基于隨機森林和行為相似性的老人居家行為識別方法

潘宇欣 鄭彬 張龍 于鵬飛 徐漢川

摘 要：在居家養老服務中，如何獲取老人居家活動，是精確主動為老人提供居家服務的關鍵問題。本文以居家養老服務為研究背景，首先分析了居家養老服務中活動的類別，以及各類活動所包含的行為。然后建立了老人居家行為識別問題模型，闡述了使用情境感知技術來獲取老人行為的解決思路，進而提出了基于隨機森林和行為相似性的兩層行為識別算法。最后通過大量實驗驗證了算法的正確性與性能。本文提出的行為識別算法能夠準確識別老人行為，其準確率可達到95.59%，效果優于同類其它方法。

關鍵詞： 居家養老服務;情境感知;行為識別;隨機森林;行為相似性

【Abstract】 In home-based care service， how to precisely obtain behaviors of the elderly is a key issue to provide high-quality home services for them. Thus， this paper studies the types of activities in home-based care service and the relationship between activities and behaviors. Afterwards， the paper proposes a model of behavior recognition for the elderly at home and decides to use context-aware techniques to obtain the behavior of the elderly. Then， a two-layer behavior recognition algorithm based on Random Forest and behavioral similarity is proposed. Finally， the paper conducts a series of experiments to show the correctness and performance of the algorithm. The proposed algorithm for elderly people in this paper can accurately identify the behavior， and the accuracy rate is over 95.59%， which is better than other methods.

【Key words】 ?home-based care service; context awareness; behavior recognition; Random Forest; behavioral similarity

0 引 言

全球面臨著人口老齡化問題，空巢老人群體逐漸增多，養老問題日益嚴重，中國政府大力發展養老服務產業，其中居家養老的發展能夠有效地解決老人的大多不便和困難，并有效緩解社會養老機構不足的問題。物聯網技術和服務計算技術的結合，能夠更精準地感知老人的需求，以提供更優質快捷的服務。老人群體中的顯式需求易于獲得，隱式需求則需要利用物聯網中的情境感知技術。一般來講，情境感知計算包含4個基本步驟，分別是：情境獲取、情境建模、情境推理和情境分發。其中，情境獲取過程處于整個情境感知的最初階段，其準確度影響后續過程，是十分重要的一環。通過各類傳感器可以獲取大部分情境信息，但仍然不足以完全支持對老人行為的準確識別。

行為信息獲取中的一項重要支撐技術是對人體行為的感知識別技術，從而使其能根據老人的行為來提供服務。行為識別可以被視為模式識別的一個熱門分支。傳統的模式識別方法已經取得了巨大成就，采用機器學習算法對人類行為進行分類預測，例如決策樹、支持向量機、樸素貝葉斯、隱馬爾可夫模型等[1-2]。但是現有研究中仍然存在問題：大部分研究沒有關注行為存在的多樣性與相似性的特點。很明顯，因為每個用戶都是個性化的，不同用戶在做相同行為時是不同的，同一用戶的同種行為由于受到諸如壓力、疲勞程度、情感狀態、環境因素等在內的一些因素影響，也會有差別，表現出多樣性。但同時多個行為間又具有相似性，容易混淆。而這些是影響識別準確率的重要因素。

因此，本文以居家養老服務為背景，針對現有技術的不足，提出一種基于隨機森林和行為相似性的兩層老人居家行為識別算法，實現老人居家行為信息的準確獲取。對此擬做研究論述如下。

1 相關工作

解決老年人的日常安全與看護問題，是行為識別研究的一個主要目的與應用方向。文獻[3]提出了一種層次行為識別系統來識別獨居老人生活中的異常活動（如胸痛、頭痛、嘔吐、暈厥等）。通過自動定期監測系統來確保老人的安全，并改善獨居老人的生活質量，降低醫療保健成本。文獻[4]則關注老年人日常活動，有助于醫生或家人了解其活動規律及運動量，提高醫生對健康評價的準確性，以制定更合適的康復治療策略。文獻[5]設計一種采用 3軸加速度傳感器和陀螺儀的可穿戴式摔倒識別、報警系統，以監護老年人活動、及時用手機報警，能迅速開展摔倒后的救助工作。文獻[6]提出了一種基于可穿戴式投影儀的步態輔助系統，老年人走路時，系統識別步態姿勢并會在地上投影出預期位置，有效但低成本地幫助老年人步行。

在識別方法上，根據傳感器數據定義活動的表示，傳統方法多是分為2類。對此可得闡釋分述如下。

（1）基于邏輯。要監視的每個行為都有明確的規則編碼，即相關參數的允許值的范圍。大多數采用基于邏輯的方法的系統使用決策樹，通過逐步縮小可以表示的行為范圍來對數據進行分類[7]。

（2）基于概率。每個行為都通過一個模型來表示，通過在存儲的模型中使用傳感器數據進行概率距離度量比較來進行分類。大多數解決方案采用隱馬爾可夫模型[6，8]或高斯混合建模[9-10]。

