(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211258480.2 (22)申请日 2022.10.14 (71)申请人 贵州大学 地址 550025 贵州省贵阳市花溪区贵州大 学 （北区） 科技处 (72)发明人 杨观赐　李杨　苏志东　李国政　 王阳　胡耀　何玲　刘丹　 (74)专利代理 机构 贵阳东圣专利商标事务有限 公司 520 02 专利代理师 袁庆云 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 环境传感器数据驱动的人类活动识别方法 (57)摘要 本发明的一种环境传感器数据驱动 的人类 活动识别方法， 包括如下步骤： 环境传感器数据 采集： 收集环境传感器数据， 对环境传感器数据 进行序列同步对齐， 构建数据集； 特征选择： 采用 基于传感器状态频率的传感器数据贡献显著性 分析方法CSA， 计算传感器类别的贡献度， 在此基 础上， 选择最有利于识别行为的传感器类别， 获 取特征数据， 嵌入待识别对象状态序列中； 数据 噪声约束： 为了减少 活动识别过程中的噪声， 基 于传感器布置图构建传感器约束距离矩阵D， 形 成新的特征数据集， 对传感器数据状态序列进行 编码； 活动识别： 构建了宽时域卷积神经网络进 行日常活动识别。 本发明具有根据用户的行为习 惯， 测量不同类型传感器对活动识别的贡献， 并 对人类活动分类具有更高的识别率和更短的识 别时间的特点。 权利要求书3页 说明书12页 附图1页 CN 115481668 A 2022.12.16 CN 115481668 A 1.一种环境传感器数据驱动的人类活动识别方法， 其特 征在于： 该 方法包括如下步骤： 步骤1、 采集环境传感器数据： 收集环境传感器数据， 对环境传感器数据进行序列同步 对齐， 构建数据集； 步骤2、 特征选择： 采用基于传感器状态频率的传感器数据贡献显著性分析方法CSA， 计 算传感器类别的贡献度， 在此基础上， 选择最有利于识别行为的传感器类别， 获取特征数 据， 嵌入待识别对象状态序列中； 步骤3、 数据噪声约束： 为了减少活动识别过程中的噪声， 基于传感器布置图构建传感 器约束距离矩阵D， 排除待识别对 象状态序列中的无关数据， 形成新的特征数据集， 对传感 器数据状态序列进行编码； 步骤4、 活动识别： 基于环境传感器数据， 构建宽时域卷积神经网络的识别 模型， 以最小 化交叉熵损失函数为目标， 通过优化器AdaGrad对识别模 型进行训练， 从而进 行人类活动识 别。 2.如权利要求1所述的环境传感器数据驱动的人类活动识别方法， 其特征在于： 所述步 骤2中的基于传感器 状态频率的传感器数据贡献显著性分析 方法CSA： 假设要识别的行为的活动类型是A＝{A1,A2,…， Ai…,At}， 其中Ai＝{ai1,ai2,…aij,…, ain}表示第i个活动， aij＝{ri j1,ri j2,…,ri jk}表示第i个活动的第j个时间序列记录， ri jk表 示行为期间触发的传感器数据窗口 的第k个状态监控值； 布置的传感器组表示为S＝{s1,s2,…， si,…,sm}， 其中m表示传感器类型的数量， si表示 第i个传感器； 基于熵的不确定性理论测量活动发生 时不同传感器类型的信 息增益， 使用如下公式计 算活动Ai发生时第j次传感器的触发频率 其中 表示活动Ai发生时第j个传感器的总触发时间； 为了确定 各种传感器在行为识别中的贡献， 用如下 公式来计算第j个传感器给活动Ai的 发生带来的自信息量 然后， 计算各种传感器在行为过程中的普适性： 在整个活动识别传感器状态数据集中， 如果某一类型的活动通常会触发特定类型的传感器， 则表示该传感器与该活动关联； 否则， 间歇性触发的传感器类别可被视为噪声传感器数据； 对传感器进行信息均衡处理， 并使用 如下公式计算活动Ai发生时第j个传感器的通用性： 其中， |Ai|表示活动Ai的总发生次数， 表示涵盖第j类传感器的活动发生中 的触发的总数目； 计算各种传感器对行为识别的信息贡献度： 通过积分传感器的自信息量和通用性， 如权　利　要　求　书 1/3 页 2 CN 115481668 A 2下公式用于计算第j个传感器对第i个活动的贡献度Dij： 最后， 在测量传感器信息贡献度的基础上， 选择最有利于识别行为的传感器 类别。 3.如权利要求2所述的环境传感器数据驱动的人类活动识别方法， 其特征在于： 所述状 态监控值包括触发时间、 传感器编号、 状态值。 4.如权利要求1所述的环境传感器数据驱动的人类活动识别方法， 其特征在于： 所述步 骤3中基于传感器布置图构建传感器约束距离矩阵D， 其 所述距离矩阵D的距离元素D(si， sj) 通过如下公式计算： |si， sj|spatial表示两个瞬时传感器之间的空间距离， 并且计算方法是连接时的中间传 感器的最小数量， 即曼哈顿距离； 否则， 考虑到延迟传感器状态变化的滞后， 相应的距离记 录为1， 即延迟传感器监测到的所有具有高显著贡献的数据都被视为非噪声数据。 5.如权利要求1所述的环境传感器数据驱动的人类活动识别方法， 其特征在于： 所述步 骤4中的宽时域卷积神经网络包括一个嵌入层、 四个一维卷积层、 三个全连接层、 一个 softmax分类 器。 6.如权利要求5所述的环境传感器数据驱动的人类活动识别方法， 其特征在于： 所述嵌 入层： 输入数据的编码， 采用嵌入编码方式， 将数据从低维空间映射到高维空间， 其公式如 下： x＝WE*{s1s2， ...， si， ...， sn} 其中， si为传感器数据序列第i个状态编码值； WE为随机初始化 的一个可学习的嵌入矩 阵WE∈RV×U， 其中R是实数域空间， U是嵌入尺 寸， V是布置的环 境传感器数量； x为传感器特征 向量值。 7.如权利要求5所述的环境传感器数据驱动的人类活动识别方法， 其特征在于： 所述 四 个一维卷积层和二个全连接层组成宽时域卷积网络的特征提取层： 输入传感器特征向量值 x， 采用小尺寸卷积核提取短期和细节特征， 大尺寸卷积核提取长期和上下文信息融合特 征， 其卷积特 征f(xh)提取公式为： f(xh)＝f(x*wh+bh) 其中wh是一维卷积核， 卷积核的大小是h； bh为实数域的随机偏置值， 步长设置为1以提 取精确信息； 然后， 对卷积层提取的特征进行拼接和融合， 得到包含多种特征的特征图f(xc)， 其中通 过最大池化法对特 征进行下采样， 以获得 具有显著特 征的低纬度向量， 其公式如下： f(xc)＝BN(max[f(x1)，···， f(xh)]} 其中， BN为标准化正态分布处 理； 然后， 添加了一个全连接层来管理每个特征的权重， 再添加一个活动层ReLU来执行特 征的非线性变换。 8.如权利要求7所述的环境传感器数据驱动的人类活动识别方法， 其特征在于： 所述非 线性特征变换， 在其变换 过程中， 为了避免过度拟合， 采用神经 元概率学习策略Drop。权　利　要　求　书 2/3 页 3 CN 115481668 A 3