论文部分内容阅读
行为识别在普适计算领域有着极大的应用前景，可广泛应用于医疗监护、智能家居/办公、商业服务等方面。其中基于传感器的行为识别因其分布范围广、不具侵扰性等优点，已成为目前的研究热点之一。
本文采用机器学习理论和方法，对基于传感器的行为感知和识别问题进行了深入研究，通过多模传感信息的感知和融合有效识别用户的行为。论文提出了一种行为识别的层次框架Adaware，该框架综合利用加速度和无线网络信号两种传感器信息，同时解决“用户在哪里？”、“用户在做什么？”、“用户将要去做什么？”等行为相关问题。该框架主要包括三种感知和融合方法：添加位置约束的用户运动状态感知方法MotRec、基于关键点检测的低功耗用户位置感知方法PowerLoc和融合多种传感信息的目标行为识别方法GoalRec。
本文采用智能手机作为实验平台，利用其内置的多种传感器收集用户的行为信息，更符合普适计算的发展趋势。同时在设计各种算法时充分考虑到手机的特点，例如运动状态感知算法MotRec需要解决手机位置和位姿不固定(存在相对运动)问题，位置感知方法PowerLoc需要考虑手机的电量消耗问题等。最后本文通过实际采集的数据和大量的实验证明了各种方法的有效性。
本文具体完成了以下工作：
·设计了一种从底层加速度和无线网络信号推断用户高层行为的层次模型Adaware。该框架利用加速度数据识别用户的运动状态，同时利用无线网络信号得到用户的位置信息，并结合这两种信息推断出用户当前和将来的行为。
·提出了一种添加位置约束的用户运动状态感知方法MotRec。该方法通过手机内置的加速度计来识别用户的运动状态，有效解决了由手机和用户之间存在相对运动造成的识别率下降问题。同时利用位置和运动状态之间的相关性对识别效果做进一步优化，消除了易混淆运动状态之间的误判。
·提出了一种基于关键点的低功耗用户室内位置感知方法PowerLoc。该方法考虑到手机的电量消耗问题，能够根据用户状态自适应地调整定位模块，通过只在关键位置进行定位，减少了不必要的无线网络扫描，实现低功耗用户室内位置感知。
·提出了一种融合多种传感器信息的目标行为识别方法GoalRec。该方法通过添加活动序列作为中间状态弥补底层传感器和高层行为之间的间隔，减少了推断算法的复杂度。同时通过多模传感信息的融合，能够基于粗糙的定位精度达到较高的目标识别率。