《基于数据探析的老年人异常行为识别探究发展的国内外文献综述》4800字

基于数据分析的老年人异常行为识别研究发展的国内外文献综述目录TOC\o"1-2"\h\u30550基于数据分析的老年人异常行为识别研究发展的国内外文献综述 115561.1人体行为识别研究现状 162041.1.1基于摄像头的人体行为识别 146161.1.2基于传感器的人体行为识别 244901.2人体行为数据库研究现状 349331.2.1基于摄像头的图像数据库 4308501.2.2基于传感器的时序数据库 42036参考文献 51.1人体行为识别研究现状20世纪90年代，机器学习、计算机视觉领域快速发展，人体行为识别应运而生。1986年日本首先提出展开人体行为识别研究的必要性[5]。人体行为的识别能够增强人机交互的方式，同时能够将人体行为描绘为数字形式。早期人体行为识别的步骤主要为摄像头采集图像数据，图像特征提取，根据特征分类为不同的人体行为。人体行为的识别可以了解人体的活动状态、运动强度，开始应用于智能家居环境、病人日常行为监测、运动员康复等领域。随着微电子、芯片的发展，传感器体积变小，传感单元更加灵敏。人体行为识别的方式也由最初单一的摄像头识别丰富为基于IMU传感器、压力传感器的识别，目前研究识别的方式主要分为以下两类：1.1.1基于摄像头的人体行为识别基于摄像头的人体行为识别是视频分析的一部分。通过识别人体，算法自动分析一段视频流，以检测单人或人群行为情况。摄像头还被安装在无人机上以进行远程的目标跟踪。基于摄像头的人体行为识别其原理是利用图像处理算法对一个或几个视频摄像头捕捉的人体运动画面进行分析以确定图像是否满足特定行为的特征，对图像分类，从而检测人体行为的发生。随着深度学习的应用，行为识别特征提取的方法也从传统的机器学习算法（随机森林、K近邻、支持向量机）发展为深度学习算法（循环神经网络、卷积神经网络）。随着图像传感器的发展，目前研究使用的摄像头主要包括两种:RGB相机和RGB-D深度相机。1)RGB相机包括CMOS传感器，可以通过红色（Red）绿色（Green）和蓝色（Blue）光学三原色（RGB）以不同比例混合获得人类感知范围内的所有色彩。是目前运用范围最大的相机。但在人体行为识别中，容易受光线影响，当人体与周围环境色差相近时，无法识别。2）RGB-D深度相机是在RGB相机的基础上增加了一个深度感应器，可以获取物体的深度信息并且不受光线条件的影响。目前获取物体的深度信息主要有三种方式[6]~[8]：立体视觉、结构光、TOF（TimeofFlight）。立体视觉相机是被动式测距，利用场景的两个视图构建深度图像。该方案的问题是需要校准两个视图，识别算法计算量大，并且在图片信息不足时会导致识别错误。TOF相机是主动式测距，其原理是计算激光从发出到遇到物体返回所花费的飞行时间，推算出距离。优点是不受环境光线、温度的影响，缺少是当存在多重反射、散射时会干扰正常的距离信息。结构光的测距方式也为主动式测距，iPhone应用的人脸识别即为结构光方式。其工作原理是发射器发出特定光点到物体表面，摄像头识别光点构造三维图像。结构光相机的具体产品有Kinect摄像头。Kinect摄像头最初应用于人体体感游戏中，由红外激光IR发射器、红外摄像机和RGB摄像机组成。其中，红外激光发射器为主动光源，可发射激光照射在物体上，然后通过红外摄像机观察被激光照射的物体，最终获取物体的深度图像。Kinect传感器不受外部光线影响，可以在夜间使用，无需校准，使用方便[9]。1.1.2基于传感器的人体行为识别基于传感器的人体行为识别可分为两类：人体可穿戴式传感器和环境传感器。1）人体穿戴式传感器包括惯性传感器（IMU）和生命体征传感器。其中，惯性传感器包括加速度计、角速度计和磁力计等，它们能够检测和测量加速度、角速度的大小，并伴随着人体运动状态和姿势改变而实时变化，蕴含着丰富的行为信息。生命体征传感器能够实现血压测量、心率测量、温度测量等。传感器、心电传感器、皮肤温度传感器和肌电传感器等[10]，它们可以检测与人体行为密切相关的丰富的体征数据，用于身体的监测和衡量健康状况等。2）环境传感器可以检测人在活动时所处的环境，提供与人体行为有关的上下文信息，常见的环境上下文信息包括温度、湿度和气压等。通常部署在智能家居的环境中，用来辅助家庭生活中更复杂的行为活动的识别。