周 翔，趙 婷，張靜思，王紀隆，張心悅

（同濟大學 機械與能源工程學院，上海 201804）

智能家居系統(tǒng)利用計算機技術和通訊技術將家居中的各類子系統(tǒng)有機結合［1］，提供舒適、高效、節(jié)能的生活，近年來得到了普遍應用。室內人行為識別，是照明、空調、采暖等設備自動控制的重要依據(jù)，對智能家居系統(tǒng)的運行尤為重要。對室內人員定位和動作識別的準確程度，決定了智能家居系統(tǒng)能否正確理解人的行為意圖，進而判斷各種人員活動場景應該對應的各設備工況組合，以最終完成合理調控和服務決策。

室內人員定位與行為識別的數(shù)據(jù)采集方法有多種。可以利用攝像頭結合圖像識別技術對人員進行檢測、跟蹤及行為識別［2］，但易暴露人員隱私；佩戴式無線網絡終端配合主機接收器可用于室內人員的精確定位［3］，將慣性傳感器放置在人體四肢或軀干上，可對人員活動進行監(jiān)測和分類［4］，但這類方法會影響居民正常生活，還可能引起被觀察對象的“霍桑效應”［5-6］。被動紅外（PIR）傳感器是一種典型的非接觸式傳感器，價格低廉、性能穩(wěn)定。該儀器能感知監(jiān)測范圍內紅外輻射的變化，有人員移動時，儀器輸出電壓高；無人員或人員靜止時，儀器輸出電壓低。

PIR傳感器通常用于判斷監(jiān)測區(qū)域內是否存在活動人員，以有人/無人狀態(tài)作為防盜報警裝置［7］與智能照明［8］等系統(tǒng)的觸發(fā)信號。AI-NAIMI等［9］結合單個PIR傳感器與地板壓力裝置，實現(xiàn)人員識別與活動軌跡跟蹤，該系統(tǒng)中PIR傳感器單元僅用于增強識別能力；楊丹等［10］則引入PIR傳感器陣列，粗略定位人員后，利用慣性傳感器測得的加速度信號估計人員移動速度和方向，再以粒子濾波方法融合上述信息，進一步提高定位精度，最終實現(xiàn)人員移動方向估計及基本日?；顒幼R別。以往研究多使用PIR傳感器判斷室內是否有人員活動，或粗略確定人員位置并配合其他傳感器實現(xiàn)跟蹤和識別功能，獨立使用PIR傳感器實現(xiàn)人員定位與行為識別的研究較少。

對于不同的人行為，PIR傳感器陣列所測數(shù)據(jù)的特征規(guī)律存在差異，在處理諸如此類的數(shù)據(jù)量大、變量多且無已知公式的復雜問題時，機器學習方法是一種很好的選擇。陳龍［11］建立了人體目標穿過PIR傳感器陣列的目標模型，設計出基于紅外時域信號特征的前饋（BP）神經網絡人體目標識別方法，識別率最高可達92.4%。萬柏坤等［12］測量了不同對象、不同速度的人員行走時對應的紅外時域電壓信號，采用主成分分析（PCA）結合支持向量機（SVM）分類算法進行人員動作識別，準確率在75.31%～85.38%之間。上述研究基于PIR傳感器直接采集的模擬量信號，數(shù)據(jù)在時域上連續(xù)，具有模擬信號的一般特性，即其中的真實信號易受噪聲干擾且混合之后二者難以分開。相較而言，部分型號的PIR傳感器輸出離散的二進制碼，屬于數(shù)字信號，抗干擾能力更強。Yang等［13］和Kim等［14］在基于貝葉斯分類算法構建室內人員位置感知系統(tǒng)時，采用數(shù)字信號0-1作為PIR傳感器的輸出值以構建數(shù)據(jù)集，前者在測試中準確率在87.4%～92.6%之間，后者在不同的步速下，測試所得準確率約在81.0%～91.0%之間。絕大多數(shù)結合PIR傳感器數(shù)據(jù)和機器學習方法進行的室內人行為研究，均以人員位置或動作為主要識別對象，忽略了實際場景中二者的關聯(lián)性，不能實現(xiàn)PIR傳感器同時定位室內人員和識別行為類型。

