本發(fā)明屬于行為識別技術領域，具體涉及一種高準確性的基于智能手機的行為識別系統(tǒng)和方法。

背景技術：

如今的智能手機內嵌了越來越多的高精度的傳感器，比如加速度傳感器，重力傳感器，GPS，電子羅盤，方向傳感器，氣壓傳感器等等一些可以采集用戶行為信息和感知物理環(huán)境的傳感器，利用智能手機豐富的傳感器資源可以完成行為識別。傳統(tǒng)的行為識別方式，需要穿戴集成了許多傳感器的可穿戴設備，沒有很好的舒適性和便利性，因此，基于可穿戴設備的行為識別形式僅僅停留在實驗室，而無法推廣。如今的智能手機具有高精度的傳感器，體積小，便于攜帶，處理性能快等優(yōu)勢，基于智能手機的行為識別已經成為了研究熱點。

已有的基于智能手機的行為識別系統(tǒng)和方法，具有識別行為準確性低的關鍵性問題，在識別階段，沒有利用先前狀態(tài)PS(previous state)和行為轉換的邏輯關系，是造成行為識別系統(tǒng)準確性低的一個因素。

現(xiàn)有專利文獻中，公開號為CN105528613A、名稱為“一種基于智能手機GPS速度與加速度數(shù)據的行為識別方法”的發(fā)明專利公開了一種結合GPS速度數(shù)據與加速度數(shù)據的行為識別方法以有效地識別用戶在不同速度下的人體行為，如騎車、乘車等。其不足之處在于：

1.在識別用戶行為時，未考慮不同行為轉換間的邏輯，來排除一些用戶不可能發(fā)生的行為。因此，該方法降低了分類識別時的準確性；

2.未對各種行為做出分析，將相似度較高的行為歸并為一組，從而先將行為分類到相應的行為組里，再分類到組類的具體行為，實質上減少了每次分類識別的可能性集。該方法直接采用一次分類到用戶行為的方式，分類識別時可能性集大，造成分類不正確的概率較大；

3.對數(shù)據未進行PCA分析，在識別行為時性能消耗過大。并且，采用的是基于服務器的方式，識別用戶行為的實時性低。同時需要將數(shù)據上傳，在網絡信號較弱無法聯(lián)網時該方法會失效。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是針對現(xiàn)有技術中智能手機識別行為的準確性較低的問題提出一種基于智能手機的高準確性的行為識別系統(tǒng)和方法。

具體的技術方案為一種高準確性的基于智能手機的行為識別方法，包括訓練階段和識別階段：

步驟1：訓練階段，包含數(shù)據采集及預處理，特征提取，建立識別模型三個子步驟：

步驟1-1：數(shù)據采集及預處理

步驟1-1-1：初始化智能手機加速度傳感器以及重力傳感器，設置加速度傳感器的采樣頻率f_sa,重力傳感器的采樣頻率為f_sg,分別采集個別典型性行為的加速度傳感器數(shù)據a_i(t)以及重力加速度傳感器數(shù)據g_i(t)，i＝1,2,3,表示傳感器X軸、Y軸和Z軸，數(shù)據a_i(t)及g_i(t)均為離散數(shù)據，同時由用戶人工的標記行為；

步驟1-1-2:先用截止頻率f_mc的階數(shù)為a的中值濾波器和截止頻率f_lc的階數(shù)為b的低通濾波器去除a_i(t)中的噪聲n_a(t)以及g_i(t)中的噪聲n_g(t)，再用截止頻率f_hc的階數(shù)為c的高通濾波器去除重力對加速度傳感器的數(shù)據a_i(t)造成的誤差a_g(t)，濾波處理之后，得到加速度傳感器數(shù)據a_iτ(t)以及重力傳感器數(shù)據g_iτ(t)；

步驟1-2：特征提取

步驟1-2-1：加速度傳感器數(shù)據a_iτ(t),重力傳感器數(shù)據g_iτ(t)分別采用一個w秒，相鄰窗口重疊p％的滑動窗進行加窗處理得到w秒的加速度傳感器數(shù)據序列a_iq(t)和重力加速度傳感器數(shù)據序列g_iq(t)；

