一種基于隱馬爾可夫模型的兒童行為識別系統的研究

摘 要：本文提出了一種基于隱馬爾可夫模型的兒童行為識別系統。該系統檢測兒童的身體指標，如體溫、心跳、血壓等，并通過該系統的核心模塊——基于隱馬爾可夫模型的并行結構和多行為模塊，分析多個傳感器獲得的信號，以獲得行為特征。實驗表明，該系統在識別兒童的幾種典型行為，如玩耍、睡眠、煩躁等方面效果明顯。

關鍵詞：行為識別系統;隱馬爾可夫模型;小波去噪

一、引言

隨著信息技術的大力發展，如何讓計算機自動識別與判斷外界信息已經成為當今計算機科學研究的重要課題，這樣計算機就能主動地給人類提供各種有用的信息和服務。目前，“人的觀察”（looking at people）向“理解人”（understanding people）轉變是計算機領域中最活躍的研究主題之一，其核心是利用計算機檢測技術從傳感器數據中檢測、跟蹤、識別人并對其進行行為理解與描述，其重要目標是擺脫傳統的人際交互方式，讓計算機系統具備自動分析，獲取外部信息，并通過分析做出相應的響應，使計算機系統更加智能化與人性化。

本文第2節中提出了本識別系統的框架;在第3節，介紹了數據預處理方法;本文的第4節中，提出了兒童日常生活的一個平行結構和特征提取模塊;第5節展示了使用第3條和第4條所提出的方法后得到的實驗結果;最后，在第6節中得出本文的結論。

二、系統架構

在本文提出的兒童行為識別方法中，首先提取出兒童行為的特征數據，如心跳、體溫等，將這些特征數據送入隱馬爾可夫模型，對隱馬爾可夫模型進行訓練。然后提取兒童行為特征的另一組實驗數據，并送入隱馬爾可夫模型進行行為分類，這就是兒童行為的識別過程。系統的功能模塊圖如下。

lt;E：＼ZCM＼理論版＼10上＼TP＼t7.tifgt;

三、數據預處理

建模之前，數據預處理是非常重要的，因為它為下一步驟提供了有效的數據。在這里，采用基于小波變換的去除噪聲方法。離散小波變換使用多分辨率分析算法（MRA）將信號分解成不同的時間和頻率。多分辨率分析算法能夠在高頻時提供高時低頻，并在低頻時提供低時高頻。小波分解得到細節和逼近系數。一般來說，去噪有三個步驟：首先應用小波變換產生噪聲小波系數;其次在每一級選擇適當的閾值最有效地去除噪聲;最后用新的系數生成逆小波變換，得到去噪后的信號。此外，如果兩者之間的一些數據丟失，小波變換也可以根據信號的性質擴展信號來完善它。

四、特征提取模型

1.基于HMM的模型結構

在一般情況下，一個單一的傳感器不能獲得對應于一種特定的人類行為的足夠的觀測數據。在這種情況下，使用幾種不同的傳感器可以完成觀測。例如，兩者心臟的跳動傳感器和溫度傳感器，分別用于獲得的心臟的跳動和體溫的數據。幾個變量的聯合分析比單一的變量更加有利于人的行為識別。因此，有必要采用分類或建模方法來融合這些功能。該架構集成了一種可能性決策樹的分層，該分層應用于變化環境中的實時行為監測。

lt;E：＼ZCM＼理論版＼10上＼TP＼t8.tifgt;

圖1 層次模型

層次結構有三個重要的因素：（1）數據預處理;（2）包括層1和層2的隱馬爾可夫模型;（3）應用概率決策樹的觀測序列處理在線分割。然而，在某些情況下，在一個系統中，幾個數據預處理的步驟可以在同一時間處理，并且并行處理多種檢測值，即層次結構可以被轉化為一個平行的結構，如圖2。第5節的實驗表明，這種體系結構適用于多個目標。這種結構采用數據預處理和數據合作分析過程。數據聯合處理的步驟是基于隱馬爾可夫模型。最后，輸出該結構的分析結果。

lt;E：＼ZCM＼理論版＼10上＼TP＼t14.tifgt;

