一种智能可穿戴设备行为数据的多级语义特征提取方法技术

本发明专利技术公开一种智能可穿戴设备行为数据的多级语义特征提取方法，包括如下步骤：S101、构建单级行为空间，找到行为空间下的一组基；S102、构建多级行为空间，从不同的粒度分析行为数据；S103、提取行为数据在多级行为空间下的多级语义特征。本发明专利技术无需人工对数据进行标注，在极大减少人力成本的同时可以适用于任何行为；同时，提取出的语义特征可以从不同粒度上对行为进行分析，可以保证很高的识别精度。本发明专利技术与传统的基于预定义特征空间的方法相比准确度有大幅提高，而和现有基于有监督的深度神经网络的方法相比，本发明专利技术甚至能提供更高的识别准确度。

Multi level semantic feature extraction method for intelligent wearable device behavior data

The invention discloses an intelligent extraction method of multi-level semantic features of wearable device behavior data, which comprises the following steps: S101, construction of single level behavior space, a group of S102 find the behavior space; and constructing multi-level behavior space, behavior analysis of data from different size; S103, extraction of semantic features in the multilevel data behavior the behavior of space. The present invention without manual data annotation, greatly reduce the labor costs in at the same time can be applied to any behavior; at the same time, the semantic feature extraction can be used to analyze the behavior from different granularity, can guarantee high identification accuracy. With the traditional the method based on feature space compared to predefined accuracy is greatly improved, and the existing methods and the depth of the neural network based on supervised, the invention can provide even higher recognition accuracy.

【技术实现步骤摘要】

本专利技术涉及移动感知领域，尤其涉及一种智能可穿戴设备行为数据的多级语义特征提取方法。
技术介绍
近年来，因为通信技术、传感器技术和嵌入式计算技术的日益成熟，智能可穿戴设备如智能手表、手环等市场得到飞速发展。相比于智能手机，智能可穿戴设备更加贴近使用者的日常生活且更容易被使用者长时间佩戴。因此，通过智能可穿戴设备对用户行为数据进行分析和理解将对智能医疗、智能经济、保险等领域的发展产生巨大推动作用。然而现有的应用尚处于比较低水平的阶段：应用市场上大部分应用如微信运动、咕咚跑步等仅可以通过用户的行为数据记录用户的步数，并换算出行走的路程、消耗的热量等信息。有一些研究可以实现对智能可穿戴设备用户日常行为如吃饭、喝水等和键盘输入等行为的理解。然而，由于行为数据不稳定，极容易受到各种环境因素的干扰，对于某一种行为来说，不同的人在不同的时间通过不同的设备收集的数据也很可能反映出来不同的特性，极大地增加了理解的难度。此外，行为的任意性导致无法人工枚举出所有可能发生的行为并对其进行标注，进一步增加了理解、分析行为数据的难度。当前主要的理解、分析用户行为数据的技术可分为三类。第一类技术是行为建模技术，即通过观察用户行为的特性在数据层面上对行为进行建模，之后利用行为模型对数据进行匹配和识别。这种方法对理解特定行为有比较强的针对性，但是建模过程往往需要长时间的观察和分析，且针对不同行为所建立的模型往往不能通用。第二类技术通过预定义特征空间的方法对行为进行理解，利用不同行为的移动感知数据在特征空间上的分布不同这一特性，通过机器学习的方法对行为进行理解。这一方法不需要预先对行为建模，但预定义的特征空间往往不能提供很好的精度。第三类技术采用有监督的深度神经网络，通过大量的有标注数据对网络进行训练，可以实现比较高的识别精度。密苏里科技大学的研究人员提出利用预先标注好事件类型的行为数据对卷积神经网络进行有监督的学习，可以使识别的准确率达到98％左右。但行为进行标注的过程需要耗费大量的人力物力，且训练出的网络不能对未标注的行为进行理解，这种方法很难被应用到现实场景中。现有的能提供高识别准确率的方法很大程度上要求研究人员对智能可穿戴设备的使用场景或具体的行为类型有先验知识，限制了其在现实生活中的实用性。事实上，可穿戴设备使用者的使用环境、设备以及行为都存在很强的任意性，人工标注无法枚举出所有可能的情况。随着可穿戴设备的越来越深入人们的日常生活，现有的理解和分析用户行为数据的方法已经远远不能满足需求。
技术实现思路
本专利技术的目的在于通过一种智能可穿戴设备行为数据的多级语义特征提取方法，来解决以上
技术介绍
部分提到的问题。为达此目的，本专利技术采用以下技术方案：一种智能可穿戴设备行为数据的多级语义特征提取方法，其包括如下步骤：S101、构建单级行为空间，找到行为空间下的一组基；S102、构建多级行为空间，从不同的粒度分析行为数据；S103、提取行为数据在多级行为空间下的多级语义特征。特别地，所述步骤S101包括：利用卷积核函数处理行为数据，同时利用卷积受限玻尔兹曼机(CRBM)无监督地学习出一组卷积核函数作为行为空间下的一组基。特别地，所述步骤S101具体包括：利用卷积核函数处理行为数据，同时利用卷积受限玻尔兹曼机(CRBM)无监督地学习出一组卷积核函数作为行为空间下的一组基；基本CRBM模型有两层，分别是可视层(VisibleLayer，V层)和隐藏层(HiddenLayer，H层)，V层负责接收数据输入，经过卷积操作得到H层的输出；以智能可穿戴设备加速度传感器数据为例进行说明，智能可穿戴设备的其它行为数据的处理方法同加速度传感器数据相同：输入数据I是智能可穿戴设备传感器的数据，其包含三个坐标轴的信息(I1,I2,I3)，与一组卷积核进行卷积后，H层中每个元素hk,j的取值为1或0，其概率为：其中*v为卷积操作，bk为卷积偏置，每一个为大小为参数矩阵；之后根据H层的输出，通过逆卷积的方法对数据进行重建，重建方程为：其中*f全卷积操作，a为重建偏置；通过最小化重建数据与原始数据之间的误差，CRBM无监督地学习出一组最优的卷积核以及卷积偏置bk和重建偏置a；其中重建误差的计算方法为：同时，把重建公式和向量空间基的线性组合公式相类比，把视为一组基，H层的输出{h1,h2,…,hk本文档来自技高网...

