基于传感器和概率语义方法的室内日常活动识别研究

Recognition of activities of Daily Living (ADL) is a key technique in many areas such as the Internet of Things, context computing, etc. This project investigates the probabilistic semantic methods for ADL recognition using non-video sensors. Probabilistic semantic methods marry the ideas of knowledge-driven and data-driven approaches to activity recognition. Central to the concept is the combination of Markov logic networks, semantic rules and user-specific data which can infers a user’s activities and adaptively learn activity rules and weights. The project will first establish the standard semantic model by considering user information and the temporal relationships of sensor events, thus improving the model’s usability and accuracy. It will then use the Markov Logic Network to combine semantic models and probabilistic inference. This will address the issue of collaborative, multi-occupant and concurrent activity recognition leading to improved model applicability. In addition, for specific users and environments, the project will develop divergence-based active learning algorithms to collect users’ data, and further to derive activity rules and weights, aiming to enhance the precision rate and recall ratio of activity recognition, and the model adaptability. The research results described above will be tested and evaluated in a real-world care home environment. The project will provide a generic, highly adaptable technology solution for ADL recognition which is of significant scientific value for research on the Internet of Things in related fields.

室内日常活动(ADL)识别是物联网、情境计算等多个领域的一项关键技术。本项目基于（非视频类）传感器，重点研究识别室内日常活动的概率语义方法。概率语义方法结合了知识驱动和数据驱动的思想，其核心是利用马尔科夫逻辑网（MLN）结合活动语义规则和用户个性化数据，来推理识别用户活动，并能够自适应地学习规则及规则权值。首先，建立标准化语义活动模型，加入用户信息和活动时序关系以提高模型的通用性和准确性。其次，采用MLN将语义模型和概率推理结合识别ADL，并解决交叉、多人、并发活动等问题，以提高模型的实用性。再次，针对特定用户和环境，采用基于分歧的主动学习方法，获取用户数据，并基于这些数据学习活动规则和权值，以提高ADL识别的查准率和查全率，以及模型的适应性。最后，基于居家养老场景进行应用验证。本项目将为ADL识别提供一种通用性高、自适应能力强的解决方案，对于推动相关领域的物联网应用研究具有重要价值。

室内日常活动（Activities of Daily Living , ADL）识别是物联网、情境计算等多个领域的一项关键技术。本项目基于（非视频类）传感器，重点研究了识别室内日常活动的概率语义方法。概率语义方法结合了知识驱动和数据驱动的优点，其核心是利用马尔科夫逻辑网（MLN）从活动语义规则和用户个性化数据中学习带有权值的规则，并利用学习到规则推理识别用户活动，并在这个过程中自适应地学习规则及其对应的权值。首先，建立了标准化语义活动模型，加入用户信息和活动时序关系提高了模型的通用性和准确性。其次，结合了MLN语义模型和概率推理来识别ADL，并进一步解决了交叉、多人、并发活动难识别等问题，以提高模型的实用性。再次，针对特定用户和环境，采用了基于分歧的主动学习方法获取了用户数据，学习活动规则和权值，以提高ADL识别的准确率。最后，基于居家养老场景进行了应用验证。本项目为ADL识别提供了一种通用性高、自适应能力强的解决方案，对于推动相关领域的物联网应用研究具有重要价值。.已发表标注资助论文41篇（含 IEEE TII/TITS/THMS/TMC等SCI期刊论文37篇，EI会议论文4篇）。出版论著2部。申报发明专利4项，其中授权2项。.项目累计培养博士生4名（国内博士生3名，来华留学博士生1名），硕士生10名；创办网络生存、网络综合症与网络健康国际会议（CyberLife2019），共有150余名世界各地的专家学者参会，此后每年举办一届（http://www.cybermatics.org/cybercon/, 受疫情影响，2020、2021为线上会议）；创建中欧智慧康养与隐私保护论坛（SmartHealth），2019年至2022年连续举办四届；同英国陈立明教授（参加项目的境外研究人员）一起在IEEE旗舰期刊Computer、IEEE Transactions on Multimedia、 IEEE Transactions on Computational Social Systems、Digital Communications and Networks上共组织了四个Special Issue。