劉 勇，謝若瑩，豐 陽(yáng)，王亞輝，劉亞清

1.四川輕化工大學(xué) 人工智能四川省重點(diǎn)實(shí)驗(yàn)室，四川 自貢 643000

2.大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連 116026

3.晉中職業(yè)技術(shù)學(xué)院 電子信息學(xué)院，山西 晉中 030600

行為識(shí)別在公共安全、健康醫(yī)療、人機(jī)交互等領(lǐng)域有著重要的應(yīng)用。例如，使用行為識(shí)別技術(shù)可以對(duì)公共場(chǎng)所中潛在的危險(xiǎn)或者犯罪行為進(jìn)行預(yù)警，可以對(duì)行人摔倒、跌落等意外行為進(jìn)行識(shí)別，進(jìn)而為其提供及時(shí)的援助。行為識(shí)別一般是使用傳感器來感知人的行為，通過對(duì)感知數(shù)據(jù)的分析來推斷人的行為。根據(jù)使用的傳感器的類型，行為識(shí)別可以分為三類：基于視頻的行為識(shí)別、基于可穿戴設(shè)備的行為識(shí)別以及基于環(huán)境傳感器的行為識(shí)別。基于視頻的行為識(shí)別主要是根據(jù)攝像儀記錄的視頻，使用視頻分析與處理技術(shù)來對(duì)視頻中人的行為進(jìn)行識(shí)別。由于視頻容易暴露人的隱私，基于視頻的行為識(shí)別一般適用于公共場(chǎng)所?；诳纱┐髟O(shè)備的行為識(shí)別是根據(jù)可穿戴設(shè)備（例如智能手機(jī)）記錄的行人姿態(tài)的變化來識(shí)別行人的行為?；诳纱┐髟O(shè)備的行為識(shí)別適合識(shí)別一些相對(duì)簡(jiǎn)單的行為，例如“摔倒”或者“跌落”?；诃h(huán)境傳感器的行為識(shí)別是根據(jù)行為觸發(fā)的傳感器事件流來對(duì)當(dāng)前的行為進(jìn)行識(shí)別。由于環(huán)境傳感器一般部署在相對(duì)封閉的空間內(nèi)，能夠很好地保護(hù)人們的隱私，也不需要附著額外的可穿戴設(shè)備，因此環(huán)境傳感器在智能家居中獲得了應(yīng)用。

智能家居中的日常行為識(shí)別可以在不侵犯居民隱私的前提下，通過對(duì)居民日常行為的識(shí)別發(fā)現(xiàn)其是否存在認(rèn)知功能障礙（例如阿爾茨海默癥）。由于認(rèn)知功能障礙的鑒定需要長(zhǎng)期對(duì)居民日常行為的變化進(jìn)行跟蹤，因此智能家居中日常行為識(shí)別的意義在于，借助日常行為識(shí)別可以極大地減少對(duì)認(rèn)知障礙居民的護(hù)理成本。同時(shí)，普適計(jì)算（Pervasive Computing）和泛在智能（Ambient Intelligence）技術(shù)的興起與發(fā)展也有力地推動(dòng)了日常行為識(shí)別在智能家居中的應(yīng)用[1-2]。本文主要對(duì)智能家居中居民日常行為識(shí)別的研究現(xiàn)狀進(jìn)行綜述，并指出該領(lǐng)域未來的研究方向。

1 日常行為識(shí)別概述

環(huán)境感知的智能家居是指在居民家中安裝了若干非入侵式傳感器，例如地板壓力傳感器、開關(guān)傳感器、溫度傳感器等，當(dāng)居民在家中進(jìn)行日常行為（例如做飯、睡覺等）時(shí)，會(huì)先后觸發(fā)部署在房間的傳感器[3]。日常行為識(shí)別的目的就是根據(jù)觸發(fā)的傳感器序列來推斷居民當(dāng)前正在進(jìn)行哪一種日常行為。

