冯安平 王咏梅

摘要：在校学生有多种行为，比如：运动、学习、休息等。这些行为可以被监控设备记录。通过基于马尔可夫模型的行为识别系统，可以检测学生的行为类型。该系统的检测数据，在进入系统前，采用小波变换的方法进行过滤，去除掉一些錯误的数据。该系统检测学生的身体指标，比如心跳、血压、体温等，通过分析这些指标，系统可以识别出学生的行为类型，比如：学习、活动、休息等。通过对多个学生的检测数据输入系统，进行试验，最后得出该系统对于运动和休息的检测准确率较高。

关键字：行为识别系统；隐马尔可夫模型；离散小波变换

中图分类号：TP39 文献标识码：A 文章编号：1672-3791（2015）10（a）-0000-00

1 引言

监控设备将人体的数据实时传送至处理器，进行处理识别，从而做出智能判断，是目前信息学科研究的主要课题。由传统的人的观察，转变为机器识别，是目前研究的热点问题。

监控设备对监控对象的数据进行分析，从而判断出对象的行为类型。过去监控的数据比较单一，而某种特定的行为，它表现的特征是多方面的。所以，本文考虑从多个角度来检测，从而建立不同行为的数据模型。通过多次数据的输入，模型的检测能力越来越精确。尤其是对运动、休息这两个极端的行为，判断率较高。

本文提出了识别系统的数据预处理方法，通过小波变换，将数据进行预处理。本文提出了在校学生的的平行结构和特征的提取模块，最后通过实验给出结论。

2 数据预处理。

系统处理的数据，需要先进行数据的预处理。数据的预处理保证了进入系统的数据是有效的。本系统采用的数据预处理方法是小波变换的去除噪声方法。

数据预处理是非常重要的，因为它为下一步骤提供了有效的数据。在这里，采用基于小波变换的去除噪声方法。

小波变换的去噪声方法，使用的是多分辨率分析算法。它将信号分解成不同的时间和频率。多分辨率分析算法能够在信号高频的时候，产生高时低频，而在信号低频的时候，产生低时的高频。小波分解之后，可以得到细节和逼近的系数。

小波变换去噪声法去噪的过程分为两个步骤：第1步，应用小波变换生成噪声小波的系数；第2步，选择适当的阈值来有效地去除噪声。

离散小波变换使用多分辨率分析算法（MRA）将信号分解成不同的时间和频率。 多分辨率分析算法能够在高频时提供高时低频，并在低频时提供低时高频。小波分解得到细节和逼近系数。一般来说，去噪有三个步骤，首先应用小波变换产生噪声小波系数，其次在每一级选择适当的的阈值来最有效地去除噪声，最后用新的系数生成逆小波变换，得到去噪后的信号。

此外，如果两者之间的一些数据丢失，小波变换也可以根据信号的性质扩展信号来完善它。

3 特征提取模型

3.1 基于HMM的模型结构

通常情况下，只有一个传感器，是不可以获取观测对象的行为的足够的观测数据的。对于行为观测，不要几种不同的传感器才可以完成。比如：我们希望获得学生的心跳与体温这两组数据。那么我们需要两种传感器来获取相关的数据。通过将多种类型的数据进行联合分析，将比用单一的数据来分析，获得更加确切的行为识别结果。因此，有必要采用

在一般情况下，一个单一的传感器不能获得对应于一种特定的人类行为的足够的观测数据。在这种情况下，使用几种不同的传感器可以完成观测。例如，两者的心脏的跳动传感器和温度传感器，分别用于获得的心脏的跳动和体温的数据。几个变量的联合分析比单一的变量更加有利于人的行为识别。因此，有必要采用分类或建模方法来融合这些功能。该架构集成了一种可能性决策树的分层，该分层应用于变化环境中的实时行为监测。

层次结构有三个重要的因素：（1）数据预处理；（2）包括层1和层2的隐马尔可夫模型（3）应用概率决策树的观测序列处理在线分割。然而，在某些情况下，在一个系统中，几个数据预处理的步骤可以在同一时间处理，并且并行处理多种检测值。即层次结构可以被转化为一个平行的结构。在第4节的实验表明，这种体系结构适用于多个目标。这种结构采用数据预处理和数据合作分析过程。数据联合处理的步骤是基于隐马尔可夫模型。最后，输出该结构的分析结果。