實驗時，將數據集隨機分成4種規模的數據集，即：數據集1（原數據集的四分之一）、數據集2（原數據集的四分之二）、數據集3（原數據集的四分之三）、數據集4（原數據集大小）。分別在這4種規模的數據集下進行實驗，從特征數對算法的影響以及行為相似性提高算法的性能角度分析本文算法性能，并將本文算法與原數據集算法進行算法性能的對比分析，以及與其它機器學習算法進行對比分析驗證隨機森林算法的優越性。

4.2 評價指標

基于隨機森林的老人行為算法的性能使用準確度（Accuracy）、Kappa系數和均方根誤差（Root mean squared error，RMSE）這3個性能指標進行評估。研究推得性能指標的定義概述如下。

4.3 算法性能分析

為了證明隨機森林（Random Forest，RF）的優越性，同其它相關分類算法對比，選擇多層感知機MLP（Multi-Layer Perceptron）、決策樹中的J48、樸素貝葉斯NB（Naive Bayesian）、貝葉斯網絡BN（Bayesian Network）、和支持向量機SVM中十分流行的序列最小優化SMO（Sequence Minimal Optimization）算法等方法進行實驗，分別采用10-折交叉驗證的方式運行各方法50次，計算各種方法的準確率、Kappa系數和均方根誤差性能指標均值。各方法性能對比如圖4所示。

從圖4可見，在所有數據集下，隨機森林的老人行為識別的準確率最高，Kappa系數也最高，同時其均方根誤差最低。隨機森林的優越性主要體現在這是一種集成學習的方法，結合多個決策樹的結果而決策出推理結果。因此，本文選擇隨機森林算法作為初步識別老人行為方法。

在機器學習中，特征的選擇十分重要，本文的特征是基于統計學進行選擇，候選特征有最大值、最小值、平均值、標準差、四分位數-Q1、四分位數-Q2、四分位數-Q3、眾數、極值差、平均值個數、中程數、變異系數、方差、偏態、峰態等。本文初步探索特征對算法準確率的影響，通過不同的特征組合運行算法，在4種數據集上運行，得出不同特征提取下的基于隨機森林的老人行為算法的平均準確率如圖5所示。

從圖5可知，當特征數逐漸增多時，算法的準確率逐步提升，但特征數達到一定數目時，算法的準確性達到峰值，即特征數為11時效果最好，此后選取的特征數再增加時，算法的準確率不變。隨著特征數的增加，算法耗時也有所增加。因此，選取合適的特征數及特征組合既能夠保證準確率，又能減低算法耗時。

在對數據集數據進行預處理，提取特征后，使用訓練集進行模型訓練，再使用測試集測試算法。其中，數據1算法準確率為92.31%，相應的混淆矩陣如圖6所示。

從圖6可知，躺下行為容易判斷成其它行為，如梳頭、散步，刷牙容易推斷成梳頭、起來、坐下等。根據位置和行為的相關性，通過分析隨機森林的混淆矩陣，設置位置行為相關值，利用行為相似性來校驗老人行為，進而準確更正識別的行為。與此同時，在數據集1上運行算法50次，對每種行為識別的準確率取平均值，得出本文算法與未使用行為相似性的隨機森林算法的每種行為準確率對比如圖7所示，2層算法的行為識別的平均準確率為95.59%。

從圖7可知，隨機森林算法中老人行為中的刷牙、散步、喝水、倒水、躺下、吃飯等行為的識別準確率較高，坐下和起床的行為識別準確率較低。隨機森林算法每種行為識別的準確率不同，在引入行為相似性后，通過位置時間與行為關聯性的檢驗以及通過行為相似性來更正行為，能夠提高普通行為識別準確率，尤其是起床行為。

將本文算法在4種規模數據集上進行多次試驗，得到算法的平均性能如圖8所示。

從圖8中可知，隨著數據規模的增大，算法的準確率會提升，但是數據規模達到一定程度后，數據的準確率并不會增加。

ADL數據集采集者Dyana提出了一個識別行為的框架[19]，依靠高斯混合回歸建立活動模型，具體為基于馬氏距離利用GMM和GMR建模的特性來實現簡單的運行時識別，該方法識別了7種人體運動。本文方法與數據中使用的方法進行對比，結果如圖9所示。

由圖9中可知，本文方法準確率高于Dyana提出的方法，并且可識別的行為比原數據方法多。通過分析，可能的原因有3點，具體表述如下。

（1）本文采用多個統計特征值，比單一數值更能反映數據表達的含義。

（2）本文使用隨機森林方法，集成多個模型采用投票的方式判斷行為，比純粹的單一數學模型的識別效果要好。

（3）本文利用行為的相似性進一步更正行為，能夠消除個別行為識別率低的情況，這種方法進一步提高了算法整體的準確率。

5 結束語

本文以居家養老服務為背景，通過使用基于隨機森林和行為相似性的兩層老人居家行為識別算法實現了老人行為情境信息的獲取，并通過實驗與分析，挑選了11個統計學特征，在算法準確率為92.31%的隨機森林上、接著又引入行為相似性后進一步提升至95.59%，證明了通過位置時間與行為關聯性的檢驗以及行為相似性更正行為，能夠提高普遍行為識別準確率。本文的后續工作可概述為如下2個方面，即：

（1）擴展問題模型，增加獲取的傳感器數據類型和規模，以進一步提升識別準確率和適用范圍。

（2）將識別算法同老人居家需求的推理以及服務主動提供技術相結合，實現更深層次的應用。

參考文獻

[1]RAVI N， DANDEKAR N， MYSORE P， et al. Activity recognition from accelerometer data[C]∥ The Twentieth National Conference on Artificial Intelligence and the Seventeenth Innovative Applications of Artificial Intelligence Conference. Pittsburgh， Pennsylvania， USA：AAAI， 2005， 3：1541-1546.