步驟1-2-2:從加速度傳感器數(shù)據序列a_iq(t)和重力加速度傳感器數(shù)據序列g_iq(t)中提取時域上的特征值f,構成特征向量m為特征值的個數(shù)；

步驟1-3：建立識別模型

步驟1-3-1:使用K個時間窗，從而形成K個特征向量m為特征值的個數(shù)，構成的特征值集合通常來說，m維的特征向量數(shù)據量過大，會造成識別用戶行為時對智能手機的性能消耗過大，因此，需要將m維的特征向量進行降維處理，減小識別用戶行為時數(shù)據處理對智能手機的性能消耗。將m維的特征向量進行PCA分析得到n維的特征向量n＜＜m；

步驟1-3-2：K個經過PCA分析的特征向量構成k×4的特征值集合并將每種行為標記與其相應的特征值集合S′對應起來，構建行為標記與特征值間集合S′的映射關系，建立識別模型；

步驟2：識別階段，包含數(shù)據采集及預處理、特征提取、CWPG方法分類三個子步驟，其中，數(shù)據采集及預處理，特征提取分別與訓練階段對應的子步驟一致；

步驟2-1:將提取到的特征向量m為特征值的個數(shù),轉換成4維的特征向量4＜＜m；

步驟2-2：通過先前狀態(tài)PS和行為組轉換的邏輯，使用CWPG方法識別用戶行為。

進一步，上述步驟1-1-1中所述的個別典型性行為包含坐、躺、站、走、慢跑、上樓梯和下樓梯這七種行為。

進一步，上述步驟1-2-1中，加速度傳感器的采樣頻率為f_sa，時間窗為w秒，則加速度傳感器數(shù)據序列a_iq(t)共有f_sa×w個數(shù)據，重力傳感器的采樣頻率f_sg，時間窗為w秒，則重力傳感器數(shù)據序列g_iq(t)共有f_sg×w個數(shù)據。

進一步，上述步驟1-2-2中，特征向量可分為兩個分量第一個分量g為特征值個數(shù)，用于將用戶行為分類到行為組G_i(i＝1,2,3,4)，用戶行為共分為四組，第一組G₁為站，第二組G₂為坐和躺，第三組G₃為走和慢跑，第四組G₄為上樓梯和下樓梯，其中特征值f_i(i≤g)可以為平均值，最小值，均方根等時域上的特征值；第二個分量a為特征值個數(shù),其中特征值f_i(i≤a)可以為最大值，峰值時間差，加速度傳感器數(shù)據X軸、Y軸和Z軸數(shù)據的變化范圍等時域上的特征值。

進一步，上述步驟1-3-1中對m維的特征向量進行PCA分析得到N維特征向量3≤N≤8。

而且又進一步，將m維的特征向量m為特征值的個數(shù)，形成k×m的特征值集合對每列數(shù)據求其平均值X，然后每列數(shù)據分別減去其平均值X，行成矩陣M，求矩陣M的協(xié)方差矩陣，并求其特征值和對應的特征向量，選擇從大到小的4個特征值，由其對應的4個特征向量構成的m×4的轉換矩陣V，最后將矩陣S和矩陣V相乘(S×V)得到k×4的矩陣，則將m維的特征向量降至4維完成對特征向量的PCA分析。

進一步，上述步驟2-1中，先將識別階段提取到的特征向量中的特征值f_i(i≤m)分別減去訓練階段PCA分析所使用的平均值X，得到特征向量然后將特征向量與訓練階段PCA分析所使用的轉換矩陣V相乘，得到4維的特征向量4＜＜m；

對于前述七種行為，將站、坐、躺、走、慢跑、上樓梯和下樓梯這七種行為分成四組行為組G_i，i＝1,2,3,4，G₁為站,G₂為站坐和躺，G₃為站走和慢跑，G₄為站上樓梯和下樓梯，基于現(xiàn)實生活行為轉換的邏輯關系，可去除一部分行為組之間的轉換，基于現(xiàn)實情況的分析共有12種轉換關系,1表示行為組間能夠相互轉換，0表示行為組之間不能轉換，12種轉換關系如下表所示：

