随着人口老龄化情况加剧、人力资源短缺,养老成为当前社会面临的主要问题。家庭环境中自动识别老人日常行为,发现老人行为异常,提高老人独立生活能力和家庭健康护理水平,是缓解养老困境的可行方法。本文以华盛顿州立大学智能空间实验室的实验数据为基础,研究机器学习理论、数据处理技术,结合智慧家居相关技术,识别老人日常行为,了解老人的意图,发现老人生活中的行为异常与环境异常。主要研究内容如下所示:(1)设计传感器事件动态分割与标注方法。根据活动执行过程中所触发传感器之间的依赖关系,计算相邻窗口的相似度,过滤行为边界点,保留相似度最低的点,最后合并相邻的且具有相同标签的序列片段。(2)构建以较高精度识别老人多种日常行为的模型。根据老人日常行为特点,构建多维度特征框架,包括传感器权重、传感器类别特征、时间特征和频率特征;使用遗传算法和交叉验证对行为模型进行训练与调优,建立基于支持向量机的日常行为模型。(3)设计老人异常行为检测框架。结合日常行为模型,选择重要特征,建立老人各类行为的高斯混合模型,计算异常样本与所属成分的偏离程度,对比各类特征与正常样本特征之间的差异。日常行为识别是实现老人生活辅助、提升老人独立生活能力、提高健康护理水平的前提。设计多组实验评估本文方法和模型的性能。实验结果表明序列分割方法能够对传感器序列进行合理分割,日常行为模型能准确的识别多种行为,异常检测方法能够高效地发现老人行为中的异常。研究结果对居家养老智慧化发展具有一定促进作用。