效地去除噪声;最后用新的系数生成逆小波变换，得到去噪后的信号。此外，如果两者之间的一些数据丢失，小波变换也可以根据信号的性质扩展信号来完善它。
四、特征提取模型
1.基于HMM的模型结构
在一般情况下，一个单一的传感器不能获得对应于一种特定的人类行为的足够的观测数据。在这种情况下，使用几种不同的传感器可以完成观测。例如，两者心脏的跳动传感器和温度传感器，分别用于获得的心脏的跳动和体温的数据。几个变量的联合分析比单一的变量更加有利于人的行为识别。因此，有必要采用分类或建模方法来融合这些功能。该架构集成了一种可能性决策树的分层，该分层应用于变化环境中的实时行为监测。
<E：＼ZCM＼理论版＼10上＼TP＼t8.tif>
图1 层次模型
层次结构有三个重要的因素：（1）数据预处理;（2）包括层1和层2的隐马尔可夫模型;（3）应用概率决策树的观测序列处理在线分割。然而，在某些情况下，在一个系统中，几个数据预处理的步骤可以在同一时间处理，并且并行处理多种检测值，即层次结构可以被转化为一个平行的结构，如图2。第5节的实验表明，这种体系结构适用于多个目标。这种结构采用数据预处理和数据合作分析过程。数据联合处理的步骤是基于隐马尔可夫模型。最后，输出该结构的分析结果。
<E：＼ZCM＼理论版＼10上＼TP＼t14.tif>
图2 并行模型
2.个人多行为模块
在不同儿童行为中，他（她）的心脏跳动、体温变化是不一样的。例如，当处于睡眠时，心脏跳动速度较慢，体温也比较低。而当一个儿童专注于一个游戏时，其心脏跳动会更快，体温也会升高。这两个信号的组合，使得它能够检测儿童的日常行为。
通常情况下，儿童的日常行为可以分为几种：睡觉，吃饭，游戏，学习，休息。在每一种情况下，心脏的跳动和体温的信号具有相应的规律。是心脏跳动信号的统计期望，H是某一次检测实例的心跳值，是体温信号的统计期望，T是某一次测试实例的体温值，是心脏的跳动信号的最大耐受值，是温度信号的最大耐受值。在这里，均为经验值。图3中提出了个人多行为模块描述。
<E：＼ZCM＼理论版＼10上＼TP＼t9.tif>
图3 个人多行为模块描述
五、实验结果分析
通过实验，获得了儿童的行为信号，包括心脏跳动，体温信号。因为在第一步骤中来自传感器的原始数据有一些噪声和数据丢失，因此在第3节中采用小波扩展方法进行数据预处理。图4给出了心脏的跳动和体温数据的信号采集原始数据图。
<E：＼ZCM＼理论版＼10上＼TP＼t15.tif>
图4 心跳体温原始数据
在这个步骤中，为了获得可靠的数据资源，通过离散小波变换方法可以消除噪音，这时有影响的噪声已被删除。图5和图6给出了图4中心脏的跳动和体温数据去噪后的值。
<E：＼ZCM＼理论版＼10上＼TP＼t11.tif>
图5 去噪后的心跳信号
<E：＼ZCM＼理论版＼10上＼TP＼t13.tif>
图6 去噪后的体温信号
下一步识别儿童的行为类型。本文采用第2节中提到的个人多行为模块对图5中的数据进行建模。在这个过程中，需要一些基于HMM的经验阈值，如，和向前-向后算法以及维特比算法来处理日常行为的基线模块。 表1给出了在实验中五个行为类型的训练数据，为了验证以上方法的准确度，用另外一组数据来测试。如图6是儿童的心跳和体温信号实例，另外一组检测实例数据对上述方法进行验证。表2列出了实验中不同行为的识别率。由此得出结论，该方法对于睡眠、运动的行为识别率较高。
表1 5种行为类型的训练数据
[行为类别＼&心跳数据＼&体温数据＼&学习＼&3840＼&30000＼&运动＼&240＼&2000＼&休息＼&240＼&2000＼&吃饭＼&480＼&4000＼&睡觉＼&2400＼&20000＼&]
表2 5种行为类型的识别率
[行为类别＼&匹配概率＼&学习＼&40%＼&运动＼&80%＼&休息＼&35%＼&吃饭＼&50%＼&睡觉＼&90%＼&]
六、结论
本文提出了一种基于HMM并行模型结构和个人多行为模块的应用于行为理解的方法。为了获得强大的训练数据，采用小波去噪方法，对原始数据中的噪声信号进行预处理。在该方法中，两种传感器数据经验值作为阈值，一些典型的算法被用来解决模块问题，如向前-向后算法。实验结果表明，该方法对五种行为类型是有效的。
参考文献：
[1]Chin-De Liu，Yi-Nung Chung，Pau-Choo，An interaction-
embedded HMM framework for human behavior understan
ding：with nursing environments as examples”[J].IEEE transactions on information technology in biomedicine， 2010，14（5）.
[2]J.-H.Choi.A technology of tracking activities of the aged for u-healthcare[J].Korea Information processing Society，2008，l（15）.
作者简介：王咏梅（1978- ），女，江苏盐城人，硕士研究生，讲师，现就职于上海工程技术大学。