進一步，上述步驟2-2中，CWPG(Classifier With Previous state and Group change label)方法是利用先前狀態(tài)PS，并基于行為組轉換的邏輯進行識別用戶行為的一種分類方法，分為兩個階段，初始化階段和初始化之后兩個階段，在初始化階段，首先為特征向量的分量)中的f₁設置閾值Thr_g1，f₂設置閾值Thr_g2，當f₁＜Thr_g1且f₂＜Thr_g2，將用戶行為分類到行為組G₁，f₁＞Thr_g1且f₂＜Thr_g2時，將用戶行為分類到行為組G₂，f₁＜Thr_g1且f₂＞Thr_g2時，將用戶行為分類到行為組G₃，f₁＞Thr_g1且f₂＞Thr_g2時，將用戶行為分類到行為組G₄，同時，將用戶分類到的行為組G_i(i＝1,2,3,4)作為下一次識別用戶行為時的先前狀態(tài)PS(Previous State)，然后,同樣為特征向量的分量)設置閾值Thr_a1和Thr_a2，當分類到行為組G₁時，若f₃＜Thr_a1且f₄＜Thr_a2，則識別用戶行為為行為組G₁中的坐，否則為行為組G₁中的躺，當分類到行為組G₃時，若f₃＞Thr_a1且f₄＞Thr_a2，則識別用戶行為為行為組G₃中的走，否則為行為組G₃中的慢跑，當分類到行為組G₄時，若f₃＜Thr_a1且f₄＞Thr_a2，則識別用戶行為為行為組G₄中的上樓梯，否則為行為組G₄中的下樓梯。當分類到行為組G₂時，則默認用戶行為為站，在初始化階段，可識別出用戶行為；初始化之后，利用4種不可能發(fā)生的行為組轉換關系，在分類識別過程中排除不可能轉換到的行為組。當先前狀態(tài)PS為G₁時，若f₁＜Thr_g1，則將用戶行為分類到行為組G₁，若f₁＞Thr_g1，則將用戶行為分類到行為組G₂，當先前狀態(tài)PS為G₃時，若f₂＜Thr_g2，則將用戶行為分類到行為組G₂，若f₁＜Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₃,若f₁＞Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₄。當先前狀態(tài)PS為G₄時，若f₁＜Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₃，若f₁＞Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₄,若f₂＜Thr_g2，則將用戶行為分類到行為組G₂，由于行為組G₂可轉換到四組行為組，因此，當先前狀態(tài)PS為行為組G₂時，分類到具體的行為組的過程同初始化階段。同時，將用戶分類到的行為組G_i(i＝1,2,3,4)作為下一次識別用戶行為時的先前狀態(tài)PS，然后，將用戶行為分類到行為組G_i內的具體行為同初始化階段相應的過程。之后，重復初始化之后的識別過程，可對用戶行為實時識別。

為確保識別的效果，上述參數(shù)的取值范圍推薦為：3.5≤Thr_g1≤11.8，2.4≤Thr_g2≤6.8，2.4≤Thr_a1≤5.8，4.5≤Thr_a2≤7.8。

本發(fā)明的有益效果：

1.CWPG方法采用分層次識別用戶行為，先將用戶分類到行為組，然后分類到行為組內的具體行為，每層分類都能有很高的準確性，從而，最大程度的保障了整個系統(tǒng)識別用戶的高準確性。同時，CWPG方法是基于對現(xiàn)實生活行為轉換的邏輯關系運行的，在識別過程中，可排除一些不可能發(fā)生的行為轉換。從這兩個方面出發(fā)，CWPG能大大的提高行為識別的準確性。

2.此行為識別系統(tǒng)是基于智能手機建立的，對每個擁有智能手機的用戶都是適用的，由于不需要穿戴其他的可穿戴設備，可以使每一個用戶都能感到舒適，方便，容易被每一個用戶所能接受。同時，也為基于行為識別的應用，比如個人健康管理，醫(yī)護管理等針對終端用戶的應用，目標廣告投放等針對第三方的應用，奠定了基礎。

