一种基于模式匹配与移动感知场景的在线适配方法

1.本发明涉及移动感知技术领域，更具体地，涉及一种基于模式匹配与移动感知场景的在线适配方法。


背景技术：

2.随着微电机系统的快速发展，移动终端等智能设备已然成为人们日常生活的一部分。随着技术进步，越来越多的传感器得以集成到一台移动设备上。通过移动设备感知并为用户提供服务也成为热门研究方向。人类行为识别是以人为中心的移动感知的最重要分支之一，其常见的应用涵盖了手势识别、日常行为推断等场景。然而，目前大多数识别系统在部署到真实场景时仍存在较大的困难。受到真实场景的多种未知条件变化的影响，系统识别精度显著降低。尤其是对于以用户为中心的场景，用户个体存在的差异以及包括使用习惯、兴趣漂移等动态的不确定性都将给识别系统的实际表现带来巨大的挑战。
3.现有的识别技术主要从感知模型的训练入手，通过降低训练开销来尽可能减少对用户体验的影响，然而忽视了实际使用过程中的条件变化，导致识别效果欠佳。


技术实现要素：

4.本发明的目的是克服上述现有技术的缺陷，提供一种基于模式匹配与移动感知场景的在线适配方法。该方法包括以下步骤：
5.通过比较目标样本与模版库中模版的相似度进行分类识别，获得分类结果；
6.针对所得到的分类结果，实时监听来自于应用或用户的反馈；
7.结合反馈结果，依据主动学习理论判断当前目标样本的代表性，该代表性反映目标样本对于分类识别的重要程度；
8.基于对应的代表性，以设定的策略更新模版库，以实现在线适配。
9.与现有技术相比，本发明的优点在于，提供基于模式匹配的分类识别算法与主动学习理论，通过替换样本的策略进行模版库的修改，从而保证了计算和存储效率。对于应用本发明的移动感知场景，无需云端参与，能够在复杂反馈条件下实时快速适应用户和环境条件的变化。并且本发明在保证存储和计算效率的情况下，为移动设备设计能够在线持续适配的方法，以满足适配动态条件的需求。
10.通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
11.被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
12.图1是根据本发明一个实施例的基于模式匹配与移动感知场景的在线适配方法的流程图；
13.图2是根据本发明一个实施例的基于运动传感器识别振动敲击信号的交互应用场景下的示意图；
14.图3是根据本发明一个实施例的更新核心模版库的示意图；
15.图4是根据本发明一个实施例的运动监控场景下的实验结果图；
16.图5是根据本发明一个实施例的手势识别场景下的实验结果图。
具体实施方式
17.现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
18.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
19.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
20.在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
21.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
22.本发明提供一种基于模式匹配与移动感知场景的适用于移动智能设备持续在线适配环境以及用户条件的分类识别方法(或称为算法)，理论上能够适用于所有基于相似度实现分类，且能够获得使用用户反馈的移动感知场景。
23.参见图1所示，所提供的方法包括以下步骤。
24.s1，对于接收的测试样本，结合模版库的模版，根据相似度进行分类。
25.在此步骤中，初始化模版库，通过比较测试样本与模版库中模版的相似度来进行分类识别。
26.s2，接收反馈
27.在算法工作过程中，实时地监听反馈，确定标签类别。例如，实时监听反馈的方式包括以下情况：
28.s21，用户/应用无反馈，将分类结果作为测试样本的标签；
29.s22，用户/应用有反馈，将用户/应用的反馈作为测试样本的标签。
30.s3，根据反馈，生成候选模版库版本集合，依据主动学习理论，计算样本代表性。
31.具体地，步骤s3中结合即时反馈，依据主动学习理论判断当前测试样本(单个)的代表性包括：
32.s31，根据测试样本x
*
的反馈标签y
*
，生成候选的模版库版本集合h。
33.s32，依据主动学习理论，根据给定的符合有界条件且基于相似度的损失函数l(h(x),y)，依次计算模版库版本集合h中的候选模版库h的重要性加权损失值：
