《基于數(shù)據(jù)探析的老年人異常行為識別探究發(fā)展的國內(nèi)外文獻(xiàn)綜述》4800字

基于數(shù)據(jù)分析的老年人異常行為識別研究發(fā)展的國內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-2"\h\u30550基于數(shù)據(jù)分析的老年人異常行為識別研究發(fā)展的國內(nèi)外文獻(xiàn)綜述 115561.1人體行為識別研究現(xiàn)狀 162041.1.1基于攝像頭的人體行為識別 146161.1.2基于傳感器的人體行為識別 244901.2人體行為數(shù)據(jù)庫研究現(xiàn)狀 349331.2.1基于攝像頭的圖像數(shù)據(jù)庫 4308501.2.2基于傳感器的時(shí)序數(shù)據(jù)庫 42036參考文獻(xiàn) 51.1人體行為識別研究現(xiàn)狀20世紀(jì)90年代，機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺領(lǐng)域快速發(fā)展，人體行為識別應(yīng)運(yùn)而生。1986年日本首先提出展開人體行為識別研究的必要性[5]。人體行為的識別能夠增強(qiáng)人機(jī)交互的方式，同時(shí)能夠?qū)⑷梭w行為描繪為數(shù)字形式。早期人體行為識別的步驟主要為攝像頭采集圖像數(shù)據(jù)，圖像特征提取，根據(jù)特征分類為不同的人體行為。人體行為的識別可以了解人體的活動狀態(tài)、運(yùn)動強(qiáng)度，開始應(yīng)用于智能家居環(huán)境、病人日常行為監(jiān)測、運(yùn)動員康復(fù)等領(lǐng)域。隨著微電子、芯片的發(fā)展，傳感器體積變小，傳感單元更加靈敏。人體行為識別的方式也由最初單一的攝像頭識別豐富為基于IMU傳感器、壓力傳感器的識別，目前研究識別的方式主要分為以下兩類：1.1.1基于攝像頭的人體行為識別基于攝像頭的人體行為識別是視頻分析的一部分。通過識別人體，算法自動分析一段視頻流，以檢測單人或人群行為情況。攝像頭還被安裝在無人機(jī)上以進(jìn)行遠(yuǎn)程的目標(biāo)跟蹤。基于攝像頭的人體行為識別其原理是利用圖像處理算法對一個(gè)或幾個(gè)視頻攝像頭捕捉的人體運(yùn)動畫面進(jìn)行分析以確定圖像是否滿足特定行為的特征，對圖像分類，從而檢測人體行為的發(fā)生。隨著深度學(xué)習(xí)的應(yīng)用，行為識別特征提取的方法也從傳統(tǒng)的機(jī)器學(xué)習(xí)算法（隨機(jī)森林、K近鄰、支持向量機(jī)）發(fā)展為深度學(xué)習(xí)算法（循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)）。隨著圖像傳感器的發(fā)展，目前研究使用的攝像頭主要包括兩種:RGB相機(jī)和RGB-D深度相機(jī)。1)RGB相機(jī)包括CMOS傳感器，可以通過紅色（Red）綠色（Green）和藍(lán)色（Blue）光學(xué)三原色（RGB）以不同比例混合獲得人類感知范圍內(nèi)的所有色彩。是目前運(yùn)用范圍最大的相機(jī)。但在人體行為識別中，容易受光線影響，當(dāng)人體與周圍環(huán)境色差相近時(shí)，無法識別。2）RGB-D深度相機(jī)是在RGB相機(jī)的基礎(chǔ)上增加了一個(gè)深度感應(yīng)器，可以獲取物體的深度信息并且不受光線條件的影響。目前獲取物體的深度信息主要有三種方式[6]~[8]：立體視覺、結(jié)構(gòu)光、TOF（TimeofFlight）。立體視覺相機(jī)是被動式測距，利用場景的兩個(gè)視圖構(gòu)建深度圖像。該方案的問題是需要校準(zhǔn)兩個(gè)視圖，識別算法計(jì)算量大，并且在圖片信息不足時(shí)會導(dǎo)致識別錯(cuò)誤。TOF相機(jī)是主動式測距，其原理是計(jì)算激光從發(fā)出到遇到物體返回所花費(fèi)的飛行時(shí)間，推算出距離。優(yōu)點(diǎn)是不受環(huán)境光線、溫度的影響，缺少是當(dāng)存在多重反射、散射時(shí)會干擾正常的距離信息。結(jié)構(gòu)光的測距方式也為主動式測距，iPhone應(yīng)用的人臉識別即為結(jié)構(gòu)光方式。