本研究以住宅客廳作為應用場景，選用數(shù)字信號輸出型PIR傳感器陣列，測試并分析人行為的數(shù)據(jù)特征，借助機器學習算法實現(xiàn)住宅空間人員定位和動作類型識別的功能。

1 人行為數(shù)據(jù)采集

1.1 數(shù)據(jù)采集與測試方案

本研究以某4.8 m（長）×3.0 m（寬）×2.7 m（高）的客廳作為實驗場所，記錄住戶自2020年1月至5月中71 d的日常活動，有效數(shù)據(jù)時長共計3 429 min，前期采集到的2 285 min作為訓練數(shù)據(jù)集，用于模型構建及十折交叉驗證，后期的1 144 min作為測試數(shù)據(jù)集，用于模型的再次驗證。將該客廳靠近墻壁、無大型家具的地板區(qū)域記為A區(qū)、沙發(fā)區(qū)域記為B區(qū)，并將A、B區(qū)分別劃分3個等距區(qū)間，共6個測試區(qū)域，如圖1所示。

圖1 測試區(qū)域劃分（監(jiān)控攝像儀視角）Fig.1 Test region partition(view of surveillance camera)

1.2 數(shù)據(jù)采集設備

選用15臺RS-HW-N01型被動紅外傳感器采集人行為PIR數(shù)據(jù)集。該儀器每秒記錄一次數(shù)字信號0/1，自感應到人體活動的瞬時起連續(xù)5 s記錄高電平“1”。其計數(shù)裝置可同時實現(xiàn)對每60秒的儀器記錄信號進行累加，并輸出當前1 min的計數(shù)累加值（分鐘計數(shù)值），如式（1）所示。圖2為某分鐘內PIR傳感器記錄的數(shù)字信號，期間傳感器共檢測到4次人員移動，輸出的分鐘計數(shù)值為20。

圖2 PIR傳感器計數(shù)示例Fig.2 Example of count of PIR sensor

式中：x i為PIR傳感器在第i秒記錄的數(shù)字信號；X為PIR傳感器的分鐘計數(shù)值。

采用1臺監(jiān)控攝像儀（對角視場角為180°，紅外照射距離為7.5 m），記錄人員的實際位置與動作。依據(jù)測試區(qū)域的對稱性，在客廳墻壁的左半?yún)^(qū)域布置由15臺PIR傳感器組成的陣列，如圖3所示，從左到右依次為第Ⅰ列（No.1～No.5）、第Ⅱ列（No.6～No.10）、第Ⅲ列（No.11～No.15），每列相隔0.8 m；在高度上，PIR自下而上分別距地0.3、0.6、1.2、1.8、2.4 m。監(jiān)控攝像儀的監(jiān)控范圍能覆蓋全體測試區(qū)域，用于獲取準確的人員位置和動作信息。

圖3 PIR傳感器布置陣列（單位：mm）Fig.3 PIR sensor array(unit:mm)

2 人員不同位置及動作的PIR數(shù)據(jù)特征

2.1 人員不同位置下的PIR數(shù)據(jù)特征

以每30分鐘人員在某個區(qū)域做特定動作的PIR傳感器分鐘計數(shù)值波形圖為例，列舉6種典型活動，共計180 min。為便于觀察，選取6臺儀器（No.1、No.3、No.6、No.8、No.11、No.13）的測試結果，如圖4所示。對比圖4中A區(qū)1、A區(qū)2和A區(qū)3的“走動”動作，PIR傳感器波形圖隨人員位置變化呈現(xiàn)出不一樣的特征，對單臺PIR傳感器表現(xiàn)為“距離越近，計數(shù)越多”。此外，距地2.4 m的No.1、No.6、No.11傳感器分鐘計數(shù)值，比距地1.2 m的No.3、No.8、No.13傳感器的少，說明高于人體高度的傳感器對動作的敏感程度不及人員高度處的儀器。

