張 宇，郭 達，高志勇，周大海

(1.北京郵電大學電子工程學院，北京 100876；2.愛動超越人工智能科技(北京)有限責任公司，北京 100007)

0 引言

人體行為識別是當今諸多研究課題中極具前景的一個領(lǐng)域。目前在該領(lǐng)域主要有兩個研究方向，即基于視頻數(shù)據(jù)的人體行為識別和基于傳感器數(shù)據(jù)的人體行為識別[1]。前者使用攝像機來監(jiān)視人體行為，已有眾多研究將重點放在前者[2-3]，但在復(fù)雜場景下，識別效果不盡人意。最近十年，隨著傳感器技術(shù)的進步，借助手機內(nèi)置加速度計[4]、腕帶式加速度計[5]、腰跨式加速度計[6]等傳感器采集的時間序列數(shù)據(jù)進行人體行為識別已經(jīng)成為國內(nèi)外的熱門研究方向。

很多已有研究往往利用多個傳感器以期獲得較好的識別效果，例如REZAIE H利用四個加速度計組成體域網(wǎng)將人體行為識別用于健康監(jiān)測[7]；MANNINI A通過在受試者手腕和腳踝上佩戴多個加速度計進行多項日常行為的識別[8]。但是受限于設(shè)備功耗、硬件成本、對個體行動的干擾性等，在一個個體上部署多個傳感器具有一定的難度，因此一些文獻提出了利用單個加速度計來進行人體行為識別[6,9]。

雖然基于加速度時間序列的人體行為識別研究已取得一些成果，但如何進行預(yù)處理并提取有效特征，如何設(shè)計有效的分類算法以實現(xiàn)對不同行為的準確識別，仍需要開展進一步的研究工作。本文將利用內(nèi)置于腕帶式智能手表中的單個三軸加速度計，通過數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取以及設(shè)計一種改進的子窗口集成學習算法，實現(xiàn)有效的人體行為識別。

1 數(shù)據(jù)預(yù)處理和特征提取

首先，對課題采用的數(shù)據(jù)集進行介紹；其次，由于原始時間序列往往包含噪聲，實現(xiàn)一個三階巴特沃斯低通濾波器，完成去噪工作；最后，給出待提取特征并實現(xiàn)一個針對時間序列分段的特征提取算法。

1.1 數(shù)據(jù)集介紹

本文的Sanitation數(shù)據(jù)集自行采集自開放環(huán)境，利用內(nèi)置于腕帶式智能手表中的單個三軸加速度計，采集環(huán)衛(wèi)工人的7類日常工作行為數(shù)據(jù)，即：走(walk)、跑(run)、大掃帚掃地(bweep)、小掃帚掃地(sweep)、清潔(clean)、倒垃圾(dump)以及日常活動(daily)。采樣頻率為25Hz。

將智能手表表盤正面水平朝上，沿表盤水平向右為X軸，沿表盤水平向上為Y軸，垂直表盤向上為Z軸。整個數(shù)據(jù)集包含樣本266 555條，每條樣本包含X、Y、Z三軸加速度數(shù)值。各類行為樣本比例如圖1(a)所示。圖1(b)通過部分樣本波形圖直觀展示了該數(shù)據(jù)集的數(shù)據(jù)特征，其中橫軸代表樣本點的相對時間順序，縱軸代表三軸加速度計三個軸的讀數(shù)，其中每1 000 代表一個重力加速度g，也即9.81 m/s2。

圖1 Sanitation數(shù)據(jù)集

1.2 數(shù)據(jù)預(yù)處理

加速度計存在數(shù)據(jù)漂移問題，其在靜置狀態(tài)下，所采集時間序列有輕微的擺動。通常這是受限于加速度計本身的制造工藝，導(dǎo)致其所測量的重力加速度并不豎直于地面而造成的讀數(shù)漂移。對于讀數(shù)漂移的校準，處理方法為去除時間序列波動的中心點，也就是去除靜置狀態(tài)下時間序列擺動的均值。假設(shè)某個軸測量的加速度分量為am，該軸的時間序列波動中心點為Δ，則實際該軸的加速度分量at計算如下：

at=am-Δ

(1)

另外，采集的原始加速度時間序列往往包含一些環(huán)境噪聲。KARANTONIS D M利用n階滑動平均濾波器濾除了加速度信號中的隨機噪聲[10]；DONG L采用卡爾曼濾波器對熱機械噪聲和電噪聲進行了濾除[11]。

加速度時間序列是數(shù)字信號，且其主要噪聲為高頻噪聲，可采用無線脈沖響應(yīng)(Infinite Impulse Response,IIR)濾波器設(shè)計一個三階巴特沃斯低通濾波器，完成去噪工作。另外鑒于人體行為的頻率較低，則設(shè)定濾波器的截止頻率為15Hz。該三階巴特沃斯低通濾波器能有效消除時間序列毛刺噪聲，同時能保持處理后的時間序列趨勢和原始時間序列高度吻合。

1.3 特征提取

原始的加速度時間序列特征不明顯，另外有些分類器對輸入數(shù)據(jù)的格式有一定要求，原始數(shù)據(jù)并不能作為這些分類器的輸入。所以需要對加速度時間序列進行特征提取以及有關(guān)標準化的處理工作。PREECE S J比較了14種提取加速度時間序列特征的方法，包括基于小波變換等在內(nèi)的時域和頻域信號特征[12]。