其工作原理是發(fā)射器發(fā)出特定光點(diǎn)到物體表面，攝像頭識別光點(diǎn)構(gòu)造三維圖像。結(jié)構(gòu)光相機(jī)的具體產(chǎn)品有Kinect攝像頭。Kinect攝像頭最初應(yīng)用于人體體感游戲中，由紅外激光IR發(fā)射器、紅外攝像機(jī)和RGB攝像機(jī)組成。其中，紅外激光發(fā)射器為主動光源，可發(fā)射激光照射在物體上，然后通過紅外攝像機(jī)觀察被激光照射的物體，最終獲取物體的深度圖像。Kinect傳感器不受外部光線影響，可以在夜間使用，無需校準(zhǔn)，使用方便[9]。1.1.2基于傳感器的人體行為識別基于傳感器的人體行為識別可分為兩類：人體可穿戴式傳感器和環(huán)境傳感器。1）人體穿戴式傳感器包括慣性傳感器（IMU）和生命體征傳感器。其中，慣性傳感器包括加速度計(jì)、角速度計(jì)和磁力計(jì)等，它們能夠檢測和測量加速度、角速度的大小，并伴隨著人體運(yùn)動狀態(tài)和姿勢改變而實(shí)時(shí)變化，蘊(yùn)含著豐富的行為信息。生命體征傳感器能夠?qū)崿F(xiàn)血壓測量、心率測量、溫度測量等。傳感器、心電傳感器、皮膚溫度傳感器和肌電傳感器等[10]，它們可以檢測與人體行為密切相關(guān)的豐富的體征數(shù)據(jù)，用于身體的監(jiān)測和衡量健康狀況等。2）環(huán)境傳感器可以檢測人在活動時(shí)所處的環(huán)境，提供與人體行為有關(guān)的上下文信息，常見的環(huán)境上下文信息包括溫度、濕度和氣壓等。通常部署在智能家居的環(huán)境中，用來輔助家庭生活中更復(fù)雜的行為活動的識別。環(huán)境傳感器附著在物體上，以監(jiān)測物體狀態(tài)變化，可用于輔助推斷人的行為活動。常見的傳感器有壓力傳感器、附著在物體上的加速度計(jì)和射頻識別器（Radiofrequencyidentifier，RFID)等。例如，將壓力傳感器安裝在座椅和床墊上可以輔助判斷人的靜坐和睡眠等行為[11]；附在餐具上的加速度計(jì)可用于檢測吃飯行為[12]；附在物體上的RFID標(biāo)簽可以實(shí)時(shí)獲取物體的位置信息[13]。1）人體可穿戴式傳感器通過布置在人體上，可檢測人體靜止與運(yùn)動時(shí)各項(xiàng)動力學(xué)數(shù)據(jù)和生理數(shù)據(jù)。例如智能手環(huán)、智能手機(jī)等產(chǎn)品。以智能手環(huán)為例，內(nèi)含慣性傳感器（IMU）和生命體征傳感器。慣性傳感器包括加速度計(jì)、角速度計(jì)和磁力計(jì)等，將某一動作通過加速度、角速度的數(shù)值變化表現(xiàn)出來。由于不同動作的數(shù)值變化不同，從而識別動作劃分、行為識別，例如步數(shù)統(tǒng)計(jì)、久坐提醒等。生命體征傳感器能夠心電、肌電、腦電等多個(gè)生物電信號轉(zhuǎn)換為數(shù)字信號，實(shí)現(xiàn)血壓測量、血氧飽和度測量、心率測量、溫度測量等功能。早期主要應(yīng)用于醫(yī)院醫(yī)療、病人康復(fù)領(lǐng)域，隨著技術(shù)的成熟，小型化、智能化發(fā)展，開始廣泛出現(xiàn)在人們的日常生活中，用于自主衡量健康狀況。2）環(huán)境傳感器通過布置在固定地點(diǎn)中，可檢測人所處環(huán)境的各項(xiàng)信息如溫度、濕度和氣壓等。通過布置在物體上，可以通過物體的運(yùn)動狀態(tài)推測人體的行為。華為2021年4月提出的全屋智能解決方案便涉及許多環(huán)境傳感器。如人體光照傳感器，通過紅外線檢測當(dāng)人體夜晚經(jīng)過時(shí)自動開燈。濕度溫度傳感器、聲光傳感器、煙霧傳感器等采集數(shù)據(jù)可以用來判斷居家生活中的人們行為。此外還有許多研究尚未投入使用，存在巨大的發(fā)展前景。如壓力傳感器：將壓力傳感器安裝在座椅和睡覺床墊下，當(dāng)壓力變化時(shí)可以識別人們的靜坐和睡眠等行為[11]。附著在物體上的加速度計(jì)：把加速度計(jì)和餐具綁定，當(dāng)餐具運(yùn)動時(shí)可檢測吃飯和洗碗等行為[12]。射頻識別器（RFID)：射頻是一種無線通訊技術(shù)，在物體上添加RFID標(biāo)簽可以獲取物體的實(shí)時(shí)位置信息[13]。