馮安平 王詠梅

摘要：在校學(xué)生有多種行為，比如：運(yùn)動、學(xué)習(xí)、休息等。這些行為可以被監(jiān)控設(shè)備記錄。通過基于馬爾可夫模型的行為識別系統(tǒng)，可以檢測學(xué)生的行為類型。該系統(tǒng)的檢測數(shù)據(jù)，在進(jìn)入系統(tǒng)前，采用小波變換的方法進(jìn)行過濾，去除掉一些錯誤的數(shù)據(jù)。該系統(tǒng)檢測學(xué)生的身體指標(biāo)，比如心跳、血壓、體溫等，通過分析這些指標(biāo)，系統(tǒng)可以識別出學(xué)生的行為類型，比如：學(xué)習(xí)、活動、休息等。通過對多個學(xué)生的檢測數(shù)據(jù)輸入系統(tǒng)，進(jìn)行試驗，最后得出該系統(tǒng)對于運(yùn)動和休息的檢測準(zhǔn)確率較高。

關(guān)鍵字：行為識別系統(tǒng)；隱馬爾可夫模型；離散小波變換

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2015）10（a）-0000-00

1 引言

監(jiān)控設(shè)備將人體的數(shù)據(jù)實時傳送至處理器，進(jìn)行處理識別，從而做出智能判斷，是目前信息學(xué)科研究的主要課題。由傳統(tǒng)的人的觀察，轉(zhuǎn)變?yōu)闄C(jī)器識別，是目前研究的熱點問題。

監(jiān)控設(shè)備對監(jiān)控對象的數(shù)據(jù)進(jìn)行分析，從而判斷出對象的行為類型。過去監(jiān)控的數(shù)據(jù)比較單一，而某種特定的行為，它表現(xiàn)的特征是多方面的。所以，本文考慮從多個角度來檢測，從而建立不同行為的數(shù)據(jù)模型。通過多次數(shù)據(jù)的輸入，模型的檢測能力越來越精確。尤其是對運(yùn)動、休息這兩個極端的行為，判斷率較高。

本文提出了識別系統(tǒng)的數(shù)據(jù)預(yù)處理方法，通過小波變換，將數(shù)據(jù)進(jìn)行預(yù)處理。本文提出了在校學(xué)生的的平行結(jié)構(gòu)和特征的提取模塊，最后通過實驗給出結(jié)論。

2 數(shù)據(jù)預(yù)處理。

系統(tǒng)處理的數(shù)據(jù)，需要先進(jìn)行數(shù)據(jù)的預(yù)處理。數(shù)據(jù)的預(yù)處理保證了進(jìn)入系統(tǒng)的數(shù)據(jù)是有效的。本系統(tǒng)采用的數(shù)據(jù)預(yù)處理方法是小波變換的去除噪聲方法。

數(shù)據(jù)預(yù)處理是非常重要的，因為它為下一步驟提供了有效的數(shù)據(jù)。在這里，采用基于小波變換的去除噪聲方法。

小波變換的去噪聲方法，使用的是多分辨率分析算法。它將信號分解成不同的時間和頻率。多分辨率分析算法能夠在信號高頻的時候，產(chǎn)生高時低頻，而在信號低頻的時候，產(chǎn)生低時的高頻。小波分解之后，可以得到細(xì)節(jié)和逼近的系數(shù)。

小波變換去噪聲法去噪的過程分為兩個步驟：第1步，應(yīng)用小波變換生成噪聲小波的系數(shù)；第2步，選擇適當(dāng)?shù)拈撝祦碛行У厝コ肼暋?/p>

離散小波變換使用多分辨率分析算法（MRA）將信號分解成不同的時間和頻率。 多分辨率分析算法能夠在高頻時提供高時低頻，并在低頻時提供低時高頻。小波分解得到細(xì)節(jié)和逼近系數(shù)。一般來說，去噪有三個步驟，首先應(yīng)用小波變換產(chǎn)生噪聲小波系數(shù)，其次在每一級選擇適當(dāng)?shù)牡拈撝祦碜钣行У厝コ肼?，最后用新的系?shù)生成逆小波變換，得到去噪后的信號。

此外，如果兩者之間的一些數(shù)據(jù)丟失，小波變換也可以根據(jù)信號的性質(zhì)擴(kuò)展信號來完善它。

3 特征提取模型

3.1 基于HMM的模型結(jié)構(gòu)

通常情況下，只有一個傳感器，是不可以獲取觀測對象的行為的足夠的觀測數(shù)據(jù)的。對于行為觀測，不要幾種不同的傳感器才可以完成。比如：我們希望獲得學(xué)生的心跳與體溫這兩組數(shù)據(jù)。那么我們需要兩種傳感器來獲取相關(guān)的數(shù)據(jù)。通過將多種類型的數(shù)據(jù)進(jìn)行聯(lián)合分析，將比用單一的數(shù)據(jù)來分析，獲得更加確切的行為識別結(jié)果。因此，有必要采用

在一般情況下，一個單一的傳感器不能獲得對應(yīng)于一種特定的人類行為的足夠的觀測數(shù)據(jù)。在這種情況下，使用幾種不同的傳感器可以完成觀測。例如，兩者的心臟的跳動傳感器和溫度傳感器，分別用于獲得的心臟的跳動和體溫的數(shù)據(jù)。幾個變量的聯(lián)合分析比單一的變量更加有利于人的行為識別。因此，有必要采用分類或建模方法來融合這些功能。該架構(gòu)集成了一種可能性決策樹的分層，該分層應(yīng)用于變化環(huán)境中的實時行為監(jiān)測。