附圖說明

圖1為一種高準確性的基于智能手機的行為識別系統(tǒng)和方法圖。

圖2為CWPG方法初始化階段示意圖。

圖3為CWPG方法初始化之后將用戶行為分類到行為組示意圖。

圖4為行為組轉換關系示意圖。

具體實施方式

現(xiàn)結合說明書附圖對本發(fā)明的具體實施方式作進一步詳細說明。

如圖1所示，一種高準確性的基于智能手機的行為識別系統(tǒng)和方法主要包含兩個階段，分別為訓練階段和識別階段。

訓練階段主要包含了三個部分，分別為數(shù)據采集及數(shù)據預處理、特征提取、建立識別模型。

在數(shù)據采集及數(shù)據預處理部分，先初始化智能手機加速度傳感器以及重力傳感器，設置加速度傳感器的采樣頻率f_sa,重力傳感器的采樣頻率為f_sg,分別采集站、坐、躺、走、慢跑、上樓梯和下樓梯這七種行為的加速度傳感器數(shù)據a_i(t)以及重力加速度傳感器數(shù)據g_i(t)(i＝1,2,3,表示加速度傳感器X軸、Y軸和Z軸)，并由用戶人工的標記這七種行為。然后用截止頻率f_mc的階數(shù)為a的中值濾波器、截止頻率f_lc的階數(shù)為b的低通濾波器和截止頻率f_hc的階數(shù)為c的高通濾波器進行濾波處理之后，得到加速度傳感器數(shù)據a_iτ(t)以及重力傳感器數(shù)據g_iτ(t)。

在特征提取部分，首先，加速度傳感器數(shù)據a_iτ(t),重力傳感器數(shù)據g_jτ(t)分別采用一個w秒重疊p％的滑動窗進行加窗處理得到w秒的加速度傳感器數(shù)據序列a_iq(t)和重力加速度傳感器數(shù)據序列g_iq(t)。然后，從加速度傳感器數(shù)據序列a_iq(t)和重力加速度傳感器數(shù)據序列g_iq(t)中提取時域上的特征值f(比如平均值，方差，均方根等等),構成特征向量(m為特征值的個數(shù))。

在建立識別模型，先使用K個時間窗，從而形成K個特征向量構成的特征值集合通常來說，m維的特征向量數(shù)據量過大，會造成識別用戶行為時對智能手機的性能消耗過大，因此，需要將m維的特征向量進行降維處理，減小識別用戶行為時數(shù)據處理對智能手機的性能消耗。因此，將m維的特征向量進行PCA分析得到4維的特征向量(4＜＜m)。然后，K個經過PCA分析的特征向量構成的特征值集合并將每種行為標記與其相應的特征值集合S′對應起來，構建行為標記與特征值間集合S′的映射關系，建立識別模型；

識別階段同樣分為三個部分，分別為數(shù)據采集及數(shù)據預處理、特征提取、CWPG分類。其中數(shù)據采集及數(shù)據預處理、特征提取與訓練階段相同。先將提取到的特征向量轉換成4維的特征向量(4＜＜m)，然后使用CWPG方法識別用戶行為。

CWPG方法利用了先前狀態(tài)PS和基于現(xiàn)實生活的行為組轉換的邏輯。將站、坐、躺、走、慢跑、上樓梯和下樓梯這七種行為分成四組行為組G_i(i＝1,2,3,4；G₁為站,G₂為站坐和躺，G₃為站走和慢跑，G₄為站上樓梯和下樓梯)，基于現(xiàn)實生活行為轉換的邏輯關系，可去除一部分行為組之間的轉換(比如，用戶行為為坐或者躺的狀態(tài)，不可能直接轉換成上樓梯或者下樓梯的狀態(tài)，即由G₂不能直接改變到G₄)。因此，基于現(xiàn)實情況的分析共有12種轉換關系,如行為組轉換邏輯表所示(1表示行為組間能夠相互轉換，0表示行為組之間不能轉換)。

