GBDT算法在無線非接觸式人體行為識別中的應用研究

孫宏宇，吳嘉伊，吳 宇

（吉林師范大學 計算機學院，吉林 四平 136000）

0 引言

隨著科學技術的發(fā)展，人體行為感知和分析技術已經(jīng)廣泛應用在生活的各個方面。由于現(xiàn)有的人體行為感知算法需要利用復雜的特征提取技術，使其在嵌入式設備上的運行較為困難。而決策樹算法、例如GBDT等就可以有效解決此問題，在不使用復雜特征提取的基礎上則能夠實現(xiàn)精準的人體行為感知。與其他傳統(tǒng)的感知技術手段相比，通過無線信號的非接觸式感知信號對人體行為的感知分析具備了很多優(yōu)勢和特點。首先，無線信號的非接觸式感知信號已經(jīng)遍布在日常生活中的每個角落，其對人體行為的感知就是通過對人體反射、散射以及衍射的無線信號的非接觸式感知信號特征檢測實現(xiàn)的，不需要攜帶任何傳感器，并且還具有非視距感知能力，可以較好地穿越障礙。同時，因為無線信號的非接觸式感知信號屬于電磁波，可以不受外界的溫度、濕度以及光照等因素的影響，能大大提高對人體行為的分析能力。近年來，無線信號的非接觸式感知技術也一直處于不斷的發(fā)展之中。2019年9月16日，Wi-Fi聯(lián)盟宣布啟動WI-FI 6認證計劃，并于2020年1月3日將使用6 GHz頻段的IEEE 802.11ax稱為Wi-Fi 6E；2022年1月，Wi-Fi聯(lián)盟宣布了Wi-Fi 6第2版標準，Wi-Fi 6目前支持頻段（2.4 GHz，5 GHz，6 GHz）的電源管理。無線信號的非接觸式感知技術的不斷增強即使得對人體動作行為可做到更為精確的檢測。

梯度提升樹（GBDT）算法是一種集成機器學習算法，是通過訓練多個弱分類器來生成準確的結果，GBDT算法在分類、回歸等多方面均表現(xiàn)出優(yōu)異性能，同時也作為多種算法競賽中最受歡迎的算法之一，究其原因就在于GBDT可以高效地解決高維和多分類問題。

本文利用梯度提升樹（GBDT）算法，并通過無線信號的非接觸式感知信號對人體行為的識別進行研究和分析。仿真實驗結果證明，該方法在無線感知人體動作行為方面具有可實施性。

1 GBDT算法原理

梯度提升（梯度增強）是一種用于回歸和分類問題的機器學習技術，由其產(chǎn)生的預測模型是弱預測模型的集成，例如采用典型的決策樹作為弱預測模型，這時則稱為梯度提升樹（GBDT）。如其他提升方法一樣，這是以分階段的方式構建模型，但卻通過允許對任意可微分損失函數(shù)進行優(yōu)化作為對一般提升方法的推廣。GBDT是一種準確有效的程序，可用于各種領域的回歸和分類問題，例如Web搜索、排名和生態(tài)領域等。

給定訓練集｛（，），，（x，y）｝，損失函數(shù)（，（）），基函數(shù)集｛（，）｝，算法的設計步驟可具體表述如下。

（1）初始化（）0，對此可表示為：

（2）對1，2，…，

①計算殘差。其數(shù)學表達式可寫為：

②以殘差r為預測值，訓練一個回歸樹T（，）。

③更新f（）。此處需用到的數(shù)學公式為：

（3）經(jīng)過次迭代后得到最終模型，采用函數(shù)的形式進行表示，即：

2 實驗與結果分析

2.1 數(shù)據(jù)集

研究人體動作行為的識別需要進行實證分析，本文在信號采集上使用了構建原型系統(tǒng)，如圖1所示。該原型系統(tǒng)共采集了1040個樣本數(shù)據(jù)，數(shù)據(jù)采集場景如圖2所示。這些樣本均來源于實驗室的志愿者，本文衡定后選取了7個和人體日常行為相關的動作作為指標，其中包括水平走（WH）、垂直走（WV）、跑（RV）、跳（JM）、向前摔倒（FF）、向左摔倒（FL）、向右摔倒（FR），并對這7個動作行為進行特征提取。

圖1 非接觸感知系統(tǒng)原型系統(tǒng)Fig.1 Prototype system of device-free sensing system

圖2 數(shù)據(jù)采集場景Fig.2 Data acquisition scenario

2.2 實驗及結果

動作分類準確率是評價算法對人體動作行為識別的重要評價指標。其中，本文所使用的梯度提升樹（GBDT）算法進行動作識別不主要做特征工程，該算法中共使用了4個參數(shù)，具體來說分別為_，_，_，_。 其中，每個參數(shù)的取值不同會對其預測結果產(chǎn)生不小的影響，本實驗針對4個參數(shù)的不同取值共做了16組隨機實驗取值，實驗結果如圖3所示。由圖3可知，當4個參數(shù)分別取值（_150，_10，_30，_0）時，其分類準確率最高，可以達到0.98789，此時可以對人體行為進行很好的識別，且基本沒有誤差，其識別準確度結果接近100%。

圖3 不同參數(shù)預測結果折線圖Fig．3 Line chart of prediction results of different parameters

本文還使用其他常用算法也進行了動作行為的識別和分析，其他行為的動作分類準確率均不如本文所使用的梯度提升樹（GBDT）算法，參見圖4。

從圖4可以看出，在面對相同一組動作行為數(shù)據(jù)時，該算法與其他算法相比，其準確度更高，擬合度更好。

圖4 本文算法與其他算法識別準確度對比Fig.4 The comparison of the recognition accuracy of this algorithm and other algorithms

實驗結果表明，與傳統(tǒng)其他算法相比，本文提出的使用梯度提升樹（GBDT）算法具有可實施性，其較低的誤差率表明該方法可以廣泛應用于睡眠檢測、跌倒檢測、日常行為檢測等方面，為人體行為的識別方面提供了更切實可行的方法。

3 結束語

針對通過無線信號的非接觸式感知信號對人體行為動作感知分類問題，本文設計了一種基于梯度決策樹（GBDT）算法對人體行為動作進行感知與分析的方法。實驗結果表明，在通過無線信號的非接觸式感知信號對人體行為的感知方面，該方法在動作分類方面的準確率高于其他算法，證明了所提出的方法對于人體行為動作的感知和分類問題具有顯著效果，并為后續(xù)的人體動作行為識別、預測研究做了有益的探索與嘗試。