圖4 典型活動PIR傳感器分鐘計數(shù)值波形圖Fig.4 Oscillogram of PIR sensors’cumulative count value of each minute of typical activities

對于不同列的PIR傳感器而言，“走動”動作發(fā)生于A區(qū)1時，由于距PIR傳感器陣列較遠，引起陣列總體的響應較微弱，又以距離動作發(fā)生位置最遠的第Ⅰ列為最弱，第Ⅱ列次之，第Ⅲ列稍強，當“走動”動作發(fā)生區(qū)域為A區(qū)2、A區(qū)3時，計數(shù)特征同樣表現(xiàn)為與“走動”動作發(fā)生的區(qū)域相對距離最近、角度最小的PIR儀器列響應最強，隨相對距離和相對角度的增大，PIR儀器列響應變弱，計數(shù)均值和峰值有所下降。

圖5為在A區(qū)1、A區(qū)2、A區(qū)3發(fā)生“走動”動作時No.3儀器的計數(shù)值箱型圖，3種位置下，分鐘計數(shù)值均值分別為0.47、27.20、47.53，經K-W檢驗，數(shù)據(jù)樣本服從的概率分布具有統(tǒng)計學差異，PIR傳感器能明顯反映出人員位置差異。

圖5 人在不同區(qū)域走動時No.3儀器計數(shù)特征箱型圖Fig.5 Box chart of counting characteristics of PIR No.3 when occupant walking in different regions

2.2 人員不同動作強度下的PIR數(shù)據(jù)特征

對比圖4中發(fā)生于A區(qū)2的3類動作——“吃飯”“種盆栽”和“走動”，人員位置相同時，不同的動作所引起的PIR傳感器波形圖也有明顯的差異，隨動作強度提高，儀器分鐘計數(shù)值上升，計數(shù)波形圖中峰值、均值增大。此外，對均發(fā)生于A區(qū)2的3類動作，大多數(shù)情況下位于2.4 m的儀器No.1、No.6、No.11的計數(shù)值小于位于1.2 m的No.3、No.8、No.13，證明在不同動作強度下，仍具有2.1中所述“高于人體高度的傳感器對動作的敏感程度不及人員高度處的儀器”這一特征。

圖6為No.3儀器在A區(qū)2的“吃飯”“種盆栽”“走動”動作下的計數(shù)值箱型圖，3種動作下，分鐘計數(shù)值均值分別為2.67、13.67、27.20，經K-W檢驗，數(shù)據(jù)樣本服從的概率分布具有統(tǒng)計學差異。

圖6 人在A區(qū)2不同動作下No.3儀器計數(shù)特征箱型圖Fig.6 Box chart of counting characteristics of PIR No.3 of different activities in Region A2

2.3 基于人員位置和動作強度的活動劃分

完成各類動作所需人體四肢的參與程度、動作幅度不同，按照動作特性和波形圖特征，本研究將動作強度劃分為由強及弱的4類——A區(qū)包含以“走動”動作為代表的強動作，以“種盆栽”為代表的中動作，以“吃飯”為代表的次弱動作；B區(qū)以“玩手機”為代表的動作，較A區(qū)的“吃飯”動作具有肢體參與程度低、幅度小的特點，引起PIR傳感器響應微弱，輸出信號多為低電平，相應形成的波形圖中數(shù)據(jù)以“0”為主，峰值、均值更低，將其歸為弱動作。

如表1所示，本研究結合人員位置和動作強度，將人員在客廳的日常行為歸納為12種活動：以“A/B 1/2/3-1/2/3/4”的形式對每種活動編號，其中字母和第一個數(shù)字表征活動中的人員位置，第二個數(shù)字表征活動中的動作強度，由強及弱分別為1、2、3、4，例如編號“A1-1”表示“發(fā)生在A區(qū)1的強活動”。

表1 活動類別及編號Tab.1 Activity types and codes

3 基于機器學習的人員位置及動作識別模型建立

3.1 建模方法

本研究建立人員位置及動作識別模型的流程如圖7所示。以時長2 285 min的訓練數(shù)據(jù)集經十折交叉驗證（測試1）構建人員位置及動作識別模型，時長1 144 min的測試數(shù)據(jù)集中同樣包含2.3中所述12種活動，用于對基于訓練集建立的模型進行驗證（測試2）。

