一种用于活动识别的模型学习方法和装置制造方法及图纸

本发明专利技术的目的是提供一种用于活动识别的模型学习方法和装置。所述方法包括：通过对活动数据进行拆分，得到对应的多个数据集，其中，所述多个数据集包括对应于多个活动类别的用户活动的数据；基于所述多个数据集，构建用户活动的规则集；通过基于多个数据集进行学习，生成相应的多个网络模型。本申请实施例具有以下优点：通过使用基于不同的数据集生成的多个网络模型模型来对用户活动进行识别，借助模型之间显著的分歧或差异来提升泛化性能，从而提高了活动识别的准确率。高了活动识别的准确率。高了活动识别的准确率。

【技术实现步骤摘要】
一种用于活动识别的模型学习方法和装置


[0001]本专利技术涉及计算机
，尤其涉及一种用于活动识别的模型学习方法和装置。

技术介绍

[0002]随着物联网和智能传感技术的发展，人类活动识别(Human Activity Recognition,HAR)已成为人们研究的热点问题，并得到了广泛使用，其中老年人护理和医疗保健成为其典型应用。HAR主要包括基于视频(Video
‑
based)和基于传感技术(Sensor
‑
based)两种数据获取方式。基于视频的获取方式是指通过摄像机，照相机等设备来获取用户行为的图片信息。基于传感技术是指借助环境传感器，WiFi和可穿戴设备等收集用户行为的数据信息。相较于用户行为的图片信息，用户行为的数据信息是一种非侵入式信息，能有效地保护用户的安全与隐私。
[0003]多人室内活动识别是HAR的主要研究内容之一，主要研究交叉活动，即在多个活动之间并发或切换，或同时执行多个活动。为了识别多人用户活动，我们需要追踪用户轨迹，将多个用户行为信息分离为相互独立的单个用户行为信息。
[0004]基于现有技术的HAR方案及其存在的缺陷主要包括：
[0005]1)数据驱动的方法：数据驱动的方法是基于预先存在的数据集借助一些算法生成活动识别模型。因此，该类算法对数据依赖性大，且需要大量的用户数据。数据采集需，特别是识别较为复杂的活动时，要耗费大量的成本和资源。并且，大量的活动数据记录了用户的个人行为信息，这些信息会泄露用户的隐私，造成用户的安全隐患。此外，基于具体的场景和现有的数据构建模型存在冷启动问题，缺乏灵活性和模型的重用性，适用性较差；
[0006]2)知识驱动的方法：语义活动识别模型需要借助丰富的领域先验知识，且直接采用知识工程管理技术构建。因此，活动识别模型的语义清晰、逻辑严谨，但是缺乏可扩展性。因为它需要建立覆盖典型场景和常见活动、并兼容已有传感器语义模型标准。另一方面，由于语义方法很难为所有情形建立完备的规则，大都依赖专家知识，缺乏处理不确定性和复杂信息的自主学习机制；
[0007]3)混合驱动的方法：为了克服数据驱动或知识驱动的缺点，一些研究者提出了混合驱动的方法。此类方法能够处理不确定信息，并能清晰地表达模型的知识。有些混合驱动的方法可以存储现有的知识，但是新知识的出现会覆盖原有的知识。若识别的活动过于复杂，该类算法会需要占用大量的内存和计算资源。数据和知识混合驱动能够容忍知识领域的矛盾和不完全性。然而，由于输入的知识网络是不完整的，需要事先对网络的结构和参数做一些假设。

技术实现思路

[0008]本专利技术的目的是提供一种用于活动识别的模型学习方法和装置。
[0009]根据本申请的实施例，提供了一种用于活动识别的模型学习方法，其中，所述方法
包括：
[0010]通过对活动数据进行拆分，得到对应的多个数据集，其中，所述多个数据集包括对应于多个活动类别的用户活动的数据；
[0011]基于所述多个数据集，构建用户活动的规则集；
[0012]通过基于多个数据集进行学习，生成相应的多个网络模型。
[0013]根据本申请的实施例，提供了一种用于活动识别的模型学习的装置，其中，所述装置包括：
[0014]用于通过对活动数据进行拆分，得到对应的多个数据集的单元，其中，所述多个数据集包括对应于多个活动类别的用户活动的数据；
[0015]用于基于所述多个数据集，构建用户活动的规则集的单元；
[0016]用于通过基于多个数据集进行学习，生成相应的多个网络模型的单元。
[0017]根据本申请的实施例，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现本申请实施例的方法。
[0018]根据本申请的实施例，提供了一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本申请实施例的方法。
[0019]与现有技术相比，本申请实施例具有以下优点：通过使用基于不同的数据集生成的多个网络模型模型来对用户活动进行识别，借助模型之间显著的分歧或差异来提升泛化性能，从而提高了活动识别的准确率；本申请实施例通过采用位置，轨迹和瞬间动作来描述用户的行为信息，并构建对应于多个活动类别的规则集，实现了单个用户的数据分离，并且该规则集忽略用户的诸如社交属性的一些个人属性，降低了规则的复杂度。
附图说明
[0020]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0021]图1示出了根据本申请实施例的用于活动识别的模型学习方法的流程图；
[0022]图2示出了根据本申请实施例的用于活动识别的模型学习的装置的结构示意图。
[0023]附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
[0024]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0025]在上下文中所称“计算机设备”，也称为“电脑”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行在存储器中预存的存续指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。计算机设备包括但不限
于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。
[0026]所述计算机设备包括用户设备与网络设备。其中，所述用户设备包括但不限于电脑、智能手机、PDA等；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算机设备可单独运行来实现本申请，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
[0027]需要说明的是，所述用户设备、网络设备和网络等仅为举例，其他现有的或今后可能出现的计算机设备或网络如可适用于本申请，也应包含在本申请保护范围以内，并以引用方式包含于此。
[0028]后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时，用以实施必要任务的程序代码本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于活动识别的模型学习方法，其中，所述方法包括：通过对活动数据进行拆分，得到对应的多个数据集，其中，所述多个数据集包括对应于多个活动类别的用户活动的数据；基于所述多个数据集，构建用户活动的规则集；通过基于多个数据集进行学习，生成相应的多个网络模型。2.根据权利要求1所述的方法，其中，所述方法包括：使用所述多个网络模型来识别用户的活动，得到相应的识别结果。3.根据权利要求1所述的方法，其中，所述通过对活动数据进行拆分，得到对应的多个数据集包括：基于位置、活动轨迹和/或瞬间动作来对活动数据进行拆分，得到对应的多个数据集。4.根据权利要求1至3中任一项所述的方法，其中，所述方法通过对活动数据进行拆分得到三个数据集，分别对应于以下三个类别的用户活动：单用户活动；多用户并发活动；多用户交叉活动。5.根据权利要求所述的方法，其中，所述方法包括：基于多个网络模型的输出结果来确定规则集的用户活动的类别；按照所确定的规则集的活动类别相应地存储或更新所述规则集。6.根据权利要求1所述的方法...

【专利技术属性】
技术研发人员：贾夫松，陈存利，苏阳，杜侃，盛紫君，
申请(专利权)人：度小满科技北京有限公司，
类型：发明
国别省市：