面向个性化行为识别的极速增量学习理论与方法研究

Wearing computing based activity recognition has attracted many researchers to devote themselves to it. To address the problem that the users’ activity characteristics are changing in different life stage, the model need to be updated with incremental learning; To address the problem that the wearable device’s resources are limited, the model need to be updated with extreme fast speed. To solve all above problems, the extreme incremental learning methods are proposed in this project. The feature related extreme incremental learning is presented when the feature space is enlarged due to new sensors or new feature extracting methods emerge. The sample weighted extreme incremental learning is presented when the sizes of all classes are different due to the user’s activity character. The class extreme incremental learning is presented when the activity type is added due to the user’s interesting in new activity. Based on the extreme incremental learning, a high performance and personalized sports pervasive system can be built, which can monitor and advise the user to perform scientific sports, and keep fit.

识别每个人的个性化日常动作行为，能提供许多与健康生活相关的服务。为适应用户行为特点在不同时期的变化特性，行为识别模型需具有增量学习的能力；为适应穿戴式设备在存储、计算等方面的资源受限性，行为识别模型需具有极速学习的能力。针对上述问题本项目研究基于穿戴式设备的面向用户个性化行为识别中的极速增量学习理论和方法：当新传感器信号的出现或者新特征的发现而导致行为样本特征空间增大时，研究特征极速增量学习方法；当用户行为种类不变而行为特点改变且各类样本不均衡时，研究基于样本加权的极速增量学习方法；当用户行为种类增加时，研究类极速增量学习方法。研究目的是构建高识别率、极速、个性化的行为识别系统，主要用于实时识别用户的动作行为，为热量估算、摔倒检测、健康看护等高层行为识别应用提供支持。

本项目的关键科学问题是申请人在做老年人行为识别相关研究过程中提炼出来的。本项目产出成果的主要研究内容包括：多模行为数据采集；增量学习算法研究（包括特征增量学习方法研究、样本加权增量学习方法研究、类增量学习方法研究等）；健康运动原型系统研发等。. 针对行为大数据中标注数据少而未标注数据多的情况，基于迁移学习思想，提出了一种自标注在线极速学习机算法。该算法分为三步。第一步，在源域基于标定数据训练一个ELM（极速学习机，Extreme Learning Machine）模型；第二步，将源域训练的ELM模型应用于目标域，对未标注（待预测）的数据进行分类；第三步，对于第二步的分类结果，选取其中高置信度的样本，在第一步ELM基础上进行在线增量学习，得到一个新的ELM模型。实验结果表明，我们提出的算法能取得平均75%的识别精度，比原始ELM的识别率高出10%左右。. 针对由于真实的摔倒数据难以获得，导致采集到的正常行为和摔倒行为样本比例严重失衡，从而基于此数据集训练的常规摔倒检测模型的漏警率和误警率都较高，不能满足实际的需求的问题，提出一种基于样本加权极速学习机的摔倒检测方法，该方法综合考虑不同种类行为样本之间的比例关系，分别赋予其一定的权值，能较好地解决样本失衡问题。实验结果表明，该方法能够将识别模型的性能提高10%左右。. 该项目的研究成果可用于老年人运动监护领域。开发的运动健康app部署到android手机上，通过数据采集程序获取移动终端的加速度计、陀螺仪等内置传感器的数据，利用机器学习方法建立的行为识别模型，精确地识别这些数据中隐含的行为模式，通过行为模式的时间累积效应，估计老年用户的运动量。让用户一天的运动量与事先设定的阈值（可咨询运动医学专家）相比较，如果与之相差太大，则是用户的运动行为发生了异常，不利于用户的健康，要相应地对用户进行提醒。此外，探索从传感器数据精确识别用户摔倒行为的方法，及时发现，及时报警，最大限度保护用户的安全。