面向活动识别的多源多维传感器数据融合、交互和依赖问题的数学理论和方法研究

Recognising human activities from sensors embedded in an environment or worn on bodies is an important and challenging research topic in pervasive computing. Now,complex activity recognition remains an open research challenge and requires a multi-disciplinary effort. The main reasons of the low accuracy have there points. The past sensor data fusion methods limit the recognition accuracy of classification results, not fully consider the influence of interaction among different sensors on classification results and have the difficulty of incorporating long-range dependencies between distant time instants. So the main research contents include: for feature layer fusion problem, the research of sensor selection, feature selection and classification model via sparse group lasso and coordinate descent; for decision layer fusion problem, the research of component lasso model including component selection, component modeling and component combination; for data interaction problem, the research of hierarchical lasso model, hierarchical group lasso model, and coordinate descent convex optimization algorithms; for data dependence problem, the research of generalized graphical lasso model, and convex optimization algrithms; the research of the construction of software and hardware platform for online activity recognition using. The new statistical research results of the lasso penalized classification model and convex optimization algorithm are applied to the complex activity recognition problems of information field. It is sure to make the characteristic research. This project is a good reference for other multiple sensor data fusion problem.

从嵌入式或穿戴式传感器数据中自动识别人类活动是普适计算的一个关键和富有挑战性的研究课题。目前复杂活动识别仍然是一个开放的研究挑战，需要多学科的努力，其正确率低的主要原因是：过去的传感器数据融合方法，限制了识别正确率，没有完全考虑不同传感器间的交互对分类结果的影响，将距离很远时间的数据远程依赖关系进行合并很困难。因此主要研究内容包括：针对特征层融合问题，研究稀疏组套索的传感器选择、特征选择和分类模型及坐标下降法；针对决策层融合问题，研究分量套索模型，具体包括分量的选择、建模和合并；针对数据交互问题，研究分层套索和分层组套索模型及坐标下降等凸优化算法。针对数据远程依赖问题，研究广义图套索模型及凸优化算法；研究构建在线活动识别软硬件平台。将套索罚分类模型及凸优化算法的最新统计学研究成果应用于信息领域的复杂活动识别问题，是一定能做出特色性研究成果的。本项目对其它多传感器数据融合问题是很好的借鉴。

人类活动识别框架可以使用各种传感器生成的不同多模式数据检测用户的姿势和行走活动、身体运动和行为。它能够持续监测在环境辅助生活、运动损伤检测、老年护理、康复、在智能家居环境中娱乐和监控等领域的人类行为。人类活动的识别是一项具有挑战性的任务，因为人类倾向于以复杂和多任务的方式执行活动。本项目重点研究面向活动识别的多源多维传感器数据融合、交互和依赖等科学问题。首先研究了多传感器数据融合问题，构建了基于稀疏组Lasso的传感器选择、特征选择和分类的模型和坐标下降算法；构建了分量Lasso模型解决了决策层融合问题；构建了融合Lasso模型和组融合Lasso罚模型和算法。其次研究了多传感器数据交互问题，构建了分层Lasso的特征选择和分类模型和坐标下降算法，并讨论了强分层和弱分层情况；扩展了混合类型数据的交互罚分类模型，构建了分层组 Lasso的特征选择和分类模型和算法；构建了广义交互分层Lasso 数学模型和交替方向乘子法算法。再次，研究了多传感器数据远程依赖问题，将图Lasso模型和二次判别分析结合用于分类问题；研究了隐马尔科夫模型和条件随机场模型的活动识别方法，研究了联合图Lasso模型和算法。最后，研究了活动识别大数据分析问题，分析了坐标下降算法和对偶坐标下降算法，重点研究了对偶坐标下降算法的计算步骤和收敛性；研究了基于卷积神经网络(CNN)、递归神经网络(RNN)、长短时记忆(LSTM)神经网络和注意力网络的人类活动识别框架，比较了浅层学习和深度学习方法的分类性能。此外成功地搭建了多传感器人类活动识别平台，实现了软件、硬件、网络和通信，采集了申请人自己的家庭活动识别数据并进行了验证，活动识别率达到 92.5%。本项目对其它多传感器数据融合问题是很好的借鉴。