行為組轉換邏輯表

共有4種行為組轉換關系(G_i→G_j)是不可能發(fā)生的，分別是：G₁→G₃(由坐或者躺直接轉換為走或者慢跑)、G₁→G₄(由坐或者躺直接轉換為上樓梯或者下樓梯)、G₃→G₁(由走或者慢跑直接轉換為坐或者躺)以及G₄→G₁(由上樓梯或者下樓梯直接轉換為坐或者躺)。

CWPG(classifier with previous state and group change label)方法是利用先前狀態(tài)PS，并基于現(xiàn)實生活行為轉換的邏輯關系進行識別用戶行為的一種分類方法。分為兩個階段，初始化階段和初始化之后兩個階段。

如圖2所示，在初始化階段，首先為特征向量的分量中的f₁設置閾值Thr_g1＝5.5(一般情況為5.5，可視實際情況在[3.5,11.8]范圍內做相應調整)，f₂設置閾值Thr_g2＝3.2(一般情況為3.2，可視實際情況在[2.4,6.8]范圍內做相應調整)。當f₁＜Thr_g1且f₂＜Thr_g2，將用戶行為分類到行為組G₁，f₁＞Thr_g1且f₂＜Thr_g2時，將用戶行為分類到行為組G₂，f₁＜Thr_g1且f₂＞Thr_g2時，將用戶行為分類到行為組G₃，f₁＞Thr_g1且f₂＞Thr_g2時，將用戶行為分類到行為組G₄。同時，將用戶分類到的行為組G_i(i＝1,2,3,4)作為下一次識別用戶行為時的先前狀態(tài)PS(previous state)。然后,同樣為特征向量的分量)設置閾值Thr_a1＝3.3(一般情況為3.3，可視實際情況在[2.4,5.8]范圍內做相應調整)和Thr_a2＝5.6(一般情況為5.6，可視實際情況在[4.5,7.8]范圍內做相應調整)。當分類到行為組G₁時，若f₃＜Thr_a1且f₄＜Thr_a2，則識別用戶行為為行為組G₁中的坐，否則為行為組G₁中的躺。當分類到行為組G₃時，若f₃＞Thr_a1且f₄＞Thr_a2，則識別用戶行為為行為組G₃中的走，否則為行為組G₃中的慢跑。當分類到行為組G₄時，若f₃＜Thr_a1且f₄＞Thr_a2，則識別用戶行為為行為組G₄中的上樓梯，否則為行為組G₄中的下樓梯。當分類到行為組G₂時，則默認用戶行為為站。在初始化階段，可識別出用戶行為。

如圖3所示，初始化之后，利用4種不可能發(fā)生的行為組轉換關系，在分類識別過程中排除不可能轉換到的行為組。當先前狀態(tài)PS為G₁時，若f₁＜Thr_g1，則將用戶行為分類到行為組G₁，若f₁＞Thr_g1，則將用戶行為分類到行為組G₂。當先前狀態(tài)PS為G₃時，若f₂＜Thr_g2，則將用戶行為分類到行為組G₂，若f₁＜Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₃,若f₁＞Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₄。當先前狀態(tài)PS為G₄時，若f₁＜Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₃，若f₁＞Thr_g1且f₂＞Thr_g2，則將用戶行為分類到行為組G₄,若f₂＜Thr_g2，則將用戶行為分類到行為組G₂。由于行為組G₂可轉換到四組行為組，因此，當先前狀態(tài)PS為行為組G₂時，分類到具體的行為組的過程同初始化階段。同時，將用戶分類到的行為組G_i(i＝1,2,3,4)作為下一次識別用戶行為時的先前狀態(tài)PS(previous state)。然后，將用戶行為分類到行為組G_i內的具體行為同初始化階段相應的過程。之后，重復初始化之后的識別過程，可對用戶行為實時識別。

如圖4所示,表示了四組行為組G_i(i≤4,G₁為坐和躺,G₂為站，G₃為走和慢跑，G₄為上樓梯和下樓梯)之間的轉換關系。基于現(xiàn)實生活行為轉換的邏輯關系，可去除一部分行為組之間的轉換(比如，用戶行為為坐或者躺的狀態(tài)，不可能直接轉換成上樓梯或者下樓梯的狀態(tài)，即由G₂不能直接改變到G₄)。經過對實際情況的分析，共有12種行為組轉換關系。