1.2人體行為數(shù)據(jù)庫研究現(xiàn)狀人體行為的識別原理都是先采集能夠表征行為類型特征的數(shù)據(jù)，對這些數(shù)據(jù)進(jìn)行處理和分析。隨著數(shù)據(jù)處理需求的增加，20世紀(jì)60年代數(shù)據(jù)庫技術(shù)興起。建立人體行為數(shù)據(jù)庫，可以有效對數(shù)據(jù)進(jìn)行分類、存儲、檢索等，減輕研究人員的數(shù)據(jù)處理工作量，提高識別的有效性。根據(jù)識別技術(shù)的不同，目前數(shù)據(jù)庫存儲的數(shù)據(jù)主要分為兩種：攝像頭識別的圖像數(shù)據(jù)和傳感器識別的時(shí)序數(shù)據(jù)。1.2.1基于攝像頭的圖像數(shù)據(jù)庫目前主要的人體行為圖像數(shù)據(jù)庫有KTH、Weizmann、UCF、INRIAXMAS、MSRAction3D、CAD-60/CAD-120、CASIA、DMVaction3D。2004年瑞典皇家理工學(xué)院的CSchuldt等人建立KTH動作數(shù)據(jù)庫，是機(jī)器視覺領(lǐng)域第一個(gè)真正意義上的動作公共數(shù)據(jù)庫[14]。KTH數(shù)據(jù)庫通過采集25個(gè)人在4種不同的場景中完成6種不同的人體行為獲得。該數(shù)據(jù)庫包含599段動作視頻。其中4個(gè)場景為近距離場景、遠(yuǎn)距離場景、戶外場景、室內(nèi)場景。6種不同的人體行為都是日常生活動作：揮手、握拳、拍手、行走、快跑、慢跑。2005年Weizmann科學(xué)研究所的Gorelick等人提出Weizmann數(shù)據(jù)庫[15]。Weizmann動作數(shù)據(jù)庫通過采集9個(gè)人在同一場景下完成10種不同的人體行為獲得。該數(shù)據(jù)庫包含90段動作視頻。10種不同的人體行為分別為：走、彎腰、跑、側(cè)著行走、原地跳、舉手跳、單腳跳、雙腳跳、單手揮手和雙手揮手。MSRAction3D[16]數(shù)據(jù)庫采集了10個(gè)人完成20個(gè)不同的動作，包含567個(gè)深度圖序列，是最早利用深度信息進(jìn)行識別的數(shù)據(jù)庫之一?？的螤柎髮W(xué)的Sung等人提出CAD-60數(shù)據(jù)庫[17]，采集了4個(gè)人完成12個(gè)不同的行為時(shí)人體關(guān)節(jié)的空間坐標(biāo)深度信息。中國科學(xué)院自動化研究所（（InstituteofAutomation，ChineseAcademyofSciences）提出CASIA數(shù)據(jù)庫。它包括8個(gè)生物信息子數(shù)據(jù)庫，分別為虹膜數(shù)據(jù)庫、步態(tài)數(shù)據(jù)庫、人臉數(shù)據(jù)庫、指紋數(shù)據(jù)庫、掌紋數(shù)據(jù)庫、筆跡數(shù)據(jù)庫和行為分析數(shù)據(jù)庫[18]。上海理工大學(xué)的王永雄等人2018年提出基于RGB-D攝像頭的人體行為數(shù)據(jù)庫Dynamicandmultiviewaction3D[19]。將人體行為分為三大類：日常行為、物體交互行為和異常行為。數(shù)據(jù)庫采集了20個(gè)人在正、側(cè)、動態(tài)3個(gè)視角下完成31個(gè)的動作，包含620段視頻約60萬幀的彩色圖像和深度圖像。1.2.2基于傳感器的時(shí)序數(shù)據(jù)庫基于可穿戴設(shè)備的時(shí)序數(shù)據(jù)庫采用三維重力加速度傳感器收集人體動作的時(shí)序數(shù)據(jù)，依賴于模式識別算法、強(qiáng)分類器處理和分析時(shí)序數(shù)據(jù)。為了完整地獲取人體動作參數(shù)，一般在與動作相關(guān)的人體的多個(gè)關(guān)鍵部位安裝傳感器。Ayachi等人用17個(gè)慣性測量單元（IMU）捕獲全身信號，檢測健康成年人的9個(gè)動作[20]。Altun等人分別在人的胸部、手臂和腿五個(gè)位置安裝傳感器單元（由一個(gè)三維重力加速度傳感器，一個(gè)陀螺儀和一個(gè)三維軸向磁力計(jì)構(gòu)成）來檢測人體19個(gè)動作并進(jìn)行識別[21]。