基于RBF神經網絡的人類活動識別

李洪俊

（河海大學 能源與電氣學院，江蘇 南京 211100）

隨著人口老齡化的加劇,越來越多的老人將需要奉養,而我國的計劃生育政策使得許多的老人身邊沒有子女照料,隨之而來的老人獨立生活的安全等問題變得尤為突出。據估計目前全世界將近有1 800萬的人患有老年癡呆，到2025年底，這個數字可能會達到3 400萬。在這個基礎上，智能家居的研究就變得非常的迫切。高度智能化的家居環境能夠給空巢老人的晚年生活帶來極大的便利和安全保障。

在智能家居的研究中，活動[1]識別作為其中的一個研究課題，有著極其重要的作用。在一段時間里許多理論和算法被創造出來解決個人在一個空間里的被動跟蹤,行為識別等。近些年來通過使用無線設備的個人跟蹤[2-3]和基于空間上的視頻數據[4-5]，傳感器數據[6]或其他信息的活動識別取得了重要進展。在過去的幾年里,有一些方法被用來建立模型和識別活動，如隱含馬爾科夫模型(HMM)[7]等。

CASAS智能家居項目是華盛頓州立大學專注于創造一個智能家庭環境的一個研究項目?？ㄋ_斯智能家居項目由各種各樣的傳感器數據有運動傳感器、光線傳感器等等。為了實現老年人室內幫助(Elderly in-home assistance,EHA[8])，能夠使老年人完成日常的生活活動(ADLS)，諸如：吃飯、服藥、洗衣服、睡覺等，最重要的步驟之一就是識別單獨一個人在智能環境中執行的活動。

1 數據采集

為了能給這些算法提供訓練數據，我們在華盛頓州立大學的智能家居試驗臺中測試算法，它屬于CASAS智能家居項目的一部分。如圖1所示，其中有3個臥室，1個浴室，1個廚房和1個起居室。在這個校園里的智能家居試驗臺中，很多動作發生在這個智能環境里。智能環境試驗臺里面裝有運動傳感器、溫度傳感器和模擬傳感器。運動傳感器分布在幾乎整個天花板上。另外溫度傳感器提供環境溫度讀數，模擬傳感器提供熱水、冷水和暖爐的讀數。接觸開關傳感器用來監管炒菜的鍋、電話本、藥瓶的使用情況?；顒幼R別的傳感器數據是由這些定制的傳感器網絡采集的，并且存放在SQL數據庫中?；顒訑祿怯苫顒佑|發的傳感器序列組成，稱傳感器事件（Sensor event）。

本文中，為了給算法提供物理數據，我們招募了許多志愿者在這個智能環境里執行一系列動作。采集到的傳感器事件被人工的標注了活動ID。一共有10個活動，對這10個活動的編號如下：

Bed to toilet 活動編號0：起床上廁所，表示夜里起床到廁所的活動轉移。

Breakfast 活動編號1：吃早飯，表示志愿者吃早飯的日常生活活動。

Bed 活動編號2：該活動表示志愿者在床上睡覺。

Computer work 活動編號3：該活動表示志愿者在智能家居的工作空間里工作。

Dinner 活動編號4 ：該活動表示志愿者在吃晚飯的日常生活活動。

Laundry 活動編號5 ：該活動表示志愿者在使用智能空間的洗衣機洗衣服。

圖1 智能家居環境的傳感器分布Fig. 1 Sensors distribution in smart home

Leave Home 活動編號6： 該活動表示志愿者離開家。

Lunch 活動編號7： 該活動表示志愿者正在吃午飯的日常生活活動。

Night wondering 活動編號8：該活動表示志愿者在夜里游蕩散步。

Take medicine 活動編號9：該活動表示志愿者在吃藥。

2 特征值的選擇

數據搜集了幾個周的時間，相關的特征值產生于注釋好的傳感器數據，數據的形式如表1所示。對CASAS智能家居搜集到的數據我們用以下的特征來表示：

1)傳感器的邏輯編號 (Sensor ID)

