基于泛在传感器的智能家居日常行为识别研究

2020-12-18张嘉璐牟勇

中国科技纵横 2020年14期

张嘉璐牟勇

（1.大连海事大学，辽宁大连 116026；2.中体彩科技发展有限公司，北京 100021）

1 研究背景和意义

随着人们生活水平的提高和环境辅助的广泛应用，在移动物联网的高速发展下，行为识别领域得到了长足的发展[1]。但是在智能家居中泛在传感器的行为识别仍然呈现出许多挑战：例如通过传感器触发的异常行为数据点来分析居民日常行为[2]，以便于有效地保护老年人和生活不能自理的人。根据上述原因，泛在传感器下的智能家居环境中行为识别技术研究具有重要的学术意义。

2 相关研究

在行为识别领域中，根据传感器与人体的交互模式，可以将行为识别中应用的传感器分为两大类：非侵入式和入侵式传感器。本文实验的行为识别数据集均来自于华盛顿州立大学CASAS实验室。

2.1 异常行为分类

基于泛在传感器的日常行为识别无法获取用户日常生活图像、声音等信息，只能通过传感器传输的行为数据来对异常行为进行分析。通过对用户触发的传感器进行分析，得到居民日常行为规律，从而将同一行为中与行为习惯规律相左的行为识别异常行为，本文主要研究两种情况下的泛在传感器智能家居异常行为：

（1）第一类为行为开始和结束时间异常。例如：在单用户行为识别中，某一个用户每天吃药的开始时间通常在中午12点左右，但是突然有一天吃药的开始时间发生在了下午或者其余时间，在这种情况下，发生的行为就属于吃药行为开始时间异常。

（2）第二类为行为持续时间异常。例如：在单用户行为识别中，某一个用户每天去卫生间的持续时间为30min左右，但是突然有一天去卫生间的时间持续了两个小时，那么该行为就属于行为持续时间异常，可能原因是用户身体出现异常或者是用户家里的设备坏了，可能需要维修等。

2.2 异常行为识别算法

在日常行为识别中，异常行为识别[3-4]的方法主要是先将人工标注的正常行为进行建模，再将待测试行为与建模后的模型进行对比来判别是否为异常行为。本文根据不同行为的不同异常表现形式，首先对行为进行余弦相似度计算，将余弦相似度计算出的向量作为特征值。之后，采用DBSCAN聚类算法以正常行为为参照来对该类行为的特征进行聚类来进行异常行为识别。

余弦相似度是通过计算特征之间的距离来计算行为之间的相似度，公式1给出了余弦相似度在异常行为识别中的应用。本文将计算余弦相似度后的特征作为DBSCAN算法的输入：

基于密度的聚类算法中最常用的算法之一为DBSCAN算法，其具有良好的抗噪性并且对异常数据敏感的特点。不但适用于凸样本数据集，同样适用于非凸样本数据集。

本文首先，对第一种异常行为采用统计方法某一行为的开始和结束时间作为特征，然后用余弦相似度进行特征计算，计算后的距离值作为新的特征向量。采用DBSCAN算法来对这些特征向量进行聚类，从而进行异常行为识别。然后针对第二种异常行为统计触发该行为的持续时间和传感器作为特征向量，同样余弦距离与DBSCAN算法来识别其中的异常行为。最后，通过对比实验验证了本文提出的异常行为识别方法可以有效识别异常行为。

3 实验结果与分析

为了验证异常行为识别的有效性，本文采用hh103数据集分别展示了两类异常行为识别的实验结果。

3.1 行为开始/结束时间异常检测实验分析与结果

如图1所示，横轴表示Cook_Lunch行为的开始时间，纵轴表示Cook_Lunch行为的结束时间（为了将特征描述更加清晰，将24h制的时间转换秒值，例如：01:20转换为相应的小数值为4800）。

从图2中可以看出hh103数据集“Cook_Lunch”行为的发生时间和结束时间的特征向量利用余弦距离和DBSCAN算法相结合后，进行聚类之后获得了该用户有六个异常行为数据点，可能是用户行为发生了异常行为。其中“Cook_Lunch”行为的开始与结束时间均异常的数据点有四个，行为开始时间异常的数据点有一个。从图1中还可以看出，用户的做饭开始时间在43000s结束时间在46000s，而异常点则不在此范围内。

3.2 持续时间异常检测实验结果与分析

为了验证第二类异常行为实验的有效性，本章采用余弦相似度与DBSCAN算法对某个行为的持续时间和传感器触发频次进行聚类。

图2展示了hh103数据集的“Cook_Lunch”行为的持续时间的异常点情况。其中，这个图的横轴表示行为触发的传感器频次，纵轴表示行为持续的时间。从图2中看出，被检测出的异常点有5个。其中，用户触发正常行为的持续时间在400s之内，而异常行为的持续时间则超过了400s，并且从图2中也可以直观的看出这5个行为偏离了其正常行为的范围，因此可以考虑这5个行为为用户“Cook_Lunch”的异常行为。