如圖1所示，居民的日常行為識(shí)別過程由四個(gè)階段組成。

圖1 日常行為識(shí)別流程圖

第一個(gè)階段，獲取傳感器事件流。當(dāng)居民在進(jìn)行日?；顒?dòng)時(shí)將連續(xù)地觸發(fā)部署在房間內(nèi)的傳感器，從而產(chǎn)生傳感器事件流。一個(gè)被觸發(fā)的傳感器事件是一個(gè)四元組（時(shí)間，傳感器，傳感器值，日常行為）。圖2所示的傳感器事件流包含兩個(gè)日常行為“洗澡”和“睡覺”，當(dāng)用戶在洗澡時(shí)將連續(xù)地觸發(fā)傳感器“M021”“BATV012”“LS013”“LS013”四個(gè)傳感器。居民睡覺時(shí)連續(xù)觸發(fā)“BATV013”“M021”“MA013”“M018”“MA013”五個(gè)傳感器。

圖2 傳感器事件流示意圖

第二個(gè)階段，傳感器事件流分割。按照分割策略，傳感器事件流被劃分為若干個(gè)子序列。

第三個(gè)階段，特征選擇與特征值計(jì)算。根據(jù)特征選擇方法和特征值計(jì)算策略產(chǎn)生能夠描述日常行為的特征集以及相應(yīng)的特征值。

第四個(gè)階段，根據(jù)日常行為識(shí)別模型，對(duì)分割后傳感器事件流蘊(yùn)含的日常行為進(jìn)行識(shí)別。

2 傳感器事件流分割

對(duì)于給定的一段時(shí)間（通常為一天），居民將進(jìn)行多個(gè)日常行為。對(duì)這些日常行為觸發(fā)傳感器事件流的分割質(zhì)量直接關(guān)系到日常行為識(shí)別的效果。傳感器事件流的分割方法主要有兩種：基于固定窗口長(zhǎng)度的傳感器事件流分割方法和基于可變窗口的傳感器事件流分割方法。

圖3 傳感器事件流分割示意圖

如圖3所示，基于固定窗口長(zhǎng)度的傳感器事件流分割方法可分為基于等時(shí)間的傳感器事件流方法和基于等傳感器事件數(shù)的傳感器事件流方法?；诘葧r(shí)間的傳感器事件流分割方法的主要思路是事先設(shè)定一個(gè)時(shí)間片t（通常是幾秒到十幾秒），然后根據(jù)這個(gè)時(shí)間片來對(duì)傳感器事件流進(jìn)行平均分割?；诘葌鞲衅魇录?shù)的傳感器事件流分割方法的主要思路是事先指定一個(gè)整數(shù)n，然后依次以n個(gè)被觸發(fā)的傳感器事件為單位對(duì)傳感器事件流進(jìn)行分割[4-6]。不難看出，基于固定傳感器事件流的方法的優(yōu)點(diǎn)在于分割方法簡(jiǎn)單易行。由于不同日常行為持續(xù)的時(shí)間和觸發(fā)的傳感器數(shù)量差異極大，如果窗口設(shè)定太小，將導(dǎo)致持續(xù)時(shí)間較長(zhǎng)或者觸發(fā)傳感器較多的日常行為被分割得支離破碎；如果窗口設(shè)定太大，將出現(xiàn)多個(gè)日常行為被劃分在一個(gè)窗口里的情形。因此，無論窗口太大或者太小都會(huì)影響到日常行為特征的選擇和特征值的計(jì)算，進(jìn)而影響到日常行為識(shí)別的效果。