活動觸發的傳感器的ID，不是使用原始的物理傳感器的編號，它們被映射到了標號，標號對應傳感器安裝在房間里的位置。這個標號由0到9的整數值來表示。這里使用傳感器ID的平均值來表示活動發生的中心位置。

2)時間 (Time of the day)

傳感器事件的開始時間以秒計，這個特征值的取值是0到23的整數值，對應一天24小時。當活動發生在0點到1點之間為0，發生在1點到2點之間為1，發生在2點到3點之間為2，發生在3點到4點之間為3，對于表1的數據，該活動的該特征值為11。

3)一周中的第幾天(The day of week）

這個特征代表了活動發生在星期幾。這個特征值的取值是0到6的整數。0表示星期一，1表示星期二，以此類推。

4)前一個活動(Previous of the activity)

這個是當前活動發生的前一個活動。這個特征值的取值是0到9的整數，對應10個活動的編號，表示10個活動。

5)活動長度(Activity Length )

這個特征值表示當前活動的長度，活動長度的長短用活動期間觸發的傳感器個數來衡量。這個特征值的取值0到14，共600個活動樣本，按觸發的傳感器個數由低到高的順序排列，分成15段，每40個活動為一段，排在前40的該特征值為0，41到80的該特征值為1，以此類推，根據分段數對實驗結果的影響，可以改變分段的選擇。

6)活動持續時間(During time)

這個特征值表示活動的持續時間，這個特征值的取值是0到9，根據活動持續時間將樣本按從低到高的順序排列，將活動的持續時間分成10段，每60個活動為一段，前60個活動該特征值為0,第61到120的活動該特征值為1，以此類推，分段數也可以按實驗結果的好壞進行調整。

活動的識別問題其實是一個分類問題，注釋的10個活動類就是學習問題的目標類。

表1 學習數據Tab.1 Data used for learning

3 徑向基函數神經網絡RBFN的人類活動識別

人工神經網絡的非線性映射能力非常強, 它可以通過學習或訓練后自動總結出數據間的函數關系而不需要任何先驗公式, 因此是一種有效的建模手段。

徑向基神經網絡RBFN是由Moody和Darken于20世紀80年代末提出的一種性能良好的前饋網絡。具有最佳函數逼近性能和全局最優特性，廣泛地應用于模式識別、分類、圖像處理、系統辨識、函數逼近和信號處理等方面。大部分基于反饋的多層前饋網絡的學習算法必須基于某種非線性優化技術的缺點，計算量大、學習速度慢，而RBF神經網絡不僅具有良好的推廣能力，而且計算量少，學習速度一般也比其它算法快得多。RBF神經網絡由三層組成, 包括輸入層、隱含層和輸出層。RBF神經網絡結構見圖2。輸入層將網絡與外界環境連接起來，隱含層的作用是從輸入空間到隱含層空間進行非線性變換，通常具有較高的維數。輸出層則是在該新的空間中對基函數的中心進行線性組合。

在RBF網絡結構中，X=[x1, x2,…,xn]T∈Rn為網絡的n維輸入向量。設RBF網絡隱藏層的徑向基向量

H=[h1, h2,…,hm]T其中hj為高斯基函數，即：

公式中，網絡第i個節點的中心向量為Ci=[ci1, ci2,…,cin]T,i=1,2,3,…,m,Ci為與X同維的中心向量。m為徑向基層神經元數。

設網絡的基寬向量為B=[b1, b2,…,bn]T, bi為節點i的基寬參數，且為大于零的數。RBF網絡輸入層到隱含層的權值為1.0；網絡隱含到輸出層權向量為

圖2 RBF神經網絡的結構Fig. 2 RBF neural network structure

RBF神經網絡的第n個節點的輸出為：

RBF網絡逼近的性能指標函數為

根據梯度下降法，輸出權、節點基寬參數及節點中心矢量的迭代算法如下

式中，η為學習速率, α為動量因子η∈[0,1], α∈[0,1] 。

RBF神經網絡學習算法的本質是修改隱藏層到輸出層的權值,隱藏層節點的基寬參數和中心矢量使得誤差接近目標值。

4 實驗結果

在本文中RBF神經網絡的輸入節點數為6，分別對應活動數據的6個特征值。將6個特征值歸一化后作為徑向基函數神經網絡的輸入。輸出節點數為10，分別對應10個活動。隱藏層節點數為20。為了簡化計算過程，學習速率和動量因子取相同的值， 取為0.9， 取為0.000 2。訓練的樣本數據來自于CASAS智能公寓試驗臺的55天，10個活動共600個實例和647 485個運動傳感器事件。

