基于移动经验取样法的量化自我参与流程及内在机理研究

量化自我作为个人健康管理的重要手段受到众多群体的青睐,对我国公民树立个人健康意识、培养健康生活方式、践行《健康中国行动(2019-2030年)》具有重要意义。然而,相关研究缺乏从微观角度分析行动体在执行量化自我时的具体参与流程。基于此,本研究利用移动经验取样法(mobile experience sampling method,mESM),对15位被试开展为期两周的纵向实验并结合事后访谈的方法,最终获取了日志、个人汇报以及访谈等数据,以此编码并归纳量化自我具体参与流程、不同阶段中的关键信息行为和主要障碍以及相关内在机理。最终,将量化自我参与流程划分为初始、保持和发现三个阶段。其中,初始阶段中用户参与的关键信息行为包括确定量化工具、内容及目标,存在的主要障碍涉及工具选择困难以及信息过载;保持阶段中关键信息行为主要是数据查看、收集和分享,主要障碍有提醒不及时、系统不稳定、可视化分散、数据缺乏标准、多重输入、隐私安全、数据使用权不明等;发现阶段中关键信息行为包括用户对数据的比较、反思和解读,主要障碍有数据联系复杂、系统反馈异常、数据理解困难以及数据无法兼容等。同时,量化自我参与流程的不同阶段表现出递进、迭代以及重叠等内在机理。

关键语义区域链提取的视频人体行为识别

目的视频中的人体行为识别技术对智能安防、人机协作和助老助残等领域的智能化起着积极的促进作用,具有广泛的应用前景。但是,现有的识别方法在人体行为时空特征的有效利用方面仍存在问题,识别准确率仍有待提高。为此,本文提出一种在空间域使用深度学习网络提取人体行为关键语义信息并在时间域串联分析从而准确识别视频中人体行为的方法。方法根据视频图像内容,剔除人体行为重复及冗余信息,提取最能表达人体行为变化的关键帧。设计并构造深度学习网络,对图像语义信息进行分析,提取表达重要语义信息的图像关键语义区域,有效描述人体行为的空间信息。使用孪生神经网络计算视频帧间关键语义区域的相关性,将语义信息相似的区域串联为关键语义区域链,将关键语义区域链的深度学习特征计算并融合为表达视频中人体行为的特征,训练分类器实现人体行为识别。结果使用具有挑战性的人体行为识别数据集UCF(University of Central Florida)50对本文方法进行验证,得到的人体行为识别准确率为94.3%,与现有方法相比有显著提高。有效性验证实验表明,本文提出的视频中关键语义区域计算和帧间关键语义区域相关性计算方法能够有效提高人体行为识别的准确率。结论实验结果表明,本文提出的人体行为识别方法能够有效利用视频中人体行为的时空信息,显著提高人体行为识别准确率。