面向mhealth的人体行为和语音情感感知研究-计算机应用技术专业论文.docxVIP

摘要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AdaboostC4.5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。关键词：移动健康，人本感知，协同学习，集成学习ABSTRACTTakingadvantageofthedevelopmentofmobilenetworkandthepopularityofsmart devices,mHealthprovidesconsumerswithhealthcareandmedicalservices.Those applicationsandservicesbaseonmobilesmartdevicesandusesensingtechnologytocollect users’contextstate.Medicalserviceprovidersandprofessionalsanalysisthoseinformation andprovideuserswithtimely,effectiveandpersonalizedmedicalservices.Butcomparedto eHealth,alargeamountofcontext,complexapplicationenvironmentsandvarious requirementsarespecialfeaturesofeHealth.Thustheoriginalsensingalgorithmsandmodels areneeded to be simplified and improved for mobile environment.In this paper, we focuson the aboveproblemsand discuss the following two parts.Withthecomplicatedmobileenvironmentandmultipleusers’behaviors,we combinethe Tri-trainingcollaborativelearningmethodwithHMMmodelfromthepointofuser’s behaviorrecognition.TheTri-trainingcanlearnunlabeledsamplestoimprovetherecognition accuracy.TheHMMmodelcansmoothandde-noisetheoutp