34.l(h；s)＝∑
(x,y,w)∈sw·
l(h(x),y)
ꢀꢀꢀ
(1)
35.其中，s是原模版库的样本集合，该样本集合与原模版库中用于步骤s1分类的样本集合的实体保持一致，以保证计算和存储效率。l(h(x),y)是基于相似度的损失函数。而权
重w可以通过原有的模版对应的关键信息(例如，代表性、更新时间等)相关的权重函数进行计算。权重反映了样本在当前时刻对于模型的重要性。
36.s33，根据最小的模版库的加权损失值，更新模版库版本集合h，提前去除不符合条件的模版库。
37.s34，基于主动学习理论，根据公式：p＝max
f,g∈h；y∈y l(f(x
*
),y)-l(g(x
*
),y)，计算得到测试样本x
*
代表性的倒数(p值越小，样本代表性越大)。
38.在一个实施例中，步骤s31中根据测试样本反馈标签y
*
生成的模版库版本集合h具有以下特征：
39.s311，模版库版本集合h中每一个模版库元素h所包含的模版(样本)个数相同。
40.s312，每一个模版库版本集合模版库元素h与原模版库的差异在于，一个标签为y
*
的样本被替换为测试样本，因而模版库版本集合的大小|h|等于模版库中标签为y
*
的样本的个数。
41.在步骤s32中，损失函数结合了基于正定核函数定义的相似度度量方法，具备有数学保证的有界条件。一种实用损失函数定义表示为：
42.l(h(x),y)＝max(0,e(d
[h(s)＝y]
(x))-min d
[h(s)≠y]
(x))
ꢀꢀꢀ
(2)
[0043]
其中，e(
·
)表示去除最近距离样本外的平均值运算。
[0044][0045]
公式(3)是输入样本x与满足下标条件的样本(多个)之间的余弦距离(定义如右侧等式)组成的向量。余弦距离定义为：
[0046][0047]
公式(4)是正则化核函数(从数学定义上保证了距离的有界性)，其中，u和v为任意两个样本，κ可以是任意与应用场景相关的选取的正定核函数，用于衡量样本之间的相似度。由于基于相似度比较的分类模型在识别过程中本身涉及了损失函数中关键距离信息的计算，这保证了该类型的损失函数的计算效率。正定核函数的选择包括但不限于线性核函数、径向基核函数等。不同核函数具备不同的特性(主要影响了界的计算)，可以根据实际的平台或算法需求(如样本特征，计算效率和存储等)进行适当调整。
[0048]
在一个实施例中，步骤s32中的权重函数满足任意与场景相关的策略，包括模版时间等。例如，一种实用的重权函数定义为：
[0049][0050]
公式(5)的权重函数需要额外记录样本的时间。为便于理解，增加上标作为模版样本录入时间t，同时用p
t
表示模版录入时刻通过步骤s34计算得到的代表性。在公式(5)的函数定义中，t是当前时刻，而是使用过程中某种特定反馈事件触发的时刻，例如，反馈标签与模版库匹配输出类别不同的时刻。通过权重函数，算法具备记忆(单调递减的指数函数)与遗忘(由控制)能力，从而避免了错误(指用户或应用程序造成的具有错误反馈标签的样本)或过期(指用户对当前类别的定义发生了改变的情况)模版对更新的影响。
[0051]
在一个实施例中，步骤s33根据加权损失值对模版库版本集合h的更新依据主动学
习理论的标准样本复杂度，有概率提前剔除不符合条件的模版库。
[0052]
s4，根据主动学习理论计算候选模版库的损失值，选择最小损失值的候选模版库。
[0053]
在此步骤中，进一步结合原有的模版以及对应的关键信息(例如，代表性、更新时间等)，根据特定的策略更新模版库，以实现实时适配的需求。
[0054]
在一个实施例中，步骤s4中结合原有模版来更新模版库包括：
[0055]
s41，用测试样本x
*
，反馈标签y
*
，以及代表性p初始化元素s＝(x
*
,y
*
,w
*
＝1/p)，更新样本集合s＝s∪{s}。
[0056]
s42，用步骤s41更新后的样本集合s，重新计算模版库版本集合h(于步骤s33更新)中每一个候选模版库h的损失值(公式同步骤s32)，选择损失值最小的模版库进行更新
[0057]ht
＝arg min
h∈h l(h；s)
ꢀꢀꢀ
(6)
[0058]
s43，更新后，为了维持存储和运算的稳定，进一步更新样本集合s＝s/{x
t
}，其中，x
t
是不包含在h
t
中的、被测试样本x
*
所替换的模版实例。至此，完成了一轮模版库的更新。
[0059]
