面向mHealth的人體行為和語音情感感知研究.pdf

1、隨著移動網(wǎng)絡的發(fā)展和智能移動設備的普及，mHealth充分利用了移動互聯(lián)網(wǎng)通信技術(shù)，為用戶提供健康、保健和醫(yī)療等服務。此類應用和服務以智能移動設備為基礎平臺，利用人本感知技術(shù)來獲得用戶的上下文狀態(tài)。醫(yī)療服務機構(gòu)或者相關專業(yè)人員通過分析用戶的狀態(tài)信息，來為用戶提供及時、有效和有針對性的治療方案和醫(yī)療服務。但是相比于 eHealth，移動環(huán)境具有信息量大、應用環(huán)境復雜、上層應用需求多樣和實時性要求較高的特點。因而在mHealth中需要對原有

2、的感知算法和模型進行相應地精簡和改進，以適應移動應用環(huán)境。
　　本文首先針對移動環(huán)境下，設備所處環(huán)境復雜度高且用戶個體之間差異較大的特點，從用戶行為感知的角度，將Tri-training協(xié)同學習方法和HMM模型相結(jié)合，提出了基于HMM的協(xié)同學習行為識別算法。前者能夠通過自主學習現(xiàn)實中存在的大量未標記樣本，來提高識別的準確率。而HMM在對Tri-training的輸出序列進行平滑和去噪的同時，還能夠輔助Tri-training進行新

3、樣本的選擇。擁有自主學習能力的Tri-training算法和隱馬爾可夫模型的結(jié)合使得系統(tǒng)能夠更好地適應部署后的復雜環(huán)境。
　　然后針對mHealth中上層應用需求多樣和實時性要求較高的特點，從用戶語音情感感知的角度，提出了基于Adaboost C4.5和三維情感空間的語音情感識別算法。算法中使用三維情感空間模型，將不同的基本分類器以二叉樹的形式進行構(gòu)建，每一層依照情感維度進行區(qū)分。這樣使得上層應用能夠根據(jù)需要，來確定分類所要到達的

4、深度。同時，每個基本分類器都能夠根據(jù)自身的特點來選擇合適的特征量，以此來提高識別的準確性。各基本分類器使用的Adaboost C4.5集成學習算法在降低運算量的同時，也提高了分類精度。分層的模型和簡單高效的集成學習算法使系統(tǒng)的靈活性得到提高，也具備了一定的實時性。
　　最后本文使用SensingClient感知客戶端對用戶行為數(shù)據(jù)進行了采集，并在 Matlab中分別對兩種算法進行了實現(xiàn)。利用采集到的行為數(shù)據(jù)和Emo-DB情感語音庫