圖2 并行模型

2.個人多行為模塊

在不同兒童行為中，他（她）的心臟跳動、體溫變化是不一樣的。例如，當處于睡眠時，心臟跳動速度較慢，體溫也比較低。而當一個兒童專注于一個游戲時，其心臟跳動會更快，體溫也會升高。這兩個信號的組合，使得它能夠檢測兒童的日常行為。

通常情況下，兒童的日常行為可以分為幾種：睡覺，吃飯，游戲，學習，休息。在每一種情況下，心臟的跳動和體溫的信號具有相應的規律。是心臟跳動信號的統計期望，H是某一次檢測實例的心跳值，是體溫信號的統計期望，T是某一次測試實例的體溫值，是心臟的跳動信號的最大耐受值，是溫度信號的最大耐受值。在這里，均為經驗值。圖3中提出了個人多行為模塊描述。

lt;E：＼ZCM＼理論版＼10上＼TP＼t9.tifgt;

圖3 個人多行為模塊描述

五、實驗結果分析

通過實驗，獲得了兒童的行為信號，包括心臟跳動，體溫信號。因為在第一步驟中來自傳感器的原始數據有一些噪聲和數據丟失，因此在第3節中采用小波擴展方法進行數據預處理。圖4給出了心臟的跳動和體溫數據的信號采集原始數據圖。

lt;E：＼ZCM＼理論版＼10上＼TP＼t15.tifgt;

圖4 心跳體溫原始數據

在這個步驟中，為了獲得可靠的數據資源，通過離散小波變換方法可以消除噪音，這時有影響的噪聲已被刪除。圖5和圖6給出了圖4中心臟的跳動和體溫數據去噪后的值。

lt;E：＼ZCM＼理論版＼10上＼TP＼t11.tifgt;

圖5 去噪后的心跳信號

lt;E：＼ZCM＼理論版＼10上＼TP＼t13.tifgt;

圖6 去噪后的體溫信號

下一步識別兒童的行為類型。本文采用第2節中提到的個人多行為模塊對圖5中的數據進行建模。在這個過程中，需要一些基于HMM的經驗閾值，如，和向前-向后算法以及維特比算法來處理日常行為的基線模塊。

表1給出了在實驗中五個行為類型的訓練數據，為了驗證以上方法的準確度，用另外一組數據來測試。如圖6是兒童的心跳和體溫信號實例，另外一組檢測實例數據對上述方法進行驗證。表2列出了實驗中不同行為的識別率。由此得出結論，該方法對于睡眠、運動的行為識別率較高。

表1 5種行為類型的訓練數據

[行為類別＼amp;心跳數據＼amp;體溫數據＼amp;學習＼amp;3840＼amp;30000＼amp;運動＼amp;240＼amp;2000＼amp;休息＼amp;240＼amp;2000＼amp;吃飯＼amp;480＼amp;4000＼amp;睡覺＼amp;2400＼amp;20000＼amp;]

表2 5種行為類型的識別率

[行為類別＼amp;匹配概率＼amp;學習＼amp;40%＼amp;運動＼amp;80%＼amp;休息＼amp;35%＼amp;吃飯＼amp;50%＼amp;睡覺＼amp;90%＼amp;]

六、結論

本文提出了一種基于HMM并行模型結構和個人多行為模塊的應用于行為理解的方法。為了獲得強大的訓練數據，采用小波去噪方法，對原始數據中的噪聲信號進行預處理。在該方法中，兩種傳感器數據經驗值作為閾值，一些典型的算法被用來解決模塊問題，如向前-向后算法。實驗結果表明，該方法對五種行為類型是有效的。

參考文獻：

[1]Chin-De Liu，Yi-Nung Chung，Pau-Choo，An interaction-

embedded HMM framework for human behavior understan

ding：with nursing environments as examples”[J].IEEE transactions on information technology in biomedicine， 2010，14（5）.

[2]J.-H.Choi.A technology of tracking activities of the aged for u-healthcare[J].Korea Information processing Society，2008，l（15）.

作者簡介：王詠梅（1978- ），女，江蘇鹽城人，碩士研究生，講師，現就職于上海工程技術大學。