基于可變窗口的傳感器事件流分割的主要思想是根據(jù)不同的日常行為對(duì)傳感器事件流進(jìn)行分割。Cook等人提出一種基于窗口概率密度（Probability Density）變化點(diǎn)檢測(cè)算法，根據(jù)兩個(gè)連續(xù)時(shí)間序列的概率密度的差異來確定兩個(gè)窗口之間是否存在行為類別轉(zhuǎn)換，進(jìn)而實(shí)現(xiàn)對(duì)傳感器事件流的分割。該方法的創(chuàng)新在于定義了表征窗口傳感器事件流概率密度的公式以及概率密度差異性的公式[7-8]。Krishnan 等人對(duì)日常行為之間時(shí)間間隔的依賴關(guān)系、傳感器事件的依賴關(guān)系以及日常行為的上下文信息進(jìn)行統(tǒng)計(jì)分析，提出一種基于可變窗口的傳感器事件流分割方法[9]。Wan等人認(rèn)為同一日常行為在空間和時(shí)間上具有較強(qiáng)的相關(guān)性，因此定義了用于反映連續(xù)兩個(gè)傳感器事件的傳感器相關(guān)度和觸發(fā)時(shí)間相關(guān)程度的公式，通過計(jì)算連續(xù)兩個(gè)傳感器事件的相關(guān)度來確定傳感器事件流的邊界[10]。Shahi等人融合了傳感器事件依賴度、傳感器觸發(fā)頻率以及日常行為時(shí)間間隔等時(shí)空特征，提出了一種基于互信息（Mutual Information，MI）的傳感器事件流分割方法[11]。Aminikhanghahi等人則構(gòu)建了包括時(shí)間特征、傳感器特征和窗口特征的三大類特征和十七個(gè)小類特征的體系結(jié)構(gòu)，根據(jù)特征體系提出了一種行為變化點(diǎn)檢測(cè)的算法來進(jìn)行傳感器事件流分割[12]。Triboan 等人認(rèn)為基于數(shù)據(jù)驅(qū)動(dòng)的傳感器事件流分割方法的魯棒性較差，通過構(gòu)建日常行為間的語(yǔ)義關(guān)系模型，提出了一種基于語(yǔ)義的傳感器事件流分割方法，提升了傳感器事件流分割方法的魯棒性[13-14]。類似地，Okeyo 等人使用本體模型對(duì)傳感器事件流進(jìn)行分割[15]。由于能夠?qū)儆谕蝗粘Ｐ袨橛|發(fā)的傳感器事件流分在一組，基于可變窗口傳感器事件流分割后的日常行為識(shí)別質(zhì)量要明顯優(yōu)于基于固定窗口傳感器事件流分割后的日常行為識(shí)別質(zhì)量。但是基于可變窗口的傳感器事件流分割需要設(shè)計(jì)專門的算法來對(duì)傳感器事件流進(jìn)行分割，導(dǎo)致識(shí)別結(jié)果往往有一定的延遲，因此并不適合實(shí)時(shí)性要求較高的日常行為識(shí)別問題。

3 特征選擇和特征值計(jì)算

日常行為特征可以分為時(shí)態(tài)特征和空間特征[16]。時(shí)態(tài)特征通常包括傳感器事件流開始的時(shí)刻、事件流持續(xù)的時(shí)間以及傳感器事件流結(jié)束的時(shí)刻?？臻g特征通常由初始的傳感器集合或者其頻繁項(xiàng)、頻繁序列構(gòu)成。例如，Liu等人以傳感器事件流開始的時(shí)刻、事件流持續(xù)的時(shí)間和初始的傳感器集合為特征集進(jìn)行日常行為識(shí)別[17]。但是由于一些日常行為在空間特征上的相似性，由單個(gè)傳感器構(gòu)成的空間特征集合不足以反映這些日常行為的差異。于是，Wen等人和Nasreen等人使用頻繁模式挖掘算法來挖掘頻繁的傳感器組合，從而構(gòu)建日常行為的空間特征集[18-19]。Twomey 等人提出一種無監(jiān)督的方法來學(xué)習(xí)傳感器在智能家居中的拓?fù)浣Y(jié)構(gòu)，根據(jù)拓?fù)浣Y(jié)構(gòu)挖掘有效的傳感器事件組合作為日常行為特征[20]。

