论文部分内容阅读
随着移动网络的发展和智能移动设备的普及,mHealth充分利用了移动互联网通信技术,为用户提供健康、保健和医疗等服务。此类应用和服务以智能移动设备为基础平台,利用人本感知技术来获得用户的上下文状态。医疗服务机构或者相关专业人员通过分析用户的状态信息,来为用户提供及时、有效和有针对性的治疗方案和医疗服务。但是相比于eHealth,移动环境具有信息量大、应用环境复杂、上层应用需求多样和实时性要求较高的特点。因而在mHealth中需要对原有的感知算法和模型进行相应地精简和改进,以适应移动应用环境。本文首先针对移动环境下,设备所处环境复杂度高且用户个体之间差异较大的特点,从用户行为感知的角度,将Tri-training协同学习方法和HMM模型相结合,提出了基于HMM的协同学习行为识别算法。前者能够通过自主学习现实中存在的大量未标记样本,来提高识别的准确率。而HMM在对Tri-training的输出序列进行平滑和去噪的同时,还能够辅助Tri-training进行新样本的选择。拥有自主学习能力的Tri-training算法和隐马尔可夫模型的结合使得系统能够更好地适应部署后的复杂环境。然后针对mHealth中上层应用需求多样和实时性要求较高的特点,从用户语音情感感知的角度,提出了基于Adaboost C4.5和三维情感空间的语音情感识别算法。算法中使用三维情感空间模型,将不同的基本分类器以二叉树的形式进行构建,每一层依照情感维度进行区分。这样使得上层应用能够根据需要,来确定分类所要到达的深度。同时,每个基本分类器都能够根据自身的特点来选择合适的特征量,以此来提高识别的准确性。各基本分类器使用的Adaboost C4.5集成学习算法在降低运算量的同时,也提高了分类精度。分层的模型和简单高效的集成学习算法使系统的灵活性得到提高,也具备了一定的实时性。最后本文使用SensingClient感知客户端对用户行为数据进行了采集,并在Matlab中分别对两种算法进行了实现。利用采集到的行为数据和Emo-DB情感语音库进行了实验,并对实验结果进行了比较和分析。实验结果表明基于HMM的协同学习算法在不同未标记率下,最终误差降低且输出行为序列更加平滑,而基于Adaboost C4.5和三维情感空间的语音情感识别算法,在识别准确率和实时性方面有较好的表现。