【技术保护点】
一种智能可穿戴设备行为数据的多级语义特征提取方法，其特征在于，包括如下步骤：S101、构建单级行为空间，找到行为空间下的一组基；S102、构建多级行为空间，从不同的粒度分析行为数据；S103、提取行为数据在多级行为空间下的多级语义特征。

【技术特征摘要】
1.一种智能可穿戴设备行为数据的多级语义特征提取方法，其特征在于，包括如下步骤：S101、构建单级行为空间，找到行为空间下的一组基；S102、构建多级行为空间，从不同的粒度分析行为数据；S103、提取行为数据在多级行为空间下的多级语义特征。2.根据权利要求1所述的智能可穿戴设备行为数据的多级语义特征提取方法，其特征在于，所述步骤S101包括：利用卷积核函数处理行为数据，利用卷积受限玻尔兹曼机无监督地学习出一组卷积核函数作为行为空间下的一组基。3.根据权利要求2所述的智能可穿戴设备行为数据的多级语义特征提取方法，其特征在于，所述步骤S101具体包括：利用卷积核函数处理行为数据，同时利用卷积受限玻尔兹曼机无监督地学习出一组卷积核函数作为行为空间下的一组基；基本CRBM模型有两层，分别是可视层(VisibleLayer，V层)和隐藏层(HiddenLayer，H层)，V层负责接收数据输入，经过卷积操作得到H层的输出；以智能可穿戴设备加速度传感器...

【专利技术属性】
技术研发人员：刘慈航，张兰，刘宗前，刘克彬，李向阳，刘云浩，
申请(专利权)人：无锡清华信息科学与技术国家实验室物联网技术中心，
类型：发明
国别省市：江苏;32