對(duì)于時(shí)態(tài)特征，傳感器事件流開始時(shí)刻的近似值、持續(xù)時(shí)間的近似值以及結(jié)束時(shí)刻的近似值是最常見的特征值計(jì)算指標(biāo)。對(duì)于空間特征，傳感器觸發(fā)的次數(shù)、觸發(fā)的密度是最常見的特征值計(jì)算指標(biāo)[21]。由于特征值的計(jì)算策略影響日常行為識(shí)別的效果，也有學(xué)者提出使用基于TF-IDF 公式[22]、基于互信息公式[23]、深度學(xué)習(xí)（Deep Learning，DL）技術(shù)[24]來計(jì)算特征值的策略。

4 日常行為識(shí)別

根據(jù)居民數(shù)量、識(shí)別目的以及識(shí)別環(huán)境的差異，日常行為識(shí)別主要包括面向單居民日常行為識(shí)別、面向多居民日常行為識(shí)別、異常行為識(shí)別和異構(gòu)環(huán)境下的日常行為識(shí)別。

4.1 單居民的日常行為識(shí)別

面向單居民的日常行為識(shí)別方法可以分為數(shù)據(jù)驅(qū)動(dòng)的行為識(shí)別方法和知識(shí)驅(qū)動(dòng)的行為識(shí)別方法。

（1）數(shù)據(jù)驅(qū)動(dòng)的行為識(shí)別方法

數(shù)據(jù)驅(qū)動(dòng)的行為識(shí)別方法通常將日常行為識(shí)別看作一個(gè)分類問題，主要包括基于產(chǎn)生式分類的方法、基于判別式分類的方法和基于集成分類的方法[25-26]。

①基于產(chǎn)生式分類的方法

Fahad等人首先利用主成分分析（Principal Component Analysis，PCA）方法來約簡(jiǎn)日常行為特征，然后使用Lloyd’s 算法對(duì)訓(xùn)練數(shù)據(jù)聚簇，最后以簇為單位構(gòu)建基于Evidence TheoreticKNN 分類器的日常行為識(shí)別模型[27]。由于傳感器事件流是一個(gè)時(shí)間序列，一些學(xué)者以隱馬爾可夫模型（Hidden Markov Model，HMM）為基礎(chǔ)模型對(duì)日常行為進(jìn)行識(shí)別。例如，Kasteren等人使用HMM 來對(duì)日常行為進(jìn)行識(shí)別[28]。Lu 等人使用一種改進(jìn)的HMM模型BP-HMM對(duì)日常行為進(jìn)行識(shí)別[29]。

②基于判別式分類的方法

Fahad等人以支持向量機(jī)（Support Vector Machine，SVM）作為基礎(chǔ)模型，先后提出基于“距離最小化”和“概率估計(jì)”公式的日常行為識(shí)別模型[30-31]。Tong和Chen等人以條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）為基礎(chǔ)模型，先后提出了Latent-Dynamic CRF 和Hidden State CRF模型進(jìn)行日常行為識(shí)別[32-33]。Bourobou等人首先使用聚簇算法從日常行為樣本中獲取行為模式，然后使用時(shí)態(tài)人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型進(jìn)行日常行為識(shí)別[34]。Bianchi 等人根據(jù)可穿戴傳感器和Wi-Fi信號(hào)傳遞信息，使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型來對(duì)居民的日常行為進(jìn)行識(shí)別[35]。江南大學(xué)的謝林柏教授利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練深度運(yùn)動(dòng)圖數(shù)據(jù)，使用密集軌跡來描述RGB 視頻序列的動(dòng)態(tài)運(yùn)動(dòng)信息，最后根據(jù)提取到的靜態(tài)特征和動(dòng)態(tài)特征使用SVM對(duì)日常行為進(jìn)行識(shí)別[36]。中國(guó)社會(huì)科學(xué)院大學(xué)的蓋赟等人提出了一種基于包含多尺度卷積算子的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型，可以同時(shí)計(jì)算行為序列樣本在時(shí)間和空間的特征[37]。

