胡庭进，刘进军，张永，吴玺

（1.合肥工业大学工业与装备技术研究院，合肥 230000；2.合肥工业大学计算机与信息学院，合肥 230000；3.滁州学院计算机与信息工程学院，滁州 239000）

针对人体行为隐式识别的传感器节点部署优化

胡庭进1，刘进军2,3，张永1，吴玺2

（1.合肥工业大学工业与装备技术研究院，合肥 230000；2.合肥工业大学计算机与信息学院，合肥 230000；3.滁州学院计算机与信息工程学院，滁州 239000）

无线传感器网络识别人体行为已经有广泛的应用，但目前都是利用所有的无线射频信号进行处理和分析，而且未考虑传感器部署的有效位置，造成定位精度不高、计算复杂度高和成本浪费等问题。为解决这个问题，提出基于多层原始链路模型选择链路信号的策略部署传感器节点，使用滑动窗口对原始链路信号和筛选后的链路信号进行特征提取，使用SVM分类算法对实验数据进行分析，结果表明：筛选后的链路信号对简单行为如：站、走、坐凳子、坐垫子和躺都有很好的识别效果。

行为识别；SVM；RSS特征值；节点优化

0 引言

人体行为识别已经成为热点研究方向，并在生活中得到了广泛的应用，如空巢老人的健康监护、智能家居、体感游戏等。常见的人体识别方式有智能视频监控[1-2]、穿戴式传感器[3-4]、无线传感器网络[5-6]等。计算机视觉的研究已经很深入了，识别率也很高，但是硬件设备价格较高并且涉及个人隐私。穿戴式传感器[7]主要是对加速度计信号变化进行分析，识别人体行为，虽然识别的准确度提高了，但是它需要待测人员的主动配合，身穿若干个传感器，行动不便。而基于Wi-Fi人体行为识别通过采集和分析RSS（Received Signal Strength）值的变化识别人体行为，虽然较前两种有部署简单、成本低、可大规模应用的优点，但数据丢包严重，识别的准确度也有待提高。

无线传感器技术有易部署、成本低、不涉及隐私等优势，在日常生活中更易得到扩展和普遍应用。同时与Wi-Fi识别相比，本文准确度更高。无线传感器技术不需要待测人员身穿任何设备，只需要被动接受人体活动对收发器设备间RSS的变化即可。但是现有的研究通常利用所有无线射频信号，且未考虑传感器节点的有效部署位置，从而可能造成定位精度不高、计算复杂度高、浪费成本等问题。

针对以上问题，本文提出了基于多层原始链路模型选择链路信号的策略优化传感器节点部署，筛选链路信号，对比原始链路信号识别人体行为的精度，确定筛选的链路信号和对应的传感器节点。

1 多层链路分层模型

无线信号传播是多径效应的方式，一般情况下，无线信号经过人体的遮蔽[8]，一部分被人体吸收，一部分发生衍射、散射、反射等情况，从而造成RSS值的变化。

根据以上特性，如图1所示，使用n个RF传感器发射节点和m个RF传感器接收节点，分别部署在两个高度不同的水平平面，每个平面平均分布相同数量的收发器，用于行为监测。任意对的接收器和发射器节点之间都可以通信，收集每对收发节点间link的RSS值，对比人体行为干扰前后RSS值的变化验证目标人体的行为。然后对链路进行筛选，根据传感器节点部署位置分为上层链路信号link（T1，R1）、下层链路信号link（T2，R2）、交叉层链路信号1（上平面部署发射器，下平面部署接收器）link（T1，R2）、交叉层链路信号2（上平面部署接收器，下平面部署发射器）link（T2，R1）。

图1 多层链路分层模型

2 实验设计

2.1 硬件参数

本文使用的无线传感器节点是由美国Rutgers大学WINLAB实验室设计开发的，基于433.1MHz频段的传感器发射节点，每秒发射一个数据包，大小为10个字节，传感器接收节点集成了USB接口，用于采集数据之后传输到笔记本采集系统上。发射节点和接收节点都由CR2032纽扣电池供电，发射节点和接收节点的实物如图2所示：

图2 硬件设备

2.2 布局及其说明

在6m×8m的房间部署20个发射器和6个接收器，分为两层部署，高低层分别10个发射器和3个接收器，高层传感器距离地面130cm，低层传感器距离地面20cm。整个实验的布局模拟了日常生活的居住环境，房间包括木柜、办公桌、空调、床、椅子和采集数据的笔记本电脑，如图3所示为高链路层的二维平面图。

图3 实验环境布局

2.3 数据采集

本实验共有两个身高体重不同的待测人员（均超过1米3），分别对六种人体行为进行数据采集，分别为训练集和测试集。训练集每个动作为5分钟，采集的数据量为9440个，测试集每个动作为3分钟，采集的数据量为5600个。图4为除了空房间无人状态之外剩下的五种人体行为的示意图，表1对六种行为进行了描述。

图4 五种行为示意图

表1 六种人体行为及描述

2.4 数据处理

本文使用了滑动窗口技术对数据丢包和噪音进行处理，提取特征。首先采集无人室内空房间的数据信号

图5 丢包处理

2.5 多分类处理

本文对多层链路采集的所有信号使用了三种分类方法进行处理，分别为SVM、KNN、朴素贝叶斯，都使用滑动窗口进行处理，得到三种多分类算法识别六种行为的精度，分别为99.05%、95.71%、83.12%，SVM分类效果最好，所以筛选链路后，本文采用了SVM算法进行多分类处理。