圖7 基于PIR數(shù)據(jù)機器學習的人行為識別模型構建流程Fig.7 Construction process of machine learning and PIR-based occupant behavior recognition model

使 用WEKA 3.8.4（Waikato environment for knowledge analysis）構建人員位置及動作識別模型，該平臺集合了大量機器學習算法，可實現(xiàn)數(shù)據(jù)預處理、分類、回歸、聚類、關聯(lián)規(guī)則以及在交互式界面上的可視化。

模型構建方法經比選后以隨機森林（random forest）算法為主，對幾種常用的算法，如樸素貝葉斯（na?ve Bayes）、邏輯回歸（logistic）、支持向量機（SVM）、k近鄰（KNN）、決策樹等，WEKA3.8.4進行了優(yōu)化及重命名，本研究對應采用樸素貝葉斯、邏輯回歸、序列最小優(yōu)化SMO、IBk、J48分類器，利用同一訓練集構建模型，并綜合使用準確率、F測度、Kappa系數(shù)、AUC值衡量模型性能［15-16］，其中Kappa系數(shù)取值范圍為－1～1，其余為0～1，上述評價指標越接近1，模型性能越好。

3.2 輸入特征優(yōu)化及模型建立

用于機器學習的數(shù)據(jù)集包含人員活動編號和PIR分鐘計數(shù)值，針對訓練數(shù)據(jù)集，采用3.1中所述的多種機器學習算法構建分類器模型，識別準確率結果如表2所示，各類算法下模型整體準確率均較差，彼此之間差別不大，但不同強度動作的識別準確率均存在顯著差異。各算法均呈現(xiàn)出強動作識別準確度較高，識別率隨動作強度減弱而降低，弱動作識別準確率較差的問題。

表2 不同機器學習算法對各強度動作的識別準確率Tab.2 Recognition accuracy of various action intensities of several machine learning algorithms

對于人員位置的識別，模型也存在失誤，如表3所示，僅存在弱動作的B區(qū)識別準確率最低。B區(qū)（尤其是B區(qū)1）與傳感器陣列之間較遠的距離，以及弱動作的強度，二者共同導致了PIR傳感器的微弱響應。于是，在PIR傳感器數(shù)據(jù)特征中，長時間輸出低電平信號，即連續(xù)為“0”，成為B區(qū)弱動作的重要標識。但機器學習分類算法只離散處理PIR傳感器分鐘計數(shù)值，不考慮時間序列前后的信息關聯(lián)，對其辨別尤為不利，甚至出現(xiàn)以下問題：①對非“0”值產生誤判，認為其屬于A區(qū)的中度動作；②分區(qū)界定模糊，由于B區(qū)1最遠，記錄的“0”值最多，因此當計數(shù)同樣為“0”時，分類器更傾向于將該時刻的人員活動歸類為“B1-4”，而非實際的“B2-4”或“B3-4”。

表3 不同機器學習算法對人員位置的識別準確率Tab.3 Recognition accuracy of various regions of several machine learning algorithms

考慮動作在時序上的關聯(lián)，引入之前一段時間內的PIR計數(shù)對當前時刻產生的反饋，將每一時刻前數(shù)分鐘的PIR計數(shù)進行累加，在模型的輸入?yún)?shù)中對每一臺傳感器均新增一列特征值。圖8為No.3儀器“B2-4”（B區(qū)2，弱動作）的計數(shù)值按某時刻向前1、10和30 min累加作為新增特征值的計數(shù)波形圖，圖形顯示，累加時長不同，人員動作對數(shù)據(jù)集產生影響的時效相應具有差別，以前30 min計數(shù)累加值波形圖為例，某時刻數(shù)值與之前的30組數(shù)據(jù)相關，可以和長時間無人狀態(tài)相區(qū)分，同時由于該量值顯著小于中、強動作的新增特征值，理論上對于動作的分類也幾乎不會產生混淆，因而通過引入計數(shù)累加值的變量有可能可以增加算法的識別準確率。