③基于集成分類的方法

當(dāng)日常行為的類別較少時(shí)，單一的分類模型能夠取得較好的分類效果，但是當(dāng)日常行為識(shí)別的類別增多后，單一的分類模型的效果則不盡如人意。國(guó)內(nèi)外學(xué)者嘗試使用集成分類模型對(duì)日常行為進(jìn)行識(shí)別。Hu 和Nef 等人分別驗(yàn)證了隨機(jī)森林（Random Forests，RF）的效果要明顯優(yōu)于單一的分類模型[38]。Krawczyk 提出主動(dòng)學(xué)習(xí)（Active Learning，AcL）和自適應(yīng)學(xué)習(xí)（Adaptive Learning，AdL）相結(jié)合的策略來進(jìn)行日常行為識(shí)別[39]，Medina-Quero等人提出長(zhǎng)短期記憶模型（Long and Short Term Memory Model，LSTM）和模糊時(shí)態(tài)窗口技術(shù)相結(jié)合的方法進(jìn)行日常行為識(shí)別[40]。Jurek 等人提出基于聚類的集成學(xué)習(xí)方法，首先使用K均值聚類算法來訓(xùn)練基分類器，然后根據(jù)基分類器的支持度來集成基分類器[41]。Wu等人認(rèn)為泛在傳感器和可穿戴傳感器能夠分別實(shí)現(xiàn)對(duì)日常行為不同粒度的識(shí)別，基于這一認(rèn)知提出了一個(gè)日常行為識(shí)別框架，首先利用集成學(xué)習(xí)方法對(duì)居民的日常行為實(shí)現(xiàn)粗粒度的識(shí)別，然后根據(jù)居民身上可穿戴傳感設(shè)備感知日常行為細(xì)節(jié)，實(shí)現(xiàn)對(duì)日常行為的細(xì)粒度識(shí)別[42]。

（2）知識(shí)驅(qū)動(dòng)的行為識(shí)別方法

知識(shí)驅(qū)動(dòng)行為識(shí)別方法的主要思想是建立日常行為之間的邏輯約束規(guī)則，根據(jù)邏輯約束規(guī)則，借助自動(dòng)推理技術(shù)來對(duì)日常行為進(jìn)行識(shí)別。本體是知識(shí)驅(qū)動(dòng)的方法中被普遍采用的邏輯模型。例如，Meditskos 等人和Salguero 等人使用精確本體來描述日常行為之間的邏輯關(guān)系[43-44]。Safyan等人使用本體對(duì)具有共存關(guān)系的日常行為進(jìn)行識(shí)別[45]。Rodriguez 等人構(gòu)建了模糊行為本體進(jìn)行日常行為識(shí)別[46]。Gayathri等人則構(gòu)建了基于馬爾可夫邏輯網(wǎng)（Markov Logic Network，MLN）的概率行為本體[47]。為提升行為識(shí)別的效果，Noor等人使用不確定性推理方法進(jìn)行行為識(shí)別[48]。

4.2 異常行為識(shí)別

異常行為識(shí)別是指對(duì)“突變”的日常行為及時(shí)地做出判斷，例如老年人連續(xù)睡覺時(shí)間超過常規(guī)睡眠時(shí)間則存在突發(fā)疾病的可能性[49]。

異常行為識(shí)別通常被看作一個(gè)孤立點(diǎn)檢測(cè)問題。Dahmen等人使用聚類的方法來發(fā)現(xiàn)異常行為[50]。Lotfi等人使用遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）來識(shí)別獨(dú)居老人是否患有老年癡呆癥[51]。Civitarese 等人使用邏輯推理的方法來識(shí)別異常行為[52]。Arifoglu等人分別使用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、Vanilla遞歸神經(jīng)網(wǎng)絡(luò)（VRNN）以及長(zhǎng)短期記憶模型（LSTM）對(duì)異常行為進(jìn)行識(shí)別[53]。Mahmoud等人提出一種兩階主成分分析（PCA）來計(jì)算日常行為的差異度，使用Hamming 距離和模糊推理方法來識(shí)別異常行為[54]。江南大學(xué)的謝林柏教授等人提出了一種基于雙重殘差網(wǎng)絡(luò)的行為識(shí)別方法，用于檢測(cè)居民跌倒的異常行為[55]。

