本發(fā)明涉及家庭智能化領(lǐng)域,尤其涉及一種吃飯行為識別方法、裝置及家庭網(wǎng)關(guān)。
背景技術(shù):
隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展,家庭智能化越來越受到用戶的青睞,尤其是獨居老人更需要通過家庭智能化來監(jiān)控其日常生活行為。例如吃飯行為,現(xiàn)有技術(shù)中常采用被動紅外(pir,passiveinfrareddetectors)傳感器或攝像頭等裝置對用戶行為進行識別,并通過預(yù)設(shè)規(guī)則判斷,例如:pir傳感器檢測到用戶進入廚房則判斷其行為為做飯,或者圖像視頻識別技術(shù)直接識別出用戶做飯或吃飯等行為動作。
但是,由于不同用戶的生活習慣可能存在較大差異,相同的規(guī)則不能適應(yīng)所有用戶,這就導(dǎo)致pir傳感器識別存在較大誤差,識別結(jié)果不夠準確;而圖像視頻識別技術(shù)雖能夠直接識別用戶行為,但存在隱私暴露的問題,且只能識別固定區(qū)域內(nèi)的行為。
技術(shù)實現(xiàn)要素:
本發(fā)明提供了一種吃飯行為識別方法、裝置及家庭網(wǎng)關(guān),解決了現(xiàn)有技術(shù)中用戶吃飯行為識別方法中誤判率高和隱私安全性差的問題。
依據(jù)本發(fā)明的一個方面,提供了一種吃飯行為識別方法,包括:
獲取用于表示用戶行為的多維特征向量;
計算多維特征向量與不同的行為聚類中心的距離;其中,行為聚類是對多個歷史多維特征向量樣本聚類得到的;
當多維特征向量與吃飯行為聚類中心的距離最短時,確定用戶行為是吃飯行為并記錄。
其中,獲取用于表示用戶行為的多維特征向量的步驟包括:
獲取pir傳感器采集到的用于標識用戶行為的多維特征向量。
其中,多維特征向量包括:冰箱振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進入次數(shù)、入戶門開啟次數(shù)、廚房單次停留時間最大值和飯廳停留時間最大值中的至少兩個特征維度。
其中,在計算多維特征向量與不同的行為聚類中心的距離的步驟之前,還包括:
對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類。
其中,對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類的步驟包括:
獲取最近前n天的歷史多維特征向量樣本,其中,n為正整數(shù);
采用k-means聚類算法對歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類。
其中,采用k-means聚類算法對歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類的步驟包括:
采用k-means聚類算法對歷史多維特征向量樣本進行聚類計算,得到不同的樣本類目;
計算相同樣本類目下的多維特征向量樣本之間的歐式距離;
根據(jù)歐式距離的和與樣本類目數(shù)目之間的關(guān)系,確定樣本類目的最優(yōu)數(shù)目以及對應(yīng)樣本類目的行為聚類。
其中,在對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類的步驟之后,還包括:
對多維特征向量中一個特定的特征維度按照預(yù)設(shè)規(guī)則排序,得到一排序結(jié)果;
根據(jù)排序結(jié)果,確定行為聚類中的吃飯行為聚類。
依據(jù)本發(fā)明的再一個方面,還提供了一種吃飯行為識別裝置,包括:
獲取模塊,用于獲取用于表示用戶行為的多維特征向量;
第一計算模塊,用于計算多維特征向量與不同的行為聚類中心的距離;其中,行為聚類是對多個歷史多維特征向量樣本聚類得到的;
第一處理模塊,用于當多維特征向量與吃飯行為聚類中心的距離最短時,確定用戶行為是吃飯行為并記錄。
其中,獲取模塊包括:
第一獲取單元,用于獲取pir傳感器采集到的用于標識用戶行為的多維特征向量。
其中,多維特征向量包括:冰箱振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進入次數(shù)、入戶門開啟次數(shù)、廚房單次停留時間最大值和飯廳停留時間最大值中的至少兩個特征維度。