圖8 活動“B2-4”下PIR No.3新增特征值波形圖Fig.8 Oscillogram of the additional feature of PIR NO.3 of Activity B2-4

在多種機器學習算法下，選取向前1 min至60 min內的8個累加時間分別進行建模，以探究最優(yōu)累加時長和機器學習算法的組合，各模型性能指標如圖9所示，由于包含了前序時刻的PIR計數(shù)信息，作為新增特征的累加值對模型準確率體現(xiàn)出明顯的提升作用，累加時間從1 min至30 min，各算法的準確率單調上升，累加時間超過30 min時，對部分模型準確率的提高效果不明顯。隨機森林算法始終比其他算法具有更高的準確率，F(xiàn)測度、Kappa值與模型準確率的結果一致。累加時長在5 min及以上時，隨機森林分類模型的AUC值高于其他模型，其值≥0.98，模型識別效果好。

圖9 增加不同累加時長特征值輸入項對機器學習預測性能的影響Fig.9 Effect of additional features with different cumulative times on machine learning performance(Test 1)

選取隨機森林算法構建的人員位置與動作識別模型，該算法自累加時長取30 min起，模型準確率趨于穩(wěn)定，考慮到數(shù)據(jù)處理的復雜程度及模型由輸入至輸出的時效需求，最終將30 min作為累加時長。使用訓練集數(shù)據(jù)按十折交叉驗證進行機器學習模型訓練（測試1），對表1中所述人員位置及動作強度的12種狀態(tài)進行識別，準確率列于表4，除B1-4活動在辨別時由于細微的位置失誤，準確率為99.6%外，其余均為100%。相較表2無累加情況下建立的隨機森林分類模型，各位置、動作強度的識別準確率均有提升。

表4 基于隨機森林算法的模型分類準確率（測試1）Tab.4 Recognition accuracy of the model based on Random Forest algorithm(Test 1)

在隨機森林分類模型中，以每個特征對最終預測做出貢獻的樣本比例衡量該特征的重要性。如圖10所示，陣列中各PIR傳感器對于模型構建的貢獻程度接近，且對大多數(shù)儀器而言，前30 min累加計數(shù)值的特征重要性超過動作發(fā)生時刻計數(shù)值，該結果同時驗證了通過累加提高模型準確率的合理性。

圖10 模型中各PIR傳感器計數(shù)值的特征重要性Fig.10 Importance of features of each PIR sensor in the model

3.3 模型驗證

利用3.1中所述測試數(shù)據(jù)集對建立的隨機森林分類模型進行驗證（測試2），識別效果示例如圖11所示，模型性能指標參數(shù)列于表5，針對12種活動的分類準確率列于表6。由于人行為的隨機性，后期采集的測試數(shù)據(jù)集可能還存在部分訓練數(shù)據(jù)集未觀測到的數(shù)據(jù)特征，導致相較于對訓練數(shù)據(jù)集進行的測試1，測試2驗證的分類準確率略有下降，但其準確率仍維持在88.3%，綜合F測度、AUC值，可以認為模型具有較高的分類準確性，同時Kappa系數(shù)也顯示出預測結果與實際情況之間的高度一致性，證明了本文所建立的人員位置和動作識別模型具備一定的通用性。

表5 基于隨機森林算法的分類器模型性能指標（測試2）Tab.5 Performance indices of the model based on random forest algorithm(Test 2)

圖11 基于隨機森林算法的分類器模型識別效果示例Fig.11 Example of the recognition result of the model based on random forest algorithm

表6 測試集驗證基于隨機森林算法的模型分類準確率（測試2）Tab.6 Recognition accuracy validated by the test set of the model based on random forest algorithm(Test 2)

