基于隐私保护的室内活动识别.pdfVIP

摘 要 由于深度学习在机器学习领域广泛应用，将深度学习应用于传感器数据活动 识别受到研究人员的关注，同时，由于室内活动涉及大量的个人隐私，因此，如 何在保证隐私安全的前提下，提高传感器数据活动识别的准确率具有较好的理论 和应用价值。本文以传感器序列数据为数据源，围绕室内传感器数据活动识别方 法和隐私保护展开研究。 首先，在识别室内活动的单变量序列数据时，针对循环神经网络RNN 不能 很好地处理具有长期依赖关系的序列，导致识别准确率降低的问题，本文提出一 种基于 CNN-LSTM 的室内传感器数据活动识别方法，简称为 CLIAR(Indoor Activity Recognition based on CNN-LSTM) 。在CLIAR 中，卷积神经网络CNN 能 很好地提取出活动序列数据中的特征向量；长短期记忆网络 LSTM 在考虑当前 点输入的同时，又考虑先前点的输出，能够保持数据之间的长期依赖性，从而解 决数据间长期依赖的问题，提高活动识别的准确率。实验表明，CLIAR 的识别 准确率比模式识别方法提高了9.3% 。 其次，针对 LSTM 很难从大量活动信息中区分输入序列的不同重要程度的 问题，本文提出一种基于时间Attention LSTM 的室内传感器数据活动识别方法， 简称为TAL-ISDAR(Indoor Sensor Data Activity Recognition based on Temporal Attention LSTM) 。TAL-ISDAR 利用隐藏层的时间 Attention 机制保留当前时刻 LSTM 的中间输出结果，通过匹配模块计算中间输出结果的权重和权重的加权向 量和，作为下一时刻的输入，从而解决 LSTM 忽略的权重分配问题，提高活动 识别的准确率。实验结果表明，TAL-ISDAR 的识别准确率对比 CLIAR 提高了 5.2% 。 最后，针对噪音扰动会对活动识别模型的隐私安全和性能造成影响的问题， 本文提出基于隐私保护的室内传感器数据活动识别方法，简称为 PPAR(indoor sensor data Activity Recognition based on Privacy Protection) 。PPAR 通过在隐藏层 中添加微小的噪音扰动，使模型在训练中可能产生最坏情况；利用对抗 dropout 断开神经元之间的连接，并重新配置神经网络，增加网络的稀疏结构；通过学习 对抗dropout ，刺激无用或者不正确的学习过的神经元更好的促进识别的准确率， 同时提高模型的泛化性能。实验结果表明，PPAR 方法在增强隐私保护能力的同 时识别准确率比TAL-ISDAR 提高了5.6% 。 关键词：隐私保护；活动识别；传感器数据 I Abstract Due to deep learning is widely used in the field of machine learning, deep learning was applied to the sensor data activity recognition by the attention of the researchers, at the same time, because indoor activity involving a lot of personal privacy, therefore, under the premise of how to ensure the safety of the privacy, enhance the accuracy in the sensor data activity recognition has good theoretical and application value. This thesi