3.2个人多行为模块

在不同在校学生行为中，他（她）的心脏跳动，体温变化是不一样的。例如，当处于休息时，心脏跳动速度较慢，体温也比较低。而当一个学生专注于一个体育活动时，他（她）的心脏跳动会更快，体温也会升高。这两个信号的组合，使得它能够检测在校学生的日常行为。

通常情况下，在校学生的日常行为可以分为几种：吃饭，运动，学习，休息。在每一种情况下，心脏的跳动和体温的信号具有相应的规律。Ha是心脏跳动信号的统计期望，H是某一次检测实例的心跳值，Ta是体温信号的统计期望，T是某一次测试实例的体温值，△H是心脏的跳动信号的最大耐受值，△T是温度信号的最大耐受值。在这里，△H△T均为经验值。

If （（|H-Ha|>△H） and （|T-Ta|>△T））

可能处于运动或者学习

If （（|H-Ha|<△H） and （|T-Ta|<△T））

可能处于休息或者学习

If （（|H-Ha|<-△H） and （|T-Ta|<-△T））

休息

4 实验结果分析

以在校学生为对象，通过检测学生的心跳和体温，获得了他们的行为信号，包括心脏跳动，体温信号。由于传感器收集到的原始数据有噪声或者丢失，因此在第2节中采用小波扩展方法进行数据预处理。

为了获得更加可靠的数据资源，通过离散小波变换方法来消除噪音，因此对结果有影响的噪声已被删除。

接下来可以识别在校学生的行为类型，本文采用第2节中提到的个人多行为模块对在校学生中的测试数据进行建模。在这个过程中，需要一些基于HMM的经验阈值，如Ha′△H，Ta′△T和向前-向后算法以及维特比算法来处理日常行为的基线模块。

表1给出了在实验中五个行为类型的训练数据，为了验证以上方法的准确度，用另外一组数据来测试。另外一组检测实例数据对上述方法進行验证。表2列出了实验中不同行为的识别率。由此得出结论，该方法对于运动的行为识别率较高。

行为类别 心跳数据 体温数据

学习 3840 30000

运动 240 2000

休息 240 2000

吃饭 480 4000

表1 4种行为类型的训练数据

行为类别 匹配概率

学习 40%

运动 80%

休息 35%

吃饭 50%

表2 4种行为类型的识别率

5 结论

本文提出了一种基于HMM的并行模型结构和个人多行为模块的应用于行为理解的方法。为了获得强大的训练数据，采用小波去噪方法，对原始数据中的噪声信号进行预处理。在该方法中，两种传感器数据经验值作为阈值，一些典型的算法被用来解决模块问题，如向前-向后算法。实验结果表明，该方法对五种行为类型是有效的。

参考文献：

[1] Shih-Yang Chiao and Xydeas， C. S.， “Modeling Competitive Behaviours by Hierarchical HMM Architecture ”， Annual PGNet Proceeding Symposium on Telecommunications， Networking， and Broadcasting， Liverpool， UK， 2003， pp.285-287

[2] Shih-Yang Chiao and Xydeas， C. S.， “Modeling behaviours of Players in Competitive Environment”， IEEE/WIC International Conference on Intelligent Agent Technology， Halifax， Canada， 2003， pp.566-569.

[3] Shih-Yang Chiao and Xydeas， C. S.， “Using Hierarchical HMMs in Dynamic Behavior Modeling”， Proceedings of Seventh International Conference on Information Fusion， Fusion 2004. Stockholm， Sweden， 2004， pp. 576-582.

[4] Donoho， D. L. and I. M. Johnstone， “Ideal de-noising in an orthonormalbBasis" Chosen From A Library of Bases， CRAS Paris， Ser I， t.319， pp. 1317-1322， 1994.

[5] Chitrakar R，Huang Chuanhe. Anomaly detection using support vector machine classification with K-medoids clustering[A].Piscataway，NJ：IEEE，2012.1-5.