其中,該吃飯行為識別裝置還包括:
第二計算模塊,用于對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類。
其中,第二計算模塊包括:
第二獲取單元,用于獲取最近前n天的歷史多維特征向量樣本,其中,n為正整數(shù);
計算單元,用于采用k-means聚類算法對歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類。
其中,計算單元包括:
第一計算子單元,用于采用k-means聚類算法對歷史多維特征向量樣本進行聚類計算,得到不同的樣本類目;
第二計算子單元,用于計算相同樣本類目下的歷史多維特征向量樣本之間的歐式距離;
處理子單元,用于根據(jù)歐式距離的和與樣本類目數(shù)目之間的關(guān)系,確定樣本類目的最優(yōu)數(shù)目以及對應(yīng)樣本類目的行為聚類。
其中,該吃飯行為識別裝置還包括:
排序模塊,用于對多維特征向量中一個特定的特征維度按照預(yù)設(shè)規(guī)則排序,得到一排序結(jié)果;
第二處理模塊,用于根據(jù)排序結(jié)果,確定行為聚類中的吃飯行為聚類。
依據(jù)本發(fā)明的再一個方面,還提供了一種家庭網(wǎng)關(guān),包括如上所述的吃飯行為識別裝置。
本發(fā)明的實施例的有益效果是:
通過對用戶行為的歷史數(shù)據(jù)進行聚類,得到不同的用戶行為聚類作為用戶行為的參考數(shù)據(jù),以根據(jù)與各行為聚類中心的距離來自動識別新的一天中用戶的吃飯行為,充分考慮了用戶不同的生活習慣,保證了參考數(shù)據(jù)的可靠性,而且無需對用戶進行監(jiān)督避免了用戶隱私泄露的問題。
附圖說明
圖1表示本發(fā)明的吃飯行為識別方法的流程示意圖;
圖2表示本發(fā)明的吃飯行為識別裝置的結(jié)構(gòu)示意圖;
圖3表示家庭智能化系統(tǒng)的組網(wǎng)示意圖。
具體實施方式
下面將參照附圖更詳細地描述本發(fā)明的示例性實施例。雖然附圖中顯示了本發(fā)明的示例性實施例,然而應(yīng)當理解,可以以各種形式實現(xiàn)本發(fā)明而不應(yīng)被這里闡述的實施例所限制。相反,提供這些實施例是為了能夠更透徹地理解本發(fā)明,并且能夠?qū)⒈景l(fā)明的范圍完整的傳達給本領(lǐng)域的技術(shù)人員。
實施例一
如圖1所示,本發(fā)明的實施例提供了一種吃飯行為識別方法,具體包括:
步驟s101:獲取用于表示用戶行為的多維特征向量。
其中,該多維特征向量包括多個表征用戶行為的特征維度,其中,不同的特征維度表示不同的用戶行為特征。例如:第一特征維度表征用戶停留時間、第二特征維度表征用戶出入某一房間的次數(shù)。該多維特征向量具體可用多維向量表示亦可以采用列表形式表示,本實施例并不對該多維特征向量的表示形式以及包含幾個特征維度做具體限定。
步驟s102:計算多維特征向量與不同的行為聚類中心的距離。
這里,行為聚類是對多個歷史多維特征向量樣本聚類得到的。其中,這里所說的歷史多維特征向量樣本與獲取到的多維特征向量的特征維度相同,即歷史多維特征向量樣本可表征用戶的歷史行為,通過對多個歷史多維特征向量樣本進行聚類得到的行為聚類,可較為準確地總結(jié)用戶的行為規(guī)律,因此行為聚 類能夠在一定程度上表征用戶行為,因此可用于作為用戶行為識別的參考數(shù)據(jù)。
其中,通過對多個歷史多維特征向量樣本進行聚類可得到不同的行為聚類,例如:運動行為聚類、休息行為聚類、吃飯行為聚類、異常行為聚類等,具體地,歷史多維特征向量樣本中的特征維度不同,聚類得到的行為聚類的類型不同,本實施例僅以吃飯行為進行說明,因此本實施例中的歷史多維特征向量樣本中的特征維度均與吃飯行為相關(guān)。
步驟s103:當多維特征向量與吃飯行為聚類中心的距離最短時,確定用戶行為是吃飯行為并記錄。
其中,對與吃飯行為相關(guān)的歷史多維特征向量樣本進行聚類能夠得到吃飯行為聚類,以及非吃飯行為聚類。當獲取到的多維特征向量與吃飯行為聚類的中心的距離最短時,確定用戶行為是吃飯行為并記錄,當獲取到的多維特征向量與非吃飯行為聚類的中心的距離最短時,確定用戶行為不是吃飯行為并記錄,便于用戶后續(xù)查詢記錄,以了解某一天是否吃飯或未吃飯。