肖子明等人采用單一的放置于腰部的三維重力加速度傳感器捕獲人體運(yùn)動信號，采用支持向量機(jī)建立人體日常動作模型進(jìn)行人體動作識別和分類[22]。ChernbumroongS等人在普通運(yùn)動手表上集成加速度計(jì)、溫度傳感器和高度計(jì)三類傳感器。從加速度計(jì)收集XYZ軸加速度，從溫度傳感器和高度計(jì)收集溫度和高度[23]。美國福特漢姆大學(xué)采集了36個(gè)人走路、跑步、上樓、下樓、靜坐和站立六種行為的三軸加速度傳感器數(shù)據(jù)，建立了WISDM數(shù)據(jù)庫[24]。瑞士蘇黎世聯(lián)邦理工學(xué)院RoggenD等人[25]構(gòu)建了包含了廚房、餐桌、椅子、門、咖啡機(jī)的居家環(huán)境，在人體、物體和環(huán)境中布有72個(gè)10類的傳感器用于收集數(shù)據(jù)，建立了OPPORTUNITYActivityRecognitionDataSet數(shù)據(jù)庫。UniMiBSHAR[26]是MicucciD專為人體日常行為識別和跌倒檢測而建立的數(shù)據(jù)庫。通過智能手機(jī)采集了30位18歲至60歲之間的志愿者進(jìn)行8類日常生活行為和7類跌倒時(shí)的加速度。參考文獻(xiàn)[1]國家統(tǒng)計(jì)局.《第七次全國人口普查主要數(shù)據(jù)情況》.[EB/OL].[2]賀義平,田小彪.文化心理視角下我國老年人養(yǎng)老方式選擇的影響因素分析[J].中小企業(yè)管理與科技(下旬刊),2021(01):122-123.[3]陸治名,汪媛,葉鵬鵬,耳玉亮,段蕾蕾.2015-2018年全國傷害監(jiān)測系統(tǒng)中老年人跌倒/墜落病例分布特征[J].中華流行病學(xué)雜志,2021,42(01):137-141.[4]世界衛(wèi)生組織.《關(guān)于老齡化與健康的全球報(bào)告》.[EB/OL].https:///ageing/publications/world-report-2015/en/,2015-10-01[5]張行健.人體行為的識別及發(fā)展[J].上海電力學(xué)院學(xué)報(bào),2017(1).[6]SteinbruckerF,SturmJ,CremersD.Real-timevisualodometryfromdenseRGB-Dimages.[J].IccvWorkshoponLiveDenseReconstructionwithMovingCameras,2011:719-722.[7]PanB,ZhangL,YinH,etal.Anautomatic2Dto3DvideoconversionapproachbasedonRGB-Dimages[J].MultimediaToolsandApplications,2021:1-23.[8]ShaikhMB,ChaiD.RGB-DData-basedActionRecognition:AReview.2021.[9]李文陽,馬行,穆春陽.基于KinectV2的跌倒行為檢測與分析[J].現(xiàn)代電子技術(shù),2019,42(06):150-153.[10]張霆,劉彩霞,何亮亮,等.基于柔性傳感器的青少年健康實(shí)時(shí)監(jiān)控系統(tǒng)設(shè)計(jì)[J].實(shí)驗(yàn)技術(shù)與管理,2017,034(002):77-79.[11]劉少華.基于柔性陣列壓力傳感器的坐姿監(jiān)測與提醒系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].安徽大學(xué),2018.[12]Fontana,Juan,M,etal.AutomaticIngestionMonitor:ANovelWearableDeviceforMonitoringofIngestiveBehavior.[J].IEEETransactionsonBiomedicalEngineering,2014.[13]CattutoC,BroeckW,BarratA,etal.DynamicsofPerson-to-PersonInteractionsfromDistributedRFIDSensorNetworks[J].PLOSONE,2010,5.