环境传感器附着在物体上，以监测物体状态变化，可用于辅助推断人的行为活动。常见的传感器有压力传感器、附着在物体上的加速度计和射频识别器（Radiofrequencyidentifier，RFID)等。例如，将压力传感器安装在座椅和床垫上可以辅助判断人的静坐和睡眠等行为[11]；附在餐具上的加速度计可用于检测吃饭行为[12]；附在物体上的RFID标签可以实时获取物体的位置信息[13]。1）人体可穿戴式传感器通过布置在人体上，可检测人体静止与运动时各项动力学数据和生理数据。例如智能手环、智能手机等产品。以智能手环为例，内含惯性传感器（IMU）和生命体征传感器。惯性传感器包括加速度计、角速度计和磁力计等，将某一动作通过加速度、角速度的数值变化表现出来。由于不同动作的数值变化不同，从而识别动作划分、行为识别，例如步数统计、久坐提醒等。生命体征传感器能够心电、肌电、脑电等多个生物电信号转换为数字信号，实现血压测量、血氧饱和度测量、心率测量、温度测量等功能。早期主要应用于医院医疗、病人康复领域，随着技术的成熟，小型化、智能化发展，开始广泛出现在人们的日常生活中，用于自主衡量健康状况。2）环境传感器通过布置在固定地点中，可检测人所处环境的各项信息如温度、湿度和气压等。通过布置在物体上，可以通过物体的运动状态推测人体的行为。华为2021年4月提出的全屋智能解决方案便涉及许多环境传感器。如人体光照传感器，通过红外线检测当人体夜晚经过时自动开灯。湿度温度传感器、声光传感器、烟雾传感器等采集数据可以用来判断居家生活中的人们行为。此外还有许多研究尚未投入使用，存在巨大的发展前景。如压力传感器：将压力传感器安装在座椅和睡觉床垫下，当压力变化时可以识别人们的静坐和睡眠等行为[11]。附着在物体上的加速度计：把加速度计和餐具绑定，当餐具运动时可检测吃饭和洗碗等行为[12]。射频识别器（RFID)：射频是一种无线通讯技术，在物体上添加RFID标签可以获取物体的实时位置信息[13]。1.2人体行为数据库研究现状人体行为的识别原理都是先采集能够表征行为类型特征的数据，对这些数据进行处理和分析。随着数据处理需求的增加，20世纪60年代数据库技术兴起。建立人体行为数据库，可以有效对数据进行分类、存储、检索等，减轻研究人员的数据处理工作量，提高识别的有效性。根据识别技术的不同，目前数据库存储的数据主要分为两种：摄像头识别的图像数据和传感器识别的时序数据。1.2.1基于摄像头的图像数据库目前主要的人体行为图像数据库有KTH、Weizmann、UCF、INRIAXMAS、MSRAction3D、CAD-60/CAD-120、CASIA、DMVaction3D。2004年瑞典皇家理工学院的CSchuldt等人建立KTH动作数据库，是机器视觉领域第一个真正意义上的动作公共数据库[14]。KTH数据库通过采集25个人在4种不同的场景中完成6种不同的人体行为获得。该数据库包含599段动作视频。其中4个场景为近距离场景、远距离场景、户外场景、室内场景。6种不同的人体行为都是日常生活动作：挥手、握拳、拍手、行走、快跑、慢跑。2005年Weizmann科学研究所的Gorelick等人提出Weizmann数据库[15]。Weizmann动作数据库通过采集9个人在同一场景下完成10种不同的人体行为获得。该数据库包含90段动作视频。10种不同的人体行为分别为：走、弯腰、跑、侧着行走、原地跳、举手跳、单脚跳、双脚跳、单手挥手和双手挥手。MSRAction3D[16]数据库采集了10个人完成20个不同的动作，包含567个深度图序列，是最早利用深度信息进行识别的数据库之一。康奈尔大学的Sung等人提出CAD-60数据库[17]，采集了4个人完成12个不同的行为时人体关节的空间坐标深度信息。中国科学院自动化研究所（（InstituteofAutomation，ChineseAcademyofSciences）提出CASIA数据库。它包括8个生物信息子数据库，分别为虹膜数据库、步态数据库、人脸数据库、指纹数据库、掌纹数据库、笔迹数据库和行为分析数据库[18]。上海理工大学的王永雄等人2018年提出基于RGB-D摄像头的人体行为数据库Dynamicandmultiviewaction3D[19]。将人体行为分为三大类：日常行为、物体交互行为和异常行为。