通過對用戶行為的歷史數(shù)據(jù)進行聚類,得到不同的用戶行為聚類作為用戶行為的參考數(shù)據(jù),以根據(jù)與各行為聚類中心的距離來自動識別新的一天中用戶的吃飯行為,充分考慮了用戶不同的生活習慣,保證了參考數(shù)據(jù)的可靠性。
實施例二
以上實施例一簡單介紹了本發(fā)明的吃飯行為識別方法,下面將基于實施例一對不同場景下的具體應(yīng)用做進一步說明。
以上步驟s101具體為:獲取pir傳感器采集到的用于標識用戶行為的多維特征向量。
其中,pir傳感器分布于家庭室內(nèi)的多個房間,如廚房、飯廳、臥室等,用于檢測室內(nèi)人員是否處于某一區(qū)域,pir傳感器通過低功耗自組織無線通信網(wǎng)絡(luò)協(xié)議(如zigbee協(xié)議)將傳感器采集到的信息上報。
為了進一步保證多維特征向量的準確性和全面性,除了獲取pir傳感器采集到的數(shù)據(jù),還可獲取加速度計和/或門磁傳感器采集到的多維特征向量。即在各個門上安裝大門門磁,以及在大件物品上安裝用于物品使用檢測的加速度計或振動傳感器,例如安裝在冰箱門上檢測冰箱的使用情況。
進一步地,上述多維特征向量中的各個特征維度均與吃飯行為相關(guān),具體 地,多維特征向量包括:冰箱振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進入次數(shù)、入戶門開啟次數(shù)、廚房單次停留時間最大值和飯廳停留時間最大值中的至少兩個特征維度。其中,值得指出的是多維特征向量中包含的特征維度的數(shù)目越多,對歷史多維特征向量樣本進行聚類計算得到的行為聚類越準確,識別準確率越高。
其中,在計算多維特征向量與不同的行為聚類中心的距離的步驟之前,還包括:對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類。
進一步地,對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類的步驟包括:
獲取最近前n天的歷史多維特征向量樣本,其中,n為正整數(shù)。
其中,用戶可根據(jù)自身習慣設(shè)定一固定時間段,如早飯時間7:00至9:00,午飯時間11:00至13:00,晚飯時間17:00至17:00,其中,上述固定時間段可根據(jù)自身習慣進行調(diào)整,以保證采集到的數(shù)據(jù)具有較高的參考準確性。其中,在一定范圍內(nèi),n的值越大,歷史多維特征向量樣本的參考價值越高。
歷史多維特征向量樣本包括與多維特征向量相同的特征維度,且獲取方式亦與獲取多維特征向量的方式相同,故在此不再贅述。
采用k-means聚類算法對多維特征向量樣本進行聚類計算,得到不同的行為聚類,具體包括:
采用k-means聚類算法對歷史多維特征向量樣本進行聚類計算,得到不同的樣本類目。
其中,采用的歷史多維特征向量樣本可在具體產(chǎn)品開發(fā)中設(shè)置,即設(shè)置一非監(jiān)督學習時間,具體地,可采用30至100天,當系統(tǒng)工作30天后,即可采用前30天采集到的多維特征向量作為歷史多維特征向量樣本,并對其進行k-means聚類分析,以衡量樣本的差異性,從而分出不同的樣本類目。而超過100天后,則采用最近的100天采集到的維特征向量作為歷史多維特征向量樣本,并對其進行k-means聚類分析,以衡量樣本的差異性,從而分出不同的樣本類目。
計算相同樣本類目下的多維特征向量樣本之間的歐式距離。其中,采用歐式距離可用于衡量同一樣本類目下的樣本差異性。
根據(jù)歐式距離的和與樣本類目數(shù)目之間的關(guān)系,確定樣本類目的最優(yōu)數(shù)目以及對應(yīng)樣本類目的行為聚類。
同類樣本類目下的多個樣本之間的距離之和將隨著樣本類目的數(shù)目下降從而產(chǎn)生一條“距離-樣本類目數(shù)目”函數(shù)曲線,通過衡量此下降過程的下降速度最快處,例如從2類到3類時下降最快,則取3類為最優(yōu)的樣本類木數(shù)目,分3類時的k-means聚類結(jié)果則為最終的樣本點聚類結(jié)果。