[14]C.Schuldt,I.LaptevandB.Caputo,“Recognizinghumanactions:alocalSVMapproach”,Proceedingsofthe17thInternationalConferenceonPatternRecognition,2004.ICPR2004.,Cambridge,UK,2004,pp.32-36Vol.3,Doi:10.1109/ICPR.2004.1334462.[15]WeinlandD,BoyerE,RonfardR.Actionrecognitionfromarbitraryviewsusing3Dexemplars[J].ICCV,2010,2380(7504):1-7.[16]LiW,ZhangZ,LiuZ.Actionrecognitionbasedonabagof3Dpoints[C]//ComputerVisionandPatternRecognitionWorkshops.[S.l.]:IEEE,2010:9-14.[17]SungJ,PonceC,SelmanB,etal.UnstructuredhumanactivitydetectionfromRGBDimages[J].IEEE,2012,44(8):47-55.[18]RMartín-Félez,MollinedaRA,JSSánchez.AGenderRecognitionExperimentontheCASIAGaitDatabaseDealingwithItsImbalancedNature.[C]//Visapp-FifthInternationalConferenceonComputerVisionTheory&Applications.DBLP,2010.[19]王永雄,李璇,李梁華.動態(tài)多視角復(fù)雜3D人體行為數(shù)據(jù)庫及行為識別.數(shù)據(jù)采集與處理,2019,34(1):68-79.[20]AyachiFS,NguyenHP,deBrugiereEG,etal.TheUseofEmpiricalModeDecomposition-BasedAlgorithmandInertialMeasurementUnitstoAuto-DetectDailyLivingActivitiesofHealthyAdults[J].IEEETransNeuralSystRehabilEng.2016;24(10):1060-70.[21]AltunK,BarshanB,Tun?elO.Comparativestudyonclassifyinghumanactivitieswithminiatureinertialandmagneticsensors[J].PatternRecognition.2010;43(10):3605-20.[22]肖子明,馬雙寶,薛勇,吳雨川.基于三維重力加速器人體動作識別與分類[J].武漢大學(xué)學(xué)報(bào)(工學(xué)版),2015,48(03):429-432.[23]ChernbumroongS,CangS,YuH.GeneticAlgorithm-BasedClassifiersFusionforMultisensorActivityRecognitionofElderlyPeople[J].BiomedicalandHealthInformatics,IEEEJournalof,2014,19(1):282-289.[24]WalseKH,DharaskarRV,ThakareVM.AstudyofhumanactivityrecognitionusingadaboostclassifiersonWISDMdataset[J].IIOABJournal,2016,7(2).[25]RoggenD,ForsterK,CalatroniA,etal.OPPORTUNITY:Towardsopportunisticactivityandcontextrecognitionsystems[C]//IEEEInternationalSymposiumonWorldofWireless.IEEE,2009.[26]MicucciD,MobilioM,NapoletanoP.UniMiBSHAR:anewdatasetforhumanactivityrecognitionusingaccelerationdatafromsmartphones[J].AppliedSciences,2017,7(1101).[27]Bobick,A.F.Movement,