论文部分内容阅读
随着智能终端如智能手机、可穿戴设备的迅速普及,移动互联网高速发展。移动互联网的迅猛发展给多源情境感知技术带来新的活力。在情境感知技术的支持下,智能终端将更加智能化,各种智能设备会主动与周边的世界进行交互,成为用户与周边世界互动的门户。日常活动是用户情境的重要组成部分,了解用户活动对于了解用户状态具有至关重要的作用。本文主要研究基于可穿戴设备多源感知的复杂活动识别。 首先,本文研宄了复杂活动的时空特征。研究表明,用户复杂活动与地理位置具有密切的联系。用户的复杂活动呈现明显的区域性的特点,用户总是在特定的地点从事特定的活动。基于此,本文提出了一种基于活动区域(ROA,Regionof Activity)的活动识别方法,该方法首先从用户的时空数据中提取ROA。在此基础上,分别为每个ROA训练独立的分类器。由于ROA的活动与ROA具有密切的联系,同时,每个ROA内的活动种类数小于待识别全集活动的种类数,因而有效降低了分类器识别的难度。实验表明,ROA可明显提高复杂活动识别的准确率。 其次,本文研究了复杂活动的时序特征。由于人类活动具有一定的社会性,用户的日常活动通常呈现不同的节奏。基于此,本文提出日常活动模式(DAP,Daily Activity Pattern)对用户日常的活动节奏进行了形式化的定义和建模。并提出一种基于DAP的活动预测方法。该方法从用户的日常活动序列中提取用户日常活动模式,基于活动序列前缀相似度匹配预测用户活动。实验表明,针对时序特征明显活动,基于DAP的活动预测方法可以获得高于基于ROA活动识别方法的准确率。 在此基础上,为了提高活动识别精度,本文结合复杂活动的时空特征和时序特征,充分发挥基于ROA活动识别模型和基于DAP活动预测模型的优势,本文设计了融合算法将两种模型进行融合。该融合算法根据不同活动时空特征和时序特征的关联性的强弱,向基于ROA活动识别模型和基于DAP活动预测模型分配不同的权重决定最终的结果。实验表明,该融合算法可充分发挥两种模型的优势,取长补短,获得了高于融合前两种模型的准确率。 最后,为了更好的理解用户的日常活动,本文研究了用户日常活动模式的分析方法并实现了系统原型。本文根据用户日常活动消耗的卡路里,分别进行了基于活动因子指数的日常活动模式评估和基于热力图的日常卡路里消耗分布分析。最终通过可视化的方式直观的向用户展示日常活动信息。本文提出的日常活动模式分析方法与系统原型在活动识别的基础上,为理解用户的活动做出了尝试。