4.3 異構(gòu)環(huán)境下的日常行為識(shí)別

異構(gòu)環(huán)境下的日常行為識(shí)別是指在一個(gè)智能家居中訓(xùn)練學(xué)習(xí)到的行為識(shí)別模型能夠?qū)α硗庖粋€(gè)智能家居中的日常行為進(jìn)行識(shí)別。目前，異構(gòu)環(huán)境下的日常行為識(shí)別主要有基于遷移學(xué)習(xí)（Transfer Learning）和基于本體兩種方法。例如Hu 等人使用Web Mining 技術(shù)來計(jì)算兩個(gè)不同智能家居中的日常行為的相似性，根據(jù)相似性來標(biāo)注目標(biāo)家居中的日常行為，然后使用遷移學(xué)習(xí)技術(shù)來識(shí)別目標(biāo)智能家居中的日常行為[56]。Samarah等人提出一種基于霧計(jì)算（Fog Computing）的日常行為識(shí)別框架，在這一框架下計(jì)算源智能家居和目標(biāo)智能家居的環(huán)境相似度，然后使用遷移學(xué)習(xí)方法進(jìn)行日常行為識(shí)別[57]。Ding 等人提出一種深度學(xué)習(xí)和遷移學(xué)習(xí)相結(jié)合的模型進(jìn)行日常行為識(shí)別[58]。Wemlinger等人首先定義了一個(gè)共享的語(yǔ)義特征空間模型，然后采用機(jī)器學(xué)習(xí)的方法來計(jì)算語(yǔ)義特征空間的參數(shù)，最后根據(jù)這個(gè)特征空間模型實(shí)現(xiàn)日常行為識(shí)別[59]。Chiang 等人認(rèn)為異構(gòu)環(huán)境下日常行為識(shí)別的關(guān)鍵在于日常行為特征的表示以及目標(biāo)智能家居環(huán)境和源智能家居環(huán)境的特征對(duì)齊策略，基于這一觀點(diǎn)提出了一種日常行為特征分解、組合以及對(duì)齊的特征處理算法用于日常行為識(shí)別[60]。

4.4 多居民日常行為識(shí)別

多居民（Multi-residents）日常行為是指在智能家居中有多個(gè)居民參與的日常行為。多居民日常行為的特點(diǎn)在于不同居民的日常行為在時(shí)間上完全或者部分是并行執(zhí)行的。相比較單居民的日常行為識(shí)別，多居民日常行為識(shí)別的復(fù)雜性在于除了要識(shí)別日常行為的類別，還要識(shí)別日常行為的主體。

Chen 等人以條件隨機(jī)場(chǎng)作為基本模型，提出一種兩階段的行為識(shí)別方法，分別用于識(shí)別行為類別和行為主體[61]。Alemdar等人使用因子隱馬爾可夫模型（Factorial HMM）作為識(shí)別模型，然后使用Nonlinear Bayesian Tracking 策略實(shí)現(xiàn)行為主體的分離[62]。Benmensour 等人認(rèn)為不同居民執(zhí)行同一日常行為特點(diǎn)是不同的，于是將行為識(shí)別和行為主體識(shí)別合并為一個(gè)分類問題，提出兩種改進(jìn)的隱馬爾可夫模型進(jìn)行日常行為識(shí)別[63]。Hao等人則將行為識(shí)別和行為主體統(tǒng)一在一個(gè)多維概念格模型下，使用該模型一次性地完成對(duì)日常行為的識(shí)別[64]。

表1 日常行為識(shí)別方法小結(jié)

4.5 日常行為識(shí)別方法小結(jié)