文中使用了交叉驗證的方法，即在給定的建模樣本中，拿出大部分樣本進行建模型，留小部分樣本用剛建立的模型進行預報，并求這小部分樣本的預報誤差，記錄它們的平方加和。這個過程一直進行，直到所有的樣本都被預報了一次而且僅被預報一次。把每個樣本的預報誤差平方加和，稱為PRESS(predicted Error Sum of Squares)。3折交叉驗證，把訓練數據平均分成3份，其中2份作為訓練樣本，剩下1份作為測試樣本,直到每個活動樣本實例都作為測試樣本測試一次而且僅被測試一次。

實驗結果如表格2中所示?？偟臉颖緜€數為600，其中RBF神經網絡有522個活動實例判斷正確，78個樣本實例判斷錯誤，總的準確率為0.870。其中活動0總共有30個樣本實例，活動1總共有48個樣本實例，活動2總共有207個樣本實例，活動3總共有46個樣本實例，活動4總共有42個樣本實例，活動5總共有10個樣本實例，活動6總共有69個樣本實例，活動7總共有37個樣本實例，活動8總共有67個樣本實例，活動9總共有44個樣本實例。結果表明徑向基函數神經網絡的判別效果在8個活動上比隱含馬爾科夫模型要更好。RBF神經網絡的在活動0，活動1，活動2，活動3，活動4，活動5，活動7，活動8上的識別率比隱含馬爾科夫模型要高。而只有在活動6上的活動的識別率RBF神經網絡的識別率比隱含馬爾科夫模型低?？梢钥闯龈[含馬爾科夫模型相比RBF神經網絡能夠更有效的進行活動的識別。

表2 實驗結果比較Tab.2 Experimental results comparing

5 結 論

這篇文章中采用徑向基函數神經網絡被用來進行人類活動的識別，為了得到一個直觀的觀察，我們把它和隱含馬爾科夫模型的識別結果進行比較。通過該實驗結果，很容易看出選擇合適的參數和特征量，RBF神經網絡的人類活動識別比隱含馬爾科夫模型的識別率要更好。

[1] CHEN Li-ming,Nugent C D,WANG Hui.A knowledge-driven approach to activity recognition in smart homes[J].IEEE Transactions On Knowledge and Data Engineering,June 2012,24(6):961-974.

[2] Cook D J,SONG Wen-zhan.Ambient intelligence and wearable computing:Sensors on the body,in the home, and beyond[J].Journal of Ambient Intelligence and Smart Environments,2009(1):1-4.

[3] Priyantha N,Chakraborty A,Balakrishnan H.The cricket location support system[C]//Proc.6th Ann. International Conference on Mobile Computing and Networking,2000:32-43 .

[4] Brezeale D,Cook D J,Automatic video classification:a survey of the literature[J].IEEE Transactions On Systems,Man,and Cybernetics—Part C: Applications and Reviews,2008,38(3):416-430.

[5] Intille S S,Designing a home of the future[J].IEEE Pervasive Computing,2002(1):80-86.

[6] Crandall A S,Cook D J,Coping with multiple residents in a smart environment[J]. Journal of Ambient Intelligence and Smart Environments, 2009(1):323-334.

[7] Cuntoor N P,Yegnanarayana B,Chellappa R.Activity modeling using event probability sequences[J].IEEE Trans.Image Proc,2008,17(4):594-607.

[8] ZHOU Feng,Jianxin (Roger) Jiao, CHENG Song-lin, et al.A case-driven ambient intelligence system for elderly in-home assistance applications[J].IEEE Transactions On Systems,Man,and Cybernetics—Part C:Applications and Reviews,2011,41(2):179-189.