一种基于隐马尔可夫模型的儿童行为识别系统的研究.docx

一种基于隐马尔可夫模型的儿童行为识别系统的研究摘要：本文提出了一种基于隐马尔可夫模型的儿童行为识别系统。该系统检测儿童的身体指标如体温、心跳、血压等并通过该系统的核心模块――基于隐马尔可夫模型的并行结构和多行为模块分析多个传感器获得的信号以获得行为特征。实验表明该系统在识别儿童的几种典型行为如玩耍、睡眠、烦躁等方面效果明显。关键词：行为识别系统;隐马尔可夫模型;小波去噪一、引言随着信息技术的大力发展如何让计算机自动识别与判断外界信息已经成为当今计算机科学研究的重要课题这样计算机就能主动地给人类提供各种有用的信息和服务。目前“人的观察”（lookingatpeople）向“理解人”（understandingpeople）转变是计算机领域中最活跃的研究主题之一其核心是利用计算机检测技术从传感器数据中检测、跟踪、识别人并对其进行行为理解与描述其重要目标是摆脱传统的人际交互方式让计算机系统具备自动分析获取外部信息并通过分析做出相应的响应使计算机系统更加智能化与人性化。本文第2节中提出了本识别系统的框架;在第3节介绍了数据预处理方法;本文的第4节中提出了儿童日常生活的一个平行结构和特征提取模块;第5节展示了使用第3条和第4条所提出的方法后得到的实验结果;最后在第6节中得出本文的结论。二、系统架构在本文提出的儿童行为识别方法中首先提取出儿童行为的特征数据如心跳、体温等将这些特征数据送入隐马尔可夫模型对隐马尔可夫模型进行训练。然后提取儿童行为特征的另一组实验数据并送入隐马尔可夫模型进行行为分类这就是儿童行为的识别过程。系统的功能模块图如下。三、数据预处理建模之前数据预处理是非常重要的因为它为下一步骤提供了有效的数据。在这里采用基于小波变换的去除噪声方法。离散小波变换使用多分辨率分析算法（MRA）将信号分解成不同的时间和频率。多分辨率分析算法能够在高频时提供高时低频并在低频时提供低时高频。小波分解得到细节和逼近系数。一般来说去噪有三个步骤：首先应用小波变换产生噪声小波系数;其次在每一级选择适当的阈值最有效地去除噪声;最后用新的系数生成逆小波变换得到去噪后的信号。此外如果两者之间的一些数据丢失小波变换也可以根据信号的性质扩展信号来完善它。四、特征提取模型1.基于HMM的模型结构在一般情况下一个单一的传感器不能获得对应于一种特定的人类行为的足够的观测数据。在这种情况下使用几种不同的传感器可以完成观测。例如两者心脏的跳动传感器和温度传感器分别用于获得的心脏的跳动和体温的数据。几个变量的联合分析比单一的变量更加有利于人的行为识别。因此有必要采用分类或建模方法来融合这些功能。该架构集成了一种可能性决策树的分层该分层应用于变化环境中的实时行为监测。图1层次模型层次结构有三个重要的因素：（1）数据预处理;（2）包括层1和层2的隐马尔可夫模型;（3）应用概率决策树的观测序列处理在线分割。然而在某些情况下在一个系统中几个数据预处理的步骤可以在同一时间处理并且并行处理多种检测值即层次结构可以被转化为一个平行的结构如图2。第5节的实验表明这种体系结构适用于多个目标。这种结构采用数据预处理和数据合作分析过程。数据联合处理的步骤是基于隐马尔可夫模型。最后输出该结构的分析结果。图2并行模型2.个人多行为模块在不同儿童行为中他（她）的心脏跳动、体温变化是不一样的。例如当处于睡眠时心脏跳动速度较慢体温也比较低。而当一个儿童专注于一个游戏时其心脏跳动会更快体温也会升高。这两个信号的组合使得它能够检测儿童的日常行为。通常情况下儿童的日常行为可以分为几种：睡觉吃饭游戏学习休息。在每一种情况下心脏的跳动和体温的信号具有相应的规律。是心脏跳动信号的统计期望H是某一次检测实例的心跳值是体温信号的统计期望T是某一次测试实例的体温值是心脏的跳动信号的最大耐受值是温度信号的最大耐受值。在这里均为经验值。图3中提出了个人多行为模块描述。图3个人多行为模块描述五、实验结果分析通过实验获得了儿童的行为信号包括心脏跳动体温信号。因为在第一步骤中来自传感器的原始数据有一些噪声和数据丢失因此在第3节中采用小波扩展方法进行数据预处理。图4给出了心脏的跳动和体温数据的信号采集原始数据图。图4心跳体温原始数据在这个步骤中为了获得可靠的数据资源通过离散小波变换方法可以消除噪音这时有影响的噪声已被删除。图5和图6给出了图4中心脏的跳动和体温数据去噪后的值。图5去噪后的心跳信号