[2]RANA J B， SHETTY R， JHA T. Application of machine learning techniques in human activity recognition[J]. arXiv preprint arXiv：1510.05577， 2015.

[3]KHAN Z A， SOHN W. Abnormal human activity recognition system based on R-transform and kernel discriminant analysis for elderly health care[J]. IEEE Transactions on Consumer Electronics， 2011， 57（4）：1843-1850.

[4]汪成亮， 王小均. 基于三軸傳感器的老年人日常活動識別[J]. 電子學報， 2017， 45（3）：570-576.

[5]吳天昊. 基于3軸加速度傳感器及陀螺儀的老年人摔倒識別[D]. 北京：北京工業大學， 2013.

[6]MURATA S， SUZUKI M， FUJINAMI K. A wearable projector-based gait assistance system and its application for elderly people[C]∥ Proceedings of the 2013 ACM International Joint Conference on Pervasive and Ubiquitous Computing. Zurich， Switzerland：ACM， 2013：143-152.

[7]MINNEN D， STARNER T， WARD J A， et al. Recognizing and discovering human actions from on-body sensor data[C]∥Proceedings of the 2005 IEEE International Conference on Multimedia and Expo （ICME' 05）. Amsterdam， The Netherlands：IEEE， 2005：1545-1548.

[8]KRASSNIG G， TANTINGER D， HOFMANN C， et al. User-friendly system for recognition of activities with an accelerometer[C]∥Proceedings of the 2010 International Conference on Pervasive Computing Technologies for Healthcare （PervasiveHealth'10）， Munich， Germany：dblp， 2010：1-8.

[9]CHOUDHURY T， CONSOLVO S， HARRISON B， et al. The mobile sensing platform： An embedded activity recognition system[J]. IEEE Pervasive Computing Magazine， 2008，7（2）：32-41.

[10]RASMUSSEN C E， WILLIAMS C. Gaussian processes for machine learning[M]. Cambridge， MA， USA： MIT Press， 2006.

[11]朱煜， 趙江坤， 王逸寧，等. 基于深度學習的人體行為識別算法綜述[J]. 自動化學報， 2016， 42（6）：848-857.

[12]HA S， CHOI S. Convolutional neural networks for human activity recognition using multiple accelerometer and gyroscope sensors[C]∥ 2016 International Joint Conference on Neural Networks（IJCNN）. Vancouver， BC， Canada：IEEE， 2016：381-388.

[13]KAR A， RAI N， SIKKA K， et al. AdaScan： Adaptive scan pooling in deep convolutional neural networks for human action recognition in videos[J].Computer Vision and Pattern Recognition （CVPR）. Las Vegas， Nevada， USA：IEEE，2016：3376-3385.

[14]LEE S M， YOON S M， CHO H. Human activity recognition from accelerometer data using Convolutional Neural Network[C]∥ 2017 IEEE International Conference on Big Data and Smart Computing（BigComp）.Jeju， South Korea： IEEE， 2017：131-134.

[15]HAMMERLA N Y， HALLORAN S， PLTZ T. Deep， convolutional， and recurrent models for human activity recognition using wearables[J]. Journal of Scientific Computing， 2016， 61（2）：454-476.

[16]EDEL ?M， KPPE E. Binarized-BLSTM-RNN based human activity recognition[C]∥ 2016 International Conference on Indoor Positioning and Indoor Navigation（IPIN）. Alcala de Henares， Spain：IEEE， 2016：1-7.

[17]CHEN Yuwen， ZHONG Kunhua， ZHANG Ju， et al. LSTM networks for mobile human activity recognition[C]∥ International Conference on Artificial Intelligence： Technologies and Applications. Bangkok， Thailand：Atlantis Press， 2016：50-53.

[18]BRUNO B， MASTROGIOVANNI F， SGORBISSA A. A public domain dataset for ADL recognition using wrist-placed accelerometers[C]∥The 23rd IEEE International Symposium on Robot and Human Interactive Communication（2014 RD-MAN）. Edinburgh， UK：IEEE， 2014： 738-743.

[19]BRUNO B， MASTROGIOVANNI F， SGORBISSA A， et al. Analysis of human behavior recognition algorithms based on acceleration data[C]∥ IEEE International Conference on Robotics and Automation. Karlsruhe， Germany：IEEE， 2013：1602-1607.