[發明專利]根據傳感器數據推導運動行為

在審

• 申請號: 201580081201.1
• 申請日: 2015-12-21
• 公開（公告）號: CN107810508A
• 公開（公告）日: 2018-03-16
• 發明（設計）人: 弗蘭克·韋爾比斯特;喬倫·范·澤韋倫;文森特·斯普魯伊特;文森特·約克凱
• 申請（專利權）人: 圣蒂安斯公眾有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙)11371
• 代理人: 王暉,李丙林

技術領域

本發明涉及機器學習，并且更具體地說，涉及使用神經網絡進行深度學習以基于原始傳感器數據分析用戶的運動行為。

背景技術

可以通過特征集諸如交通時段(session)的交通方式、駕駛時段的駕駛攻擊性、步行時段的步行步速或步數等來描述用戶的運動行為。

為了估計和總結該運動行為，傳統的測量這些特征的方法要求用戶穿戴專用傳感器或運動捕捉設備。現今的大多數人攜帶智能手機，并且大多數智能手機包含傳感器諸如加速度計、陀螺儀、磁力計、羅盤、氣壓計以及GPS，它們可以用作這些專用傳感器或運動捕捉設備的廉價的且可廣泛使用的替代品。

市場上已經存在利用智能手機傳感器的一些特定應用，例如交通方式檢測。例如，Android OS和Apple iOS均基于智能手機的傳感器讀數持續地執行交通方式檢測。這些應用基于所謂的由規則集組成的分類器。然后機器學習算法通過處理大量手動標記的數據(即手動地與運動行為相關的傳感器數據)來自動地生成這些規則。機器學習中的這種規則的自動生成也被稱為訓練。然后用于訓練的數據被稱為訓練數據。

為了訓練算法，需要對數據進行標記，即，必須將該規則集的期望結果添加至某輸入數據集。例如，用標記諸如“步行”、“騎行”、“汽車”等對傳感器讀數流進行注釋或標記，以便指示交通方式。機器學習算法使用該標記數據來學習如何自動地預測標記，并因而預測在先未見的數據樣本(例如，傳感器讀數流)的結果。

上述解決方案的問題是需要大量的這種標記數據，以便正確地訓練機器學習算法。當需要對多個運動和交通相關的分類進行預測時，所需的標記數據量進一步增加。此外，獲得這種手動標記數據是難的和/或昂貴的，并且甚至實際上不可能手動地標記足夠的數據來訓練機器學習算法以預測一般的運動行為。

另一問題是通常提供不同的系統來執行運動分析。例如，用于交通方式檢測和駕駛事件檢測的系統被視為不同的系統。結果，每個系統均需要大量的手動標記訓練數據，而一個系統的標記數據不能被另一個系統重復使用。

發明內容

本發明的目的是緩解上述缺點，并提供一種用于根據可從有限或減少的標記數據集訓練的原始傳感器數據來估計、預測或檢測運動行為的方法和系統。

根據第一方面，通過一種用于通過包括一個或多個較低的隱藏層和一個或多個較高的隱藏層的神經網絡估計移動通信設備的用戶的運動行為的計算機實現方法來實現該目的。該方法包括以下步驟：

-從移動通信設備中的一個或多個傳感器獲得傳感器數據。

-獲得與用戶的運動相關的測量值。

-用第一傳感器數據集將測量值標記為弱標記數據。

-預訓練一個或多個較低的隱藏層以根據第一傳感器數據集估計測量值，以便估計用戶的運動。

-獲得第二傳感器數據集；其中用第二集將用戶的運動行為標記為標記數據。

-用標記數據訓練神經網絡中的一個或多個較高的隱藏層，以估計用戶的運動行為，作為輸出。

通過預訓練，學習了如何融合來自不同傳感器的數據流、如何從輸入數據去除噪聲和偽跡以及如何計算以有意義的方式表示和抽象化原始傳感器數據的特征。對于預訓練，不需要手動標記的數據樣本，即不需要將傳感器數據直接與用戶的運動行為關聯的數據樣本。由于弱標記數據與標記數據高度相關，在預訓練期間，將構建用標記的傳感器數據訓練神經網絡所需的數據的內部表示。因此，可以因而用有限的標記數據集來準確地訓練神經網絡。標記數據需要將傳感器數據與神經網絡的輸出關聯，即直接與運動行為關聯。該標記數據可以是手動標記的數據，即由人用標記手動注釋的傳感器數據。這種手動標記的數據是昂貴的，并且因此神經網絡可以主要通過廉價的弱標記數據來訓練是一個優點。此外，通過使用多個隱藏層，神經網絡能夠自動學習輸入數據的分層的、稀疏的和分布式的表示。

訓練還可以包括對所述神經網絡中的一個或多個較低的隱藏層進行訓練。通過這種方式，較低的隱藏層的參數在訓練過程中被進一步微調，產生對運動行為的更準確的估計。

根據實施方案，所述方法還包括：

-在預訓練之前，將輸出層堆疊在一個或多個較低的隱藏層的頂部上，以計算用戶的運動。

-在預訓練之后，去除輸出層并將一個或多個較高的隱藏層堆疊在一個或多個較低的隱藏層上。

輸出層在預訓練之后提供估計的用戶運動。通過去除該輸出層，估計的用戶運動因而不會被饋送至較高的隱藏層，而只是預訓練的較低的隱藏層的輸出。這具有的優點在于向較高的隱藏層提供更加抽象的用戶運動的表示。