其中,在對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類的步驟之后,還包括:
對多維特征向量中一個特定的特征維度按照預(yù)設(shè)規(guī)則排序,得到一排序結(jié)果;根據(jù)排序結(jié)果,確定行為聚類中的吃飯行為聚類。
其中,當對多個歷史多維特征向量樣本進行聚類計算,得到不同的樣本類目,其中,一個樣本類目對應(yīng)于一個行為聚類,將得到的行為聚類按照多維特征向量中一個特定的特征維度以預(yù)設(shè)規(guī)則排序,得到一排序結(jié)果,例如:將各個行為聚類按照廚房停留總時間由多至少排序,預(yù)估10%的樣本點異常比例,排序靠前的認為是吃飯行為聚類,排序靠后的認為是非吃飯行為聚類。
通過對用戶行為的歷史數(shù)據(jù)進行聚類,得到不同的用戶行為聚類作為用戶行為的參考數(shù)據(jù),以根據(jù)與各行為聚類中心的距離來自動識別新的一天中用戶的吃飯行為,充分考慮了用戶不同的生活習慣,保證了參考數(shù)據(jù)的可靠性,而且無需采用攝像頭等圖像采集設(shè)備對用戶進行監(jiān)督避免了用戶隱私泄露的問題。
實施例三
以上實施例一和實施例二分別結(jié)合不同的應(yīng)用場景對吃飯行為的識別方法進行介紹,下面本實施例將結(jié)合附圖對其相應(yīng)的裝置做進一步介紹。
如圖2所示,該吃飯行為識別裝置,包括:
獲取模塊21,用于獲取用于表示用戶行為的多維特征向量;
第一計算模塊22,用于計算多維特征向量與不同的行為聚類中心的距離;其中,行為聚類是對多個歷史多維特征向量樣本聚類得到的;
第一處理模塊23,用于當多維特征向量與吃飯行為聚類中心的距離最短時,確定用戶行為是吃飯行為并記錄。
其中,獲取模塊包括:
第一獲取單元,用于獲取pir傳感器采集到的用于標識用戶行為的多維特征向量。
其中,多維特征向量包括:冰箱振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進入次數(shù)、入戶門開啟次數(shù)、廚房單次停留時間最大值和飯廳停留時間最大值中的至少兩個特征維度。
其中,該吃飯行為識別裝置還包括:
第二計算模塊,用于對多個歷史多維特征向量樣本進行聚類計算,得到不同的行為聚類。
其中,第二計算模塊包括:
第二獲取單元,用于獲取最近前n天的歷史多維特征向量樣本,其中,n為正整數(shù);
計算單元,用于采用k-means聚類算法對多維特征向量樣本進行聚類計算,得到不同的行為聚類。
其中,計算單元包括:
第一計算子單元,用于采用k-means聚類算法對多維特征向量樣本進行聚類計算,得到不同的樣本類目;
第二計算子單元,用于計算相同樣本類目下的多維特征向量樣本之間的歐式距離;
處理子單元,用于根據(jù)歐式距離的和與樣本類目數(shù)目之間的關(guān)系,確定樣本類目的最優(yōu)數(shù)目以及對應(yīng)樣本類目的行為聚類。
其中,該吃飯行為識別裝置還包括:
排序模塊,用于對多維特征向量中一個特定的特征維度按照預(yù)設(shè)規(guī)則排序,得到一排序結(jié)果;
第二處理模塊,用于根據(jù)排序結(jié)果,確定行為聚類中的吃飯行為聚類。
需要說明的是,該裝置是與上述吃飯行為識別方法對應(yīng)的裝置,上述方法實施例中所有實現(xiàn)方式均適用于該裝置的實施例中,也能達到相同的技術(shù)效果。
依據(jù)本發(fā)明的再一個方面,還提供了一種家庭網(wǎng)關(guān),包括如上所述的吃飯行為識別裝置。其中,如圖3所示,家庭網(wǎng)關(guān)與分布在室內(nèi)不同位置處的pir 傳感器(如廚房、飯廳等)、門磁和振動檢測等組成一智能家庭系統(tǒng),家庭網(wǎng)關(guān)接收pir傳感器傳送的用戶行為樣本信息,并計算其與參考數(shù)據(jù)的距離,以判定用戶行為,實現(xiàn)對用戶行為的監(jiān)督與識別;由于參考數(shù)據(jù)是依據(jù)用戶行為歷史行為樣本聚類分析得到的,因此具有較高的準確性。
以上所述的是本發(fā)明的優(yōu)選實施方式,應(yīng)當指出對于本技術(shù)領(lǐng)域的普通人員來說,在不脫離本發(fā)明所述的原理前提下還可以作出若干改進和潤飾,這些改進和潤飾也在本發(fā)明的保護范圍內(nèi)。