论文部分内容阅读
当前我国社会人口的老龄化、空巢化、失能化日趋严重,加之各类慢性病已成为影响健康的主因,导致普适健康监护的需求十分迫切。研究表明,慢性病的成因很大程度上与不健康的生活方式有关,比如某些老年人的日常生活行为具有明显的低活动性,且长时间的低活动状态往往表现出不同程度的抑郁等情感状态,从而加快老年人身体各项机能、意识认知功能等的衰退,甚至导致严重的老年痴呆、帕金森等高危疾病,因此用户行为感知成为普适健康监护的关键所在。随着微电子机械系统(MEMS,Micro Electrical Mechanical Systems)和传感器技术的快速发展,加速度计、陀螺仪、蓝牙、麦克风等多种传感器得以微型化并被嵌入到各种智能可穿戴设备(包括穿戴式设备、便携式设备等),尤其是智能手机、智能手表、智能眼镜等人们在日常生活可随身方便携带的穿戴式和便携式智能移动设备中,这既很大程度上为非干扰、可持续进行用户的行为建模、行为感知、行为挖掘提供了便利条件和基础,又促进了围绕穿戴式或便携式设备的行为服务的研究和系统部署。由此,本文基于可穿戴设备,面向日常普适健康监护和管理,进行了用户行为感知相关的一些研究工作,重点研究以下三方面的挑战性问题:1)应用场景的多样化导致感知模型无法区分新增类别问题;2)用户个体的差异化导致感知模型难以适用新用户的个性化需求问题;3)样本类别的失衡化导致感知模型不能很好地识别样本稀少的类别问题。 本文针对上述三大挑战性问题,以极速学习机(Extreme Learning Machine,简称ELM)算法为理论模型,研究对应于ELM三层网络架构中的输入层、隐层输出权重和输出层三部分,分别解决应用场景的多样化、用户个体的差异化和类别样本的失衡化这三大挑战问题。具体地,包括如下的动态蓝牙社交情境感知、非干扰睡眠监测感知、样本非均衡跌倒检测感知等方面。 首先,提出了一种基于动态蓝牙社交情境感知的自增量极速学习方法。针对应用场景新类别数据的增加导致由训练数据建立的有效特征空间发生改变的问题,不需要原有类别和新增类别数据的重新训练,能够自动更新分类模型达到类别自增加的识别能力。实验结果表明,该方法能够在保持原有分类模型的区分能力的基础上,对新增应用场景类别的数据具有与原模型能力相当的识别精度。 其次,提出了一种基于非干扰睡眠监测感知的个性化时效学习方法。针对新增用户感知数据的时效作用导致由原有用户数据建立的模型区分能力下降的问题,在不需要原有用户数据参与的情况下,能够在线增量式学习新增用户的感知数据达到用户个性化的预测能力。实验结果表明,该方法能够自适应地满足不同用户的个体化差异特征,对新增用户的感知数据具有比原模型更好的预测精度。 再次,提出了一种基于样本非均衡跌倒检测感知的两阶段多模融合学习方法。针对少数样本的稀缺小类与多数样本的主导大类的样本数量不均衡导致识别模型的分类性能偏向于大类的问题,通过两阶段的双重加权手段,能够自适应学习样本类别的权重达到类别均衡的分类能力。实验结果表明,该方法能够很好地处理样本非均衡类别的分类问题,对样本非均衡的数据通过分类模型中两个阶段的融合能够同时达到高检测率和低误警率。 最后,针对老人日常生活的健康监护实际需求,基于本文提出的样本非均衡跌倒检测感知的两阶段多模融合学习方法,设计并实现了一个面向老人健康监护的跌倒检测演示系统。该系统融合智能眼镜和智能手表的行为数据,通过两阶段多模融合方法进行决策判断并要求用户进一步确认是否真正发生跌倒,最后根据用户在规定时间内是否给出反馈进一步确认,从而实现在老人发生跌倒的时候及时报警。