對測試數(shù)據(jù)集中各類活動的分類準確率表明，該模型對發(fā)生在A區(qū)的強、中、次弱動作的辨別比較精準，對發(fā)生在B區(qū)的弱動作辨別能力稍弱。針對測試數(shù)據(jù)集，模型的預測準確率不及3.2中所述利用訓練數(shù)據(jù)集十折交叉驗證的結果，分類誤差的來源主要是人員位置，具體而言，對A區(qū)1、A區(qū)2內活動的識別準確率為100%，優(yōu)于A區(qū)3；對B區(qū)1內活動的識別準確率為93.4%，優(yōu)于B區(qū)2、B區(qū)3。若忽略家居布置情況，沿縱向不區(qū)分地板和沙發(fā)區(qū)域，即合并A區(qū)與B區(qū)，僅沿橫向劃分3個等距區(qū)間，即A/B區(qū)1、A/B區(qū)2和A/B區(qū)3（后文簡稱區(qū)1、區(qū)2、區(qū)3），可以看出，區(qū)1內活動的識別，相較于區(qū)2、區(qū)3，準確率更高，魯棒性更好。其原因在于，區(qū)1距儀器陣列更遠，該位置狀態(tài)下人員活動對應的PIR傳感器計數(shù)特征，與其他兩種位置狀態(tài)相對比，差異更為顯著，從而使得模型建立時更能提取該區(qū)域內的活動對應的數(shù)據(jù)特征，對其識別更加準確。同時說明，在利用PIR傳感器陣列進行人員位置與動作識別的研究中，與人員活動區(qū)域距離差異明顯的PIR傳感器的存在，能形成更具特征的響應信號，利于模型準確率的提高，對于PIR傳感器陣列的高效布置形式的深化研究，也應從該角度予以考慮。

綜上，在本研究的PIR陣列布置下，以儀器分鐘計數(shù)值及其前30 min計數(shù)累加值作為輸入，基于隨機森林算法構建的位置及動作識別模型，可以實現(xiàn)良好的人員位置與動作識別效果。該研究結果為PIR傳感器在智能家居系統(tǒng)中的深化利用提供了可能性，如作為室內空調裝置的風向、風量調節(jié)依據(jù)等，同時，其有助于構建室內人員位移模型，提升建筑能耗模擬的準確性。

4 結論

本文基于PIR傳感器陣列采集的住宅建筑人行為數(shù)據(jù)，引入前序時刻儀器計數(shù)累加值作為新的輸入?yún)?shù)以增強預測準確度，選取隨機森林算法建立了人員位置及動作識別模型，通過對不同區(qū)域和不同強度的12種活動進行分類，驗證了模型的有效性和通用性，并形成以下結論：

（1）住宅建筑中，數(shù)字信號輸出型PIR傳感器陣列所采集到的信號能夠反映不同位置以及不同強度動作的人行為的差異。不同位置的相同動作可引起同一臺PIR傳感器計數(shù)特征的顯著性差異，人員位置與儀器列的相對距離越遠、角度越大，響應越微弱；同一位置的不同動作引起的PIR傳感器響應程度，隨動作強度增大而加強。

（2）機器學習算法對人員位置及動作的識別能力隨動作強度增強而提高，對弱動作的識別準確性欠佳；與PIR傳感器陣列具有明顯距離差異的活動區(qū)域，形成的響應信號數(shù)據(jù)特征更顯著，識別準確率更高。

（3）對前序時刻的PIR計數(shù)信息進行累加，作為新增特征變量，對模型準確率有明顯的提升作用，累加時間從1 min至30 min，準確率單調上升，超過30 min時，對部分模型準確率的提高效果不明顯。以隨機森林算法為例，當引入前30 min累加值時，模型整體準確率由65.6%提高至99.9%，各位置、動作強度的識別準確率均有提升。

（4）隨機森林分類算法對本研究中的人員位置及動作數(shù)據(jù)集能實現(xiàn)較為準確的分類，且優(yōu)于其他分類算法。訓練數(shù)據(jù)十折交叉驗證下模型準確率達99.9%；測試數(shù)據(jù)驗證下的準確率為88.3%。

作者貢獻聲明：

周 翔：論文撰寫，整體指導。

趙 婷：論文撰寫，模型構建。

張靜思：思路設計，數(shù)據(jù)采集，論文撰寫，整體指導。

王紀?。簲?shù)據(jù)采集，模型構建。

張心悅：數(shù)據(jù)采集，模型構建。