3 实验结果分析

link是由传感器收发节点唯一确定，本文实验部署高低两层传感器，文本中顺序记录了部署传感器是高层传感器和低层传感器Id，在MATLAB中传入数据集，使用算法读取文本提取相应link，可分成四层。筛选链路伪代码如下：

3.1 原始链路层

结果分析：如表2所示，在原始链路的情况下六种人体行为平均识别精度为99.05%，其中站、走、坐凳子上、躺、无人五种行为的准确率高达100%，而坐垫子的行为部分识别躺。因为单一特征的SVM算法比较盲目，状态之间会相互干扰，因坐垫子上与躺影响下层链作为基准信号特征Base，Base=[RSS1，RSS2，RSS3，...，RSSn]，n为采集到的link总数。采集到的数据信号分成N个窗口，如果一个窗口至少存在一个link数据则有效，如果没有数据，则用基准信号进行填充，如图5所示。路更多，出现了相似的情况，从而出现识别错误。

表2 原始链路层和分层后每一个链路层识别六种行为的精度

3.2 分层

结果分析：如表2所示，分层后，上链路层、下链路层、交叉链路层1、交叉链路层2对六种行为的平均识别精度分别为89.08%、71.43%、85.24%、94.29%，对比原始链路层的精度，在保证识别精度的情况下，交叉链路2的部署方式更加合理。

4 结语

本文主要介绍对于复杂的室内环境中实现人体被动行为识别的传感器节点部署优化，提出了多层链路分层模型的策略，分析原始链路层和单一链路层对行为识别的精度，在保证识别精度的情况下找到识别人体行为的最优链路层，降低计算复杂度和硬件成本。实验结果表明，分层后，交叉链路层2的是部署方式可以有效地识别人体行为，在不降低人体行为识别精度的情况下可以减少传感器节点部署的使用数量。

参考文献：

[1]N Robertson，IReid.A General Method for Human Activity Recognition in Video[J].Computer Vision&Image Understanding，2006，104（2）:232-248.

[2]黄维尧.基于人体行为分析的智能监控系统设计与实现[J].西安电子科技大学，2008.

[3]卢先领，王洪斌，王莹莹，徐保国.一种基于加速度传感器的人体跌倒识别方法[J].计算机应用研究，2013，30（4）:1109-1111.

[4]YJHong，IJKim，CA Sang，HG Kim.Activity Recognition Using Wearable Sensors for Elder Care[J].Second International Conference on Future Generation Communication&Networking，2008，2:302-305.

[5]谷雨，权良虎，陈孟妮，任福继.基于Wi-Fi背景噪音的被动式人体行为识别研究[J].中国科学技术大学学报，2015（4）:308-313.

[6]基于无线背景信号的人体行为识别研究[J].蚌埠学院学报，2015（2）:16-21.

[7]P Juha，EMiikka，K Panu，etc.Activity Classification Using Realistic Data from Wearable Sensors[J].IEEE Transactions on Information Technology in Biomedicine A Publication of the IEEEEngineering in Medicine&Biology Society，2006，10（1）:119-128.

[8]B Mager，N Patwari，M Bocca.Fall detection using RF Sensor Networks[J].American Physical Society，2013，30（2）:3472-3476.

Research on Sensor Node Deployment Optim ization Based on Im plicit Recognition of Human Behavior

HU Ting-jin1，LIU Jin-jun2，3，ZhANG Yong1，WU Xi2

（1.Institute of Industry&Equipment Technology，HefeiUniversity of Technology，Hefei 230000；2.School of Computer and Information，Hefei University of Technology，Hefei 230000；3.School of Computer and Information Engineering，Chuzhou University，Chuzhou 239000）

Wireless sensor network to identify human behavior has been widely used，but are using all of the radio frequency signal processing and analysis，and not considering the effective position of sensor deployment,causing some problems such as positioning accuracy is not high, high computational complexity and cost of waste,etc.To solve this problem,presents amodel based on multi-layer original link select link signal strategy to optimize sensor nodes deployment,the original link signal and selection of link signal feature extraction,uses the SVM classification algorithm to analyze the experimental data,the results show that the filter link signals for simple actions such as: standing,walking,sit stool,sitmat,and lying has good recognition effect.

胡庭进（1990-），男，安徽马鞍山人，硕士研究生，研究方向为智能计算理论与软件

刘进军（1979-），男，安徽滁州人，博士研究生，副教授，从事领域为网络与通信工程

张永（1990-），男，陕西渭南人，硕士研究生，研究方向为人工智能及其应用

吴玺（1979-），女，安徽合肥人，博士研究生，讲师，从事领域为电子通信

2017-03-09

2017-05-10

基于隐式感知的老人健康照护平台联合研发（No.S2015ZR1077）、安徽省高校自然科学基金资助项目（No、KJ2013B182）、教育部高等学校学科创新引智计划（“111”）资助项目（No.B14025）、佛山市科技创新团队项目基于智慧服饰的可穿戴设备研发和产业推广（No.2015IT100095）、广东省省级科技计划项目（No.2016B010108002）

1007-1423（2017）14-0040-04

10.3969/j.issn.1007-1423.2017.14.008

Behavior Recognition;SVM;RSSEigenvalue;Node Optimization