面向mHealth的人體行為和語音情感感知研究.pdf

1、隨著移動(dòng)網(wǎng)絡(luò)的發(fā)展和智能移動(dòng)設(shè)備的普及，mHealth充分利用了移動(dòng)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(wù)。此類應(yīng)用和服務(wù)以智能移動(dòng)設(shè)備為基礎(chǔ)平臺(tái)，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(wù)機(jī)構(gòu)或者相關(guān)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(shí)、有效和有針對性的治療方案和醫(yī)療服務(wù)。但是相比于 eHealth，移動(dòng)環(huán)境具有信息量大、應(yīng)用環(huán)境復(fù)雜、上層應(yīng)用需求多樣和實(shí)時(shí)性要求較高的特點(diǎn)。因而在mHealth中需要對原有

2、的感知算法和模型進(jìn)行相應(yīng)地精簡和改進(jìn)，以適應(yīng)移動(dòng)應(yīng)用環(huán)境。
　　本文首先針對移動(dòng)環(huán)境下，設(shè)備所處環(huán)境復(fù)雜度高且用戶個(gè)體之間差異較大的特點(diǎn)，從用戶行為感知的角度，將Tri-training協(xié)同學(xué)習(xí)方法和HMM模型相結(jié)合，提出了基于HMM的協(xié)同學(xué)習(xí)行為識(shí)別算法。前者能夠通過自主學(xué)習(xí)現(xiàn)實(shí)中存在的大量未標(biāo)記樣本，來提高識(shí)別的準(zhǔn)確率。而HMM在對Tri-training的輸出序列進(jìn)行平滑和去噪的同時(shí)，還能夠輔助Tri-training進(jìn)行新

3、樣本的選擇。擁有自主學(xué)習(xí)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(yīng)部署后的復(fù)雜環(huán)境。
　　然后針對mHealth中上層應(yīng)用需求多樣和實(shí)時(shí)性要求較高的特點(diǎn)，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(shí)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(jìn)行構(gòu)建，每一層依照情感維度進(jìn)行區(qū)分。這樣使得上層應(yīng)用能夠根據(jù)需要，來確定分類所要到達(dá)的

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