应理解的是，尽管上述以测试样本为例说明了本发明的思想，但在实际应用中，对于接收的目标样本执行上述过程即可实现在线适配。此外，基于本发明实现的方法或系统可应用多种场景的分类识别，例如行为识别、手势识别等。
[0060]
图2是一种交互应用场景，实现了系统初始化识别模型与交互应用的工程设计，包括：系统检测并对敲击信号进行切段与预处理；初始化模版库；与模版计算相似度输出分类结果；接收即时来自输入法应用或用户的反馈；根据场景相关的损失函数和权重函数完成模版库的更新。其中，通过图1对应的算法步骤令模型具备在线实时适配的能力。算法的实际应用，主要涉及对相似度计算方法的选择。对于此场景，可以在损失函数和相似度的计算中选择线性核函数(即样本之间的内积)。经计算，对应损失函数的上界为2，这意味着在该实施例中，进行损失函数值计算时需要将损失函数值按照取值范围[0,2]进行归一化以保证最终的损失函数值在范围[0,1]内。
[0061]
图3是更新模版库的示意图。基于本发明的系统工作过程中，所涉及的用于分类识别的模版库h与参与测试样本代表性和模版库损失值计算的模版样本集合s共享相同的样本和标签存储空间，每一轮更新，模版库中模版样本数量将维持一致(如图3，为β)。通过这种方式，保证了基于本发明实现的系统的计算和存储效率。
[0062]
为进一步验证本发明的效果，进行了实验验证，实验结果参见图4和图5所示，其中图4是运动监控场景，所模拟的应用将长度为纵坐标的滑动窗口中分类结果的众数作为实时的反馈。图5是手势识别场景(taprint)，涉及了包括错误率、用户反馈频率以及使用内容的测试。
[0063]
在实验验证中，对比传统的域适配(标记为[da]，指初始化样本后不进行在线适配的方案)算法(最近邻5nn和基于元学习训练方法的基线metasense)，在包括基于运动传感器的运动监控(如图4所示的pamap2，hhar，whar)和手势识别(如图5中的taprint)的两个场景下，本发明所提出的持续更新方法的两种实现(包括了随机更新的算法rnd与本发明涉及的算法coda)能够取得性能上(宏观f1分数)的显著提升，表明了持续适配的可行性；其中，本发明的算法(coda)能够在对实际应用模拟的多组实验中取得更稳定的性能得分(宏观f1分数)，进一步表明该算法对移动感知场景的适应性。其中，运动监控场景的应用实验主要模拟了一种基于窗口的推断策略；手势识别实际应用的实验则包括了反馈错误率
fallibility、反馈频率fatigue和使用内容context的差异。
[0064]
综上所述，本发明提供一种基于模式匹配与移动感知场景的适用于移动设备或可穿戴设备持续在线适配环境以及用户条件的分类识别算法，采用了具有存储和计算效率的设计，有利于移动设备在线持续适配，能够满足适配动态条件的需求。本发明将主动学习应用于指导基于相似度的分类识别模型的更新，通过定义基于相似度的损失函数，能够得到对于模型而言当前测试样本的代表性/重要性。并且，损失函数结合重权函数的设计，进一步保证了更新的有效性。
[0065]
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
[0066]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0067]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0068]
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++、python等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
[0069]
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/
或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0070]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0071]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0072]
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
[0073]
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。