基于智慧家居感知数据的老人日常行为识别与异常检测

摘要

随着人口老龄化情况加剧、人力资源短缺，养老成为当前社会面临的主要问题。家庭环境中自动识别老人日常行为，发现老人行为异常，提高老人独立生活能力和家庭健康护理水平，是缓解养老困境的可行方法。
　　本文以华盛顿州立大学智能空间实验室的实验数据为基础，研究机器学习理论、数据处理技术，结合智慧家居相关技术，识别老人日常行为，了解老人的意图，发现老人生活中的行为异常与环境异常。主要研究内容如下所示：
　　（1）设计传感器事件动态分割与标注方法。根据活动执行过程中所触发传感器之间的依赖关系，计算相邻窗口的相似度，过滤行为边界点，保留相似度最低的点，最后合并相邻的且具有相同标签的序列片段。
　　（2）构建以较高精度识别老人多种日常行为的模型。根据老人日常行为特点，构建多维度特征框架，包括传感器权重、传感器类别特征、时间特征和频率特征；使用遗传算法和交叉验证对行为模型进行训练与调优，建立基于支持向量机的日常行为模型。
　　（3）设计老人异常行为检测框架。结合日常行为模型，选择重要特征，建立老人各类行为的高斯混合模型，计算异常样本与所属成分的偏离程度，对比各类特征与正常样本特征之间的差异。
　　日常行为识别是实现老人生活辅助、提升老人独立生活能力、提高健康护理水平的前提。设计多组实验评估本文方法和模型的性能。实验结果表明序列分割方法能够对传感器序列进行合理分割，日常行为模型能准确的识别多种行为，异常检测方法能够高效地发现老人行为中的异常。研究结果对居家养老智慧化发展具有一定促进作用。

目录

声明

1绪论

1.1研究背景与研究意义

1.2研究目的及主要内容

1.3研究方法与技术路线

1.4可能的创新之处

2理论基础与相关文献综述

2.1概念界定

2.2机器学习理论

2.3文献综述

2.4研究难点

2.5本章小结

3支持向量机与高斯混合模型

3.1支持向量机

3.2基于高斯混合模型的异常检测

3.3本章小结

4数据处理与特征集构建

4.1序列分割与标注

4.2传感器数据处理

4.3老人日常行为特征集构建

4.4日常行为特征对比试验

4.5本章小结

5老人日常行为识别及异常行为检测试验与分析

5.1基于情景的序列数据切分方法试验

5.2基于特征组合和SVM的日常行为识别试验

5.3基于GMM的异常行为检测试验

5.4本章小结

6总结与展望

6.1论文主要工作

6.2下一步研究方向

致谢

参考文献

附录一：作者在读期间发表的学术论文及参加的科研项目

附录二：序列分割算法

附录三：特征提取相关代码

附录四：日常行为模型训练

附录五：日常行为模型混淆矩阵