运动序列的时空结构特征表示模型

摘要: 运动序列是一种与运动信号相关的多维时间序列,各个维度序列之间具有高耦合性的特点。现有的多维序列表征方法大多基于维度间相互独立的假设或缺乏可解释性，为此，提出一种适用于运动序列的时空结构特征表示模型及其两阶段构造方法。首先，基于空间变化事件的转换方法，将多维时间序列变换成一维事件序列，以保存序列中的空间结构特性。接着，定义了一种时空结构特征的无监督挖掘算法。基于新定义的表示度度量，该算法从事件序列中提取一组具有代表性的低冗余变长事件元组为时空结构特征。在多个人类行为识别数据集上的实验结果表明，与现有多维时间序列表示方法相比，新模型的特征集更具代表性，在运动序列模式识别领域可以有效提升分类精度。

• 关键词: 
• 运动序列  /  
• 多维时间序列  /  
• 特征提取  /  
• 时空特征表示模型  /  
• 空间变化  /  
• 关键子序列挖掘  /  
• 事件序列  /  
• 人类行为识别  

运动序列是关联于人体或物体运动的时序信号数据，是一种多维时间序列(multivariate time series, MTS)，其各维序列具有耦合性强的特点[1]。例如，在手势识别系统中，一串手势动作可以用人手在三维空间中连续移动的坐标序列来表示，这里，每个坐标序列即是一个一维时间序列；在人体行为识别中，从所佩戴传感器上采集的数据是一个相互耦合的三维时间序列。人们可以通过MTS数据挖掘自动地识别手势类型、运动姿态等，在智能家居、病人意外风险防控等领域有重要的应用价值[2]。