如前所述，智慧家居中居民日常行為識(shí)別方法可以分為數(shù)據(jù)驅(qū)動(dòng)的方法和知識(shí)驅(qū)動(dòng)的方法。如表1所示，知識(shí)驅(qū)動(dòng)的方法的優(yōu)勢(shì)在于識(shí)別模型的可移植性較強(qiáng)，且無需對(duì)數(shù)據(jù)進(jìn)行標(biāo)注。其局限性在于居民日常行為表現(xiàn)的多樣性，導(dǎo)致構(gòu)建、維護(hù)一個(gè)完備的識(shí)別模型較為困難，而且識(shí)別模型通常是根據(jù)先驗(yàn)知識(shí)來構(gòu)建，因此不能有效地應(yīng)對(duì)目標(biāo)數(shù)據(jù)中存在的噪音和不確定性。此外，隨著識(shí)別模型復(fù)雜度的增加，推理的復(fù)雜度必然隨著增加，導(dǎo)致識(shí)別效率下降。知識(shí)驅(qū)動(dòng)的方法主要應(yīng)用在單、多居民的日常行為識(shí)別，異構(gòu)環(huán)境下的日常行為識(shí)別的場(chǎng)景下。數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)勢(shì)在于能夠較好地處理數(shù)據(jù)中存在的噪音以及不確定性，而且學(xué)習(xí)到的識(shí)別模型能夠很好地覆蓋日常行為的特征。其局限性在于識(shí)別模型的構(gòu)建需要大量已標(biāo)注的數(shù)據(jù)，此外，對(duì)數(shù)據(jù)的嚴(yán)重依賴導(dǎo)致學(xué)習(xí)到的模型的可移植性較差，模型的移植需要借助遷移學(xué)習(xí)完整源域到目標(biāo)域的映射?；跀?shù)據(jù)驅(qū)動(dòng)方法的優(yōu)缺點(diǎn)，數(shù)據(jù)驅(qū)動(dòng)的方法主要應(yīng)用在單、多居民的日常行為識(shí)別，異構(gòu)環(huán)境下的日常行為識(shí)別以及異常行為識(shí)別的場(chǎng)景下。

5 測(cè)試數(shù)據(jù)集

公開的日常行為識(shí)別數(shù)據(jù)集主要包括荷蘭阿姆斯特丹大學(xué)（University of Amsterdanm）發(fā)布的Kasteren數(shù)據(jù)集和華盛頓州立大學(xué)（Washington State University）CASAS（Center for Advanced Studies in Adaptive Systems）發(fā)布的數(shù)據(jù)集。其中CASAS 是目前為止規(guī)模最大、使用最廣泛的日常行為識(shí)別數(shù)據(jù)集[3]。如表2 所示，CASAS在49個(gè)測(cè)試床下共搜集并發(fā)布了64個(gè)數(shù)據(jù)集，包括了面向單用戶的日常行為數(shù)據(jù)集、面向多用戶的日常行為數(shù)據(jù)集和面向異常行為的數(shù)據(jù)集。一些數(shù)據(jù)集是全部標(biāo)注（A），一些是部分標(biāo)注（P），其他是未標(biāo)注（N）。

表2 CASAS數(shù)據(jù)集基本信息

常用數(shù)據(jù)集的信息如表3所示，涉及約30種日常行為，主要包括“睡覺（Sleep）”“如廁（Toilet）”“工作（Work）”“做飯（Cook）”“吃飯（Eat）”“洗餐具（Wash）”“洗澡（Bath）”“穿衣服（Dress）”“吃藥（Take_Medicine）”“待客（Entertain_Guests）”“看電視（Watch_TV）”“閱讀（Read）”等。測(cè)試床中的傳感器可以分為7 大類，包括“溫度傳感器（T）”“紅外運(yùn)動(dòng)傳感器（M）”“廣域紅外運(yùn)動(dòng)傳感器（MA）”“光傳感器（LS）”“電燈開關(guān)傳感器（L）”“門開關(guān)傳感器（D）”“電量傳感器（BA）”，其中“光傳感器”“電量傳感器”“溫度傳感器”被觸發(fā)時(shí)將輸出實(shí)數(shù)值，“紅外運(yùn)動(dòng)傳感器”“廣域紅外運(yùn)動(dòng)傳感器”“門開關(guān)傳感器”“電燈開關(guān)傳感器”被觸發(fā)時(shí)輸出布爾值。