時間序列的特征值包括三個方面，即時域特征、頻域特征以及時頻域特征。對于人體行為識別而言，時域特征是時間序列最主要的特征，而頻域特征及時頻域特征對最終的識別效果影響較小且會導(dǎo)致特征過多影響訓(xùn)練和識別速度，因此本文只進行時域特征的提取。

某個軸的時間序列s可表示為：

s=(s1,s2,…,sT),T∈Ζ+

(2)

表1是待提取的時域特征，除最后一個相關(guān)系數(shù)特征是對三軸加速度分量每兩軸計算進行提取外，其余特征均為對三個軸分別進行提取，特征共計57個。

為配合后文所提出的一種改進的子窗口集成學習算法，并不對時間序列整體利用滑動窗口進行特征提取，而是將某一窗口所選中的時間序列分段作為輸入值，對該時間序列分段進行特征提取。算法偽代碼如表2所示。由于計算方法不同，所得到的時間序列的多個特征值的數(shù)量級往往并不相同，例如均值和能量的數(shù)量級很有可能相差甚遠。這樣，對于某些分類算法，例如常用的K近鄰算法(K-Nearest Neighbor,KNN)，數(shù)量級越大的特征值對最終分類結(jié)果的影響就越大。而實際上，假設(shè)時間序列的各個特征對最終分類結(jié)果的影響應(yīng)該是平等的，所以必須對每一個特征的特征向量進行標準化處理，使得處理后各個特征的特征向量之間的數(shù)量級保持在相同量級上。表2偽代碼中的第6行即為對特征的特征向量進行標準化處理。

表1 待提取特征描述

表2 特征提取算法偽代碼

經(jīng)過特征提取之后，可以將僅包含三軸加速度分量和對應(yīng)標簽的時間序列分段，轉(zhuǎn)換成包含57條特征值以及對應(yīng)標簽的特征數(shù)據(jù)。

2 一種改進的集成學習算法及實驗

首先提出一種改進的子窗口集成學習算法，再與其他傳統(tǒng)機器學習算法進行實驗對比。

2.1 一種改進的集成學習算法

集成學習是機器學習的一種，通過訓(xùn)練多個模型來解決問題。與從訓(xùn)練數(shù)據(jù)中得到一個模型的一般機器學習方法相比，集成學習方法則是通過構(gòu)造一組模型并加以組合使用[13]。多數(shù)研究通過對時間序列利用固定尺寸的滑動窗口進行特征提取，再利用某種分類算法訓(xùn)練得到模型并進行預(yù)測。但是，不同的數(shù)據(jù)集可能具有不同的最適滑動窗口尺寸。若固定窗口尺寸，則算法的普適性將大大降低，因此文獻[14]提出一種基于可變子窗口的集成學習算法以克服此問題。本文對該算法進行了改進，將訓(xùn)練基模型所用的算法從支持向量機(Support Vector Machine,SVM)更改為性能更優(yōu)越的XGBoost算法，稱為改進的子窗口集成學習算法(Improved Subwindow Ensemble Model,ISWEM)。

該算法分為訓(xùn)練和預(yù)測兩部分，首先介紹訓(xùn)練部分，其偽代碼如表3所示。

可以看出，該算法的訓(xùn)練部分通過設(shè)定不同尺寸的子窗口，對帶有標簽以及三軸加速度分量的時間序列生成多個對應(yīng)的特征集，再利用基算法對各個特征集進行訓(xùn)練得到多個對應(yīng)子模型。

接下來給出該算法的預(yù)測部分，其偽代碼如表4所示。

表3 ISWEM算法訓(xùn)練部分偽代碼

表4 ISWEM算法預(yù)測部分偽代碼

在對時間序列分段進行預(yù)測時，首先利用不同尺寸的子窗口對該分段進行特征提取，形成多個對應(yīng)的特征集，再針對不同特征集利用對應(yīng)子窗口尺寸下的子模型進行預(yù)測，得到預(yù)測集，最后對預(yù)測集通過某種方法(如多數(shù)投票方法)進行處理得到該時間序列分段的預(yù)測標簽。

2.2 實驗

為了驗證所提出的改進的子窗口集成學習算法的優(yōu)越性，將和未改進的原算法以及四個傳統(tǒng)機器學習算法進行對比，這四個傳統(tǒng)機器學習算法分別是KNN、決策樹(Desicision Tree,DT)、樸素貝葉斯(Naive Bayes)以及SVM。由于人體行為識別問題可以視作一種分類問題，因此采用在分類問題中常用的F1-score作為評價指標。

實驗結(jié)果如表5所示。

表5 各個算法在Sanitation數(shù)據(jù)集上的F1-score

不難發(fā)現(xiàn)，無論是對單個行為識別的F1-score還是對整體識別的平均F1-score，本文所提出的ISWEM算法均取得了優(yōu)于作為對比的其他算法的表現(xiàn)。

3 結(jié)論

針對利用單個三軸加速度計進行人體行為識別的場景，提出了數(shù)據(jù)預(yù)處理及特征提取方法，并進一步提出一種改進的基于子窗口集成學習算法，該算法通過集成各個尺寸窗口下得到的各個基模型，一方面克服了固定尺寸窗口帶來的普適性低的問題，另一方面，集成多個基模型使得識別指標F1-score得以有效提升。通過和未改進的算法以及其他四種傳統(tǒng)機器學習算法進行實驗對比，驗證了所提出算法的優(yōu)越性。