智能家居中的传感器选择外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

智能家居中的传感器选择

Sook-Ling Chua *，Lee Kien Foo *

多媒体大学Persiaran Multimedia，Cyberjaya 63100，马来西亚

摘要

在智能家居设计中有大量的工作集中于活动识别，目的是监测居民的活动并确定与规范的偏差。对于支持其居民的智能家居而言，识别系统需要通过安装在家中的传感器获得的观测数据进行准确学习。给定一系列预先设定的居民日常活动，问题在于哪些传感器是重要的去正确识别这些活动。本文通过基于信息增益的基本滤波器的方法来解决传感器选择问题。 我们在两个公开可用的智能家庭数据集上评估所提出的方法的有效性。

关键字：传感器选择; 活动识别; 信号增益; 智能家居

1. 简介

在一个智能家居系统中，传感器被不显眼的附着在家庭的物体上，例如烤面包机，微波炉，门等等。当居民们进行这些日常活动例如打开电视机，关闭微波炉和门等等时这些传感器就会被触发。通过传感器获得的监测活动数据已经进行了很多的工作，这些工作对于支持和监测居民特别是那些独居老人或认知障碍者非常有用。

然而，这里仍然存在着一个挑战：哪些传感器对于有效识别居住者的活动是有用的。 许多作品试图从尽可能多的传感器中学习，目的是让不同种类的传感器获得对居民活动的良好表现。 这种方法可能并不有效，因为对不相关的和/或冗余的传感器进行学习算法的培训不仅仅是分类性能，还需要更多的训练数据。 这激励我们研究这个我们认为很重要，但尚未得到广泛关注的问题。

为了看看这个问题的重要性，可以详情参考下面表格中的例子：

这个表格的前两列是被安装在微波炉和厨房灯光上的传感器，他们能控制取值开或者关，而表格中的最后一列代表着活动的类别，在这里是洗碗碟或者烹饪。从上面的例子中，我们可以推导出一些关系，例如，附在微波炉上的传感器与烹饪活动是非常相关的。从微波炉传感器获得的信息非常高，因为它比厨房灯光上的传感器更有效地对烹饪活动进行分类。这就意味着知道有人正在烹饪的机会是很大可能通过集中在连接到微波炉的传感器上而达到的。

为了去分辨哪个传感器是有用的，我们首先需要确定我们可以从每个传感器获得的信息量。我们对传感器选择问题的解决方案基于一个信息论的方法，该方法使用信息增益来度量传感器在区分活动时的有效性。我们评估我们提出的方法在两个公开可用的智能家庭数据集上的有效性。

1. 相关研究

在本节中，我们回顾解决传感器选择问题以进行活动识别的方法。事实上，传感器选择问题是与机器学习和统计中的特征选择问题密切相关，其目的是在学习之前在数据集中找到有用的特征。

在智能家居的环境中，基于包装和基于滤波器是传感器选择的常用方法。基于包装的方法使用学习算法根据其精度性能对传感器进行评分。然而，这种方法在计算上是昂贵的，因为它需要搜索所有传感器子集的空间并为每个子集进行分类。当需要评估的传感器数量很大时，这是不切实际的。

另一方面，基于滤波器器的方法基于一些启发式评估传感器的特性，而不涉及任何学习算法。在Cook和Holder 的工作中，他们使用互信息来测量传感器和活动之间的依赖关系，即通过计算传感器和活动的联合分布与独立分布之间的依赖关系。陈等人将信号增益用于传感器的选择中。他们的工作目的在提取有用的传感器，帮助预测用于支持智能家庭中特定日常活动的能源使用情况。然而，他们的工作主要集中在运动传感器上。信号增益也被引用在Rahman等人的工作中（根据头部活动数据识别饮食活动）。

也有一些作品是结合了基于滤波器和基于包装的方法来检测居民的身体活动从加速情况。Fish等人使用互信息来找出决策树每个节点的相关特征。具有最高互信息的特征被选择用于分割树节点。这种方法需要先验阈值来消除具有负熵值的特征。

Quesada等人的工作的目标是找到可以达到精度的传感器的最小子集，这与所使用的全套传感器一致。他们使用穷举搜索和一致性度量作为评估函数来发现传感器的最小子集。这种方法具有很高的计算成本。

1. 传感器的选择

这段将传感器的选择问题视为选择与活动识别十分相关的一系列传感器的任务。我们对于传感器的选择问题的解决方法是基于信息理论的方法，这种方法使用信号增益去度量传感器在进行分类活动时的有效性。