層次結(jié)構(gòu)有三個重要的因素：（1）數(shù)據(jù)預(yù)處理；（2）包括層1和層2的隱馬爾可夫模型（3）應(yīng)用概率決策樹的觀測序列處理在線分割。然而，在某些情況下，在一個系統(tǒng)中，幾個數(shù)據(jù)預(yù)處理的步驟可以在同一時間處理，并且并行處理多種檢測值。即層次結(jié)構(gòu)可以被轉(zhuǎn)化為一個平行的結(jié)構(gòu)。在第4節(jié)的實驗表明，這種體系結(jié)構(gòu)適用于多個目標(biāo)。這種結(jié)構(gòu)采用數(shù)據(jù)預(yù)處理和數(shù)據(jù)合作分析過程。數(shù)據(jù)聯(lián)合處理的步驟是基于隱馬爾可夫模型。最后，輸出該結(jié)構(gòu)的分析結(jié)果。

3.2個人多行為模塊

在不同在校學(xué)生行為中，他（她）的心臟跳動，體溫變化是不一樣的。例如，當(dāng)處于休息時，心臟跳動速度較慢，體溫也比較低。而當(dāng)一個學(xué)生專注于一個體育活動時，他（她）的心臟跳動會更快，體溫也會升高。這兩個信號的組合，使得它能夠檢測在校學(xué)生的日常行為。

通常情況下，在校學(xué)生的日常行為可以分為幾種：吃飯，運(yùn)動，學(xué)習(xí)，休息。在每一種情況下，心臟的跳動和體溫的信號具有相應(yīng)的規(guī)律。Ha是心臟跳動信號的統(tǒng)計期望，H是某一次檢測實例的心跳值，Ta是體溫信號的統(tǒng)計期望，T是某一次測試實例的體溫值，△H是心臟的跳動信號的最大耐受值，△T是溫度信號的最大耐受值。在這里，△H△T均為經(jīng)驗值。

If （（|H-Ha|>△H） and （|T-Ta|>△T））

可能處于運(yùn)動或者學(xué)習(xí)

If （（|H-Ha|<△H） and （|T-Ta|<△T））

可能處于休息或者學(xué)習(xí)

If （（|H-Ha|<-△H） and （|T-Ta|<-△T））

休息

4 實驗結(jié)果分析

以在校學(xué)生為對象，通過檢測學(xué)生的心跳和體溫，獲得了他們的行為信號，包括心臟跳動，體溫信號。由于傳感器收集到的原始數(shù)據(jù)有噪聲或者丟失，因此在第2節(jié)中采用小波擴(kuò)展方法進(jìn)行數(shù)據(jù)預(yù)處理。

為了獲得更加可靠的數(shù)據(jù)資源，通過離散小波變換方法來消除噪音，因此對結(jié)果有影響的噪聲已被刪除。

接下來可以識別在校學(xué)生的行為類型，本文采用第2節(jié)中提到的個人多行為模塊對在校學(xué)生中的測試數(shù)據(jù)進(jìn)行建模。在這個過程中，需要一些基于HMM的經(jīng)驗閾值，如Ha′△H，Ta′△T和向前-向后算法以及維特比算法來處理日常行為的基線模塊。

表1給出了在實驗中五個行為類型的訓(xùn)練數(shù)據(jù)，為了驗證以上方法的準(zhǔn)確度，用另外一組數(shù)據(jù)來測試。另外一組檢測實例數(shù)據(jù)對上述方法進(jìn)行驗證。表2列出了實驗中不同行為的識別率。由此得出結(jié)論，該方法對于運(yùn)動的行為識別率較高。

行為類別 心跳數(shù)據(jù) 體溫數(shù)據(jù)

學(xué)習(xí) 3840 30000

運(yùn)動 240 2000

休息 240 2000

吃飯 480 4000

表1 4種行為類型的訓(xùn)練數(shù)據(jù)

行為類別 匹配概率

學(xué)習(xí) 40%

運(yùn)動 80%

休息 35%

吃飯 50%

表2 4種行為類型的識別率

5 結(jié)論

本文提出了一種基于HMM的并行模型結(jié)構(gòu)和個人多行為模塊的應(yīng)用于行為理解的方法。為了獲得強(qiáng)大的訓(xùn)練數(shù)據(jù)，采用小波去噪方法，對原始數(shù)據(jù)中的噪聲信號進(jìn)行預(yù)處理。在該方法中，兩種傳感器數(shù)據(jù)經(jīng)驗值作為閾值，一些典型的算法被用來解決模塊問題，如向前-向后算法。實驗結(jié)果表明，該方法對五種行為類型是有效的。

參考文獻(xiàn)：

[1] Shih-Yang Chiao and Xydeas， C. S.， “Modeling Competitive Behaviours by Hierarchical HMM Architecture ”， Annual PGNet Proceeding Symposium on Telecommunications， Networking， and Broadcasting， Liverpool， UK， 2003， pp.285-287

[2] Shih-Yang Chiao and Xydeas， C. S.， “Modeling behaviours of Players in Competitive Environment”， IEEE/WIC International Conference on Intelligent Agent Technology， Halifax， Canada， 2003， pp.566-569.

[3] Shih-Yang Chiao and Xydeas， C. S.， “Using Hierarchical HMMs in Dynamic Behavior Modeling”， Proceedings of Seventh International Conference on Information Fusion， Fusion 2004. Stockholm， Sweden， 2004， pp. 576-582.

[4] Donoho， D. L. and I. M. Johnstone， “Ideal de-noising in an orthonormalbBasis" Chosen From A Library of Bases， CRAS Paris， Ser I， t.319， pp. 1317-1322， 1994.

[5] Chitrakar R，Huang Chuanhe. Anomaly detection using support vector machine classification with K-medoids clustering[A].Piscataway，NJ：IEEE，2012.1-5.