数据库采集了20个人在正、侧、动态3个视角下完成31个的动作，包含620段视频约60万帧的彩色图像和深度图像。1.2.2基于传感器的时序数据库基于可穿戴设备的时序数据库采用三维重力加速度传感器收集人体动作的时序数据，依赖于模式识别算法、强分类器处理和分析时序数据。为了完整地获取人体动作参数，一般在与动作相关的人体的多个关键部位安装传感器。Ayachi等人用17个惯性测量单元（IMU）捕获全身信号，检测健康成年人的9个动作[20]。Altun等人分别在人的胸部、手臂和腿五个位置安装传感器单元（由一个三维重力加速度传感器，一个陀螺仪和一个三维轴向磁力计构成）来检测人体19个动作并进行识别[21]。肖子明等人采用单一的放置于腰部的三维重力加速度传感器捕获人体运动信号，采用支持向量机建立人体日常动作模型进行人体动作识别和分类[22]。ChernbumroongS等人在普通运动手表上集成加速度计、温度传感器和高度计三类传感器。从加速度计收集XYZ轴加速度，从温度传感器和高度计收集温度和高度[23]。美国福特汉姆大学采集了36个人走路、跑步、上楼、下楼、静坐和站立六种行为的三轴加速度传感器数据，建立了WISDM数据库[24]。瑞士苏黎世联邦理工学院RoggenD等人[25]构建了包含了厨房、餐桌、椅子、门、咖啡机的居家环境，在人体、物体和环境中布有72个10类的传感器用于收集数据，建立了OPPORTUNITYActivityRecognitionDataSet数据库。UniMiBSHAR[26]是MicucciD专为人体日常行为识别和跌倒检测而建立的数据库。通过智能手机采集了30位18岁至60岁之间的志愿者进行8类日常生活行为和7类跌倒时的加速度。参考文献[1]国家统计局.《第七次全国人口普查主要数据情况》.[EB/OL].[2]贺义平,田小彪.文化心理视角下我国老年人养老方式选择的影响因素分析[J].中小企业管理与科技(下旬刊),2021(01):122-123.[3]陆治名,汪媛,叶鹏鹏,耳玉亮,段蕾蕾.2015-2018年全国伤害监测系统中老年人跌倒/坠落病例分布特征[J].中华流行病学杂志,2021,42(01):137-141.[4]世界卫生组织.《关于老龄化与健康的全球报告》.[EB/OL].https:///ageing/publications/world-report-2015/en/,2015-10-01[5]张行健.人体行为的识别及发展[J].上海电力学院学报,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]李文阳,马行,穆春阳.基于KinectV2的跌倒行为检测与分析[J].现代电子技术,2019,42(06):150-153.[10]张霆,刘彩霞,何亮亮,等.基于柔性传感器的青少年健康实时监控系统设计[J].实验技术与管理,2017,034(002):77-79.[11]刘少华.基于柔性阵列压力传感器的坐姿监测与提醒系统的设计与实现[D].安徽大学,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,李梁华.动态多视角复杂3D人体行为数据库及行为识别.数据采集与处理,2019,34(1):68-79.[20]AyachiFS,NguyenHP,deBrugiereEG,etal.TheUseofEmpiricalModeDecomposition-BasedAlgorithmandInertialMeasurementUnitstoAuto-DetectDailyLivingActivitiesofHealthyAdults[J].IEEETransNeuralSystRehabilEng.2016;24(10):1060-70.[21]AltunK,BarshanB,TunçelO.Comparativestudyonclassifyinghumanactivitieswithminiatureinertialandmagneticsensors[J].PatternRecognition.2010;43(10):3605-20.[22]肖子明,马双宝,薛勇,吴雨川.基于三维重力加速器人体动作识别与分类[J].武汉大学学报(工学版),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,