面向可穿戴计算的行为大数据感知理论与关键技术

Sensing technology for big behavior data has valuable significance for theoretical research and practical application. Though there are a large number of sensing applications based on behavioral data, the sensing modes and abilities provided by these applications are very limited. Therefore, it is necessary to investigate general, effective and efficient sensing techniques for big behavior data. This project focuses on the research of sensing theory and key technologies for big behavior data generated by wearable computing devices. It is scheduled to study the automatic extraction techniques of behavioral semantics, and propose an automatic construction method of a multi-layer sensing model for behavioral semantics, thus leads to the understanding and modelling of the complex semantic structure of the behavioral data. On this ground, it is proposed to study highly efficient extraction technologies for the multi-level semantic features of behavior data, and derive time-invariant behavior data indexing technologies to achieve efficient management for big behavior data. This project plans to design and implement a prototype application of precise behavioral search in the big behavior data scenario, in order to verify the feasibility and application value in practice of the proposed sensing framework for big behavior data.

行为大数据感知技术的研究具有重要的理论研究意义及巨大的实际应用价值。然而，虽然目前存在大量的基于行为数据的感知应用，但所能提供的行为感知模态十分有限，缺少通用、有效且高效的行为大数据感知技术。为此，本课题围绕面向可穿戴计算的行为大数据感知理论与关键技术展开研究，拟研究行为语义的自动提取技术，提出多层行为语义感知模型的自动构建方法，对行为数据中复杂的语义结构进行建模和分析；在此基础上，拟进一步研究高效的行为数据多级语义特征提取技术与时常无关的行为数据索引技术，实现行为大数据的高效管理。课题组拟在研究的基础上，实现一个大数据场景下的精确行为搜索原型应用，验证所提出行为大数据感知框架在实际中的可行性和应用效果。

行为数据感知技术的研究具有重要的理论研究意义和实际应用价值。然而，目前很多基于行为数据的感知应用所能提供的行为感知模态有限，缺少高效的行为大数据感知技术。为此，本课题围绕面向可穿戴计算的行为大数据感知理论与关键技术，从基于深度学习和基于特征集机器学习两个方面对行为分析、行为识别和行为搜索展开研究。首先，研究了用户日常行为语义分析技术，针对日常行为的多层次语义特性，利用多层次模型对日常行为进行深度理解，实现了多粒度行为分析模型；其次，研究了行为数据语义特征提取技术，实现了高精度的行为分类，有效避免了用户、行为习惯、时长等对行为理解的干扰；进一步重点研究了人员运动行为识别技术，实现了人员日常复杂行为的识别模型。最后，进行了行为数据索引技术和行为搜索的研究，实现了行为数据的有效管理以及人员步态行为的对应性识别。 项目启动的四年以来，共发表论文23篇，包括英文SCIE期刊论文10篇、中文期刊论文10篇和会议论文3篇；授权1项国家技术发明专利，申请6项国家技术发明专利；共培养毕业1名博士生、5名硕士生。