表3 常用數(shù)據(jù)集中的日常行為信息

6 未來的研究方向

智能家居中的居民日常行為識(shí)別仍是一個(gè)尚未徹底解決的問題，具體表現(xiàn)在：

（1）目前傳感器事件流分割方法的關(guān)鍵是定義評(píng)價(jià)兩個(gè)日常行為在空間和時(shí)間上連續(xù)程度的公式，這種公式往往是局部的，并未考慮分割結(jié)果在整個(gè)傳感器事件流上的影響。隨著日常行為類別的增多，傳感器事件流的分割效果在急劇下降。提升分割效果的一種途徑是將傳感器事件流分割視為一個(gè)多目標(biāo)優(yōu)化問題：首先隨機(jī)確定k個(gè)邊界值作為初始種群，然后通過訓(xùn)練集來訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)模型，利用局部泛化誤差作為適應(yīng)度函數(shù)來評(píng)估每次訓(xùn)練得到的深度模型的泛化能力。在每一次評(píng)估中，具有較小泛化誤差的模型勝出。經(jīng)過若干代的突變、交叉和選擇操作后，最終輸出最優(yōu)的傳感器事件邊界。

（2）雖然已有大量的特征計(jì)算策略提出，但是這些策略仍然較為有限并且單一（傳感器及其組合被觸發(fā)的頻率是最常用的特征計(jì)算策略），日常行為特征計(jì)算策略有待進(jìn)一步挖掘和融合。單一的行為識(shí)別方法已經(jīng)難以大幅提升當(dāng)前行為識(shí)別的效果。融合知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)勢(shì)是日常行為識(shí)別未來研究的一個(gè)方向。在日常行為識(shí)別本體的構(gòu)建過程中，可以引入機(jī)器學(xué)習(xí)的方法來確定日常行為間的分類和非分類關(guān)系，進(jìn)而提升日常行為識(shí)別本體的表達(dá)能力；進(jìn)一步，引入概念隸屬度來更加精確地描述日常行為間的分類關(guān)系。

（3）日常行為識(shí)別模型是對(duì)居民已經(jīng)發(fā)生的日常行為時(shí)空規(guī)律的抽象表示，但是不能對(duì)居民未來發(fā)生的日常行為進(jìn)行預(yù)測(cè)。未來該領(lǐng)域的研究方向之一是日常行為預(yù)測(cè)，能夠?qū)用襁z漏的日常行為（例如吃藥）進(jìn)行有效提示；能夠根據(jù)居民日常行為的時(shí)空軌跡，判斷居民是否已開始或者已經(jīng)患有認(rèn)知疾病，從而給出相應(yīng)的預(yù)警。實(shí)現(xiàn)日常行為預(yù)測(cè)的方法之一是采用聚類算法對(duì)已經(jīng)發(fā)生的日常行為進(jìn)行聚簇，通過計(jì)算給定日常行為與已經(jīng)發(fā)生日常行為的特征相似度來預(yù)測(cè)居民當(dāng)前的日常生活軌跡是否存在變化。

7 結(jié)束語(yǔ)

本文對(duì)智能家居中的居民日常行為識(shí)別研究現(xiàn)狀進(jìn)行了綜述。通過對(duì)研究現(xiàn)狀的分析可知，經(jīng)過多年艱苦的研究和探索，居民日常行為的研究已經(jīng)取得了長(zhǎng)足的進(jìn)展，涌現(xiàn)出大量有價(jià)值的成果。然而，當(dāng)面臨更為復(fù)雜的行為場(chǎng)景時(shí)，現(xiàn)有的行為識(shí)別研究并未達(dá)到人們的預(yù)期，仍然需要探索新的模型和方法來進(jìn)一步推動(dòng)智能家居中居民日常行為識(shí)別的研究。