信息增益衡量熵的预期减少量。一组训练样本T的熵，用m个活动的目标类别定义为：

其中pi是属于活动类别i的T的比例。 因此，对应于训练样本集合T的传感器S的信息增益Gain（T，S）被定义为：

其中值（S）是传感器S的可能值并且Tv是传感器S具有值v的T的子集，即Tv = {tisin;T| S（t）= v}和| A | 是集合A的基数。公式2中的熵（T）是指表明需要一套训练样例T的熵。是使用传感器S分割T之后的熵的期望值。 从而，增益（T，S）是通过知道传感器S的值而预期的熵降低。

1. 评估方法

为了测试对于使用信息增益进行传感器选择的有效性，我们使用了两个不同的智能家庭数据采集。第一个是MIT PlaceLab 数据库。这个MIT PlaceLab设计了一套智能家居系统，其中一套77个状态在改变的传感器被安装在一个公寓内。传感器被连接到家庭内的家用物品上，例如微波炉，洗衣机，橱柜等等。住在公寓中的人员进行了为期16天的数据采集。 这些传感器保存了他的活动记录，而这些记录形成了一组数据注释。

由于我们只对识别日常生活活动感兴趣，例如梳理/穿衣，准备餐点，洗手/洗澡， 洗涤/放置碗碟和洗衣服，所以放置的77个传感器中共使用了24个传感器收集这些活动的信息。为了计算混淆矩阵并测量识别的准确性，我们对每次评估都使用了休假两天的交叉验证方法。从总共16天开始，我们用了14天的训练时间，剩下的2天用于测试，这导致了8次训练测试分裂。在每个集合i中，i = 1,2，... ，8，我们使用训练集来找到一组信息传感器，然后在这组信息传感器上训练一个分类器。

测试集是用于测试分类器的准确性。识别准确度是分类器正确识别的活动总数与用于测试的活动总数之比。我们总共重复了这个过程8次，并平均计算每次运行的精度。表1（a）则显示了每个训练测试分组中使用的活动实例和传感器观察值的数量。

第二个数据集是从van Kasteren那里获得的，利用超过24天收集数据集，其中使用了14个状态改变的传感器。该数据集由居住在家中的主体的活动进行注释。为了得到这个数据集，我们使用了20天进行培训，剩下的4天进行测试。我们总共重复了该过程6次，并通过平均每次运行的精度来计算最终的识别准确度。表1（b）列出了其中每个训练和测试集中使用的活动例子和传感器观察的数量。

表1.每个培训和测试集中的活动示例和传感器观察的数量：

1. MIT PlaceLab数据集

（b）van Kasteren数据集

1. 实验结果

我们对第4节中所讨论的两个不同的智能家庭数据集进行了三次独立的实验。首先，我们使用信息增益测量来度量传感器的选择问题。被选择的一组信息传感器然后用于训练分类器。在第二个实验中，我们将信息增益的方法与基线互信息的方法进行了比较。在第三阶段，我们去评估信息传感器与全套传感器进行活动识别的有效性。在所有进行的实验中，我们熟悉了三种不同的分类器，即贝叶斯分类器，决策树算法，k最近邻分类算法。测试三个分类器的主要原因是在于验证传感器选择的结果，而不是确定出哪个分类器给出最佳识别率。

• 1. 实验1：使用信息增益测量的传感器选择

在这个实验中，我们使用信息增益测量结果用来找到一组信息传感器。对于每个训练集，我们首先计算每个传感器的信息增益，然后选择具有非零信息增益的传感器子集。因此，对于具有零信息增益的传感器则分别从训练和测试集当中移除出去。对于MIT PlaceLab数据集中，24个传感器中的13个被移除出去，而对于van Kasteren数据集中，14个传感器中的4个被移除出去。移除这些传感器的主要原因是这些传感器被从家中强制性的移除了。通过这种方式，我们可以测试传感器子集识别特定活动的程度的居民。

一旦消除了信息增益为零的传感器，我们就在一组信息传感器上训练了三个分类传感器器。首先，我们观察了MIT PlaceLab数据集，然后在van Kasteren数据集上重复次同样的过程。结果显示在表2中。

表3显示了为这两个数据集上的每项活动确定的一组信息传感器的总

全文共10365字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[12627]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 手持式频率可重构天线无线设备外文翻译资料
• 连续碳纤维预浸丝的制造和3D打印外文翻译资料
• 广义的预测控制应用于油井的智能生产外文翻译资料
• 基于STM32的三相交流电机的电参数测量系统设计外文翻译资料
• 新型家庭防火报警器的设计与实现外文翻译资料
• 用于水产养殖场水质连续监测的无线传感器网络外文翻译资料
• 用本征热电偶测量局部温度表面外文翻译资料
• 基于线性霍尔传感器的直流数字高斯计外文翻译资料
• 一种支持非特定人声识别的自动语音识别系统外文翻译资料
• 基于水库水位重量动态监测影响的大坝渗流模型外文翻译资料