在校學生行為識別系統的研究

馮安平 王詠梅

摘要：在校學生有多種行為，比如：運動、學習、休息等。這些行為可以被監控設備記錄。通過基于馬爾可夫模型的行為識別系統，可以檢測學生的行為類型。該系統的檢測數據，在進入系統前，采用小波變換的方法進行過濾，去除掉一些錯誤的數據。該系統檢測學生的身體指標，比如心跳、血壓、體溫等，通過分析這些指標，系統可以識別出學生的行為類型，比如：學習、活動、休息等。通過對多個學生的檢測數據輸入系統，進行試驗，最后得出該系統對于運動和休息的檢測準確率較高。

關鍵字：行為識別系統；隱馬爾可夫模型；離散小波變換

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2015）10（a）-0000-00

1 引言

監控設備將人體的數據實時傳送至處理器，進行處理識別，從而做出智能判斷，是目前信息學科研究的主要課題。由傳統的人的觀察，轉變為機器識別，是目前研究的熱點問題。

監控設備對監控對象的數據進行分析，從而判斷出對象的行為類型。過去監控的數據比較單一，而某種特定的行為，它表現的特征是多方面的。所以，本文考慮從多個角度來檢測，從而建立不同行為的數據模型。通過多次數據的輸入，模型的檢測能力越來越精確。尤其是對運動、休息這兩個極端的行為，判斷率較高。

本文提出了識別系統的數據預處理方法，通過小波變換，將數據進行預處理。本文提出了在校學生的的平行結構和特征的提取模塊，最后通過實驗給出結論。

2 數據預處理。

系統處理的數據，需要先進行數據的預處理。數據的預處理保證了進入系統的數據是有效的。本系統采用的數據預處理方法是小波變換的去除噪聲方法。

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。

小波變換的去噪聲方法，使用的是多分辨率分析算法。它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信號高頻的時候，產生高時低頻，而在信號低頻的時候，產生低時的高頻。小波分解之后，可以得到細節和逼近的系數。

小波變換去噪聲法去噪的過程分為兩個步驟：第1步，應用小波變換生成噪聲小波的系數；第2步，選擇適當的閾值來有效地去除噪聲。

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的閾值來最有效地去除噪聲，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。

3 特征提取模型

3.1 基于HMM的模型結構

通常情況下，只有一個傳感器，是不可以獲取觀測對象的行為的足夠的觀測數據的。對于行為觀測，不要幾種不同的傳感器才可以完成。比如：我們希望獲得學生的心跳與體溫這兩組數據。那么我們需要兩種傳感器來獲取相關的數據。通過將多種類型的數據進行聯合分析，將比用單一的數據來分析，獲得更加確切的行為識別結果。因此，有必要采用

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，兩者的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。

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。在第4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。

3.2個人多行為模塊

在不同在校學生行為中，他（她）的心臟跳動，體溫變化是不一樣的。例如，當處于休息時，心臟跳動速度較慢，體溫也比較低。而當一個學生專注于一個體育活動時，他（她）的心臟跳動會更快，體溫也會升高。這兩個信號的組合，使得它能夠檢測在校學生的日常行為。

通常情況下，在校學生的日常行為可以分為幾種：吃飯，運動，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。Ha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，Ta是體溫信號的統計期望，T是某一次測試實例的體溫值，△H是心臟的跳動信號的最大耐受值，△T是溫度信號的最大耐受值。在這里，△H△T均為經驗值。

If （（|H-Ha|>△H） and （|T-Ta|>△T））

可能處于運動或者學習

If （（|H-Ha|<△H） and （|T-Ta|<△T））

可能處于休息或者學習

If （（|H-Ha|<-△H） and （|T-Ta|<-△T））

休息

4 實驗結果分析

以在校學生為對象，通過檢測學生的心跳和體溫，獲得了他們的行為信號，包括心臟跳動，體溫信號。由于傳感器收集到的原始數據有噪聲或者丟失，因此在第2節中采用小波擴展方法進行數據預處理。

為了獲得更加可靠的數據資源，通過離散小波變換方法來消除噪音，因此對結果有影響的噪聲已被刪除。

接下來可以識別在校學生的行為類型，本文采用第2節中提到的個人多行為模塊對在校學生中的測試數據進行建模。在這個過程中，需要一些基于HMM的經驗閾值，如Ha′△H，Ta′△T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。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，該方法對于運動的行為識別率較高。

行為類別 心跳數據 體溫數據

學習 3840 30000

運動 240 2000

休息 240 2000

吃飯 480 4000

表1 4種行為類型的訓練數據

行為類別 匹配概率

學習 40%

運動 80%

休息 35%

吃飯 50%

表2 4種行為類型的識別率

5 結論

本文提出了一種基于HMM的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] Shih-Yang Chiao and Xydeas， C. S.， “Modeling Competitive Behaviours by Hierarchical HMM Architecture ”， Annual PGNet Proceeding Symposium on Telecommunications， Networking， and Broadcasting， Liverpool， UK， 2003， pp.285-287

[2] Shih-Yang Chiao and Xydeas， C. S.， “Modeling behaviours of Players in Competitive Environment”， IEEE/WIC International Conference on Intelligent Agent Technology， Halifax， Canada， 2003， pp.566-569.

[3] Shih-Yang Chiao and Xydeas， C. S.， “Using Hierarchical HMMs in Dynamic Behavior Modeling”， Proceedings of Seventh International Conference on Information Fusion， Fusion 2004. Stockholm， Sweden， 2004， pp. 576-582.

[4] Donoho， D. L. and I. M. Johnstone， “Ideal de-noising in an orthonormalbBasis" Chosen From A Library of Bases， CRAS Paris， Ser I， t.319， pp. 1317-1322， 1994.

[5] Chitrakar R，Huang Chuanhe. Anomaly detection using support vector machine classification with K-medoids clustering[A].Piscataway，NJ：IEEE，2012.1-5.