智慧医疗中异常行为的可视分析

一种用于检测和理解智慧医疗中居民异常行为的可视分析方法

摘要

随着科技的发展，在智能家居环境中分析居民日常行为以实现智慧医疗成为可能。许多研究人员已经开始检测居民的异常行为并评估其身体状况，但这些方法常因缺乏真实情况、行为分析片面以及难以理解行为等原因而陷入困境。本文提出了一种智能家居可视化分析系统（SHVis），以帮助分析人员检测和理解居民的异常行为，并智能预测健康信息。首先，该系统将传感器设备在智能家居环境中记录的日常活动分类为不同类别，并通过从这些活动中提取的各种特征及适当的无监督异常检测算法，发现居住在此环境中的居民的异常行为模式。其次，在确定居民每日异常程度的基础上，借助多种可视化视图探索每日行为模式和细节，对比分析居民在不同日期的活动，以找出其行为异常的原因。在本文的案例研究中，我们分析了持续两个月的居民行为，发现了异常的室内行为，并向居民提供了健康建议。

关键词 ：智慧医疗；用户行为；异常检测；可视分析

1. 引言

随着物联网的发展，各种功能强大的传感器被频繁引入家用设备中，从而创建了一个更安全、更便捷和舒适的智能家居环境[1,2]。与此同时，传感器持续捕捉与居民生活相关的海量数据，为研究人员探索居民行为提供了机会。通过分析这些行为，我们不仅可以识别室内活动，还能发现居民的生活习惯，更重要的是可以检测他们的异常行为，以便向他们提供相关建议过上更健康、更环保的生活。此外，它甚至可以帮助进行健康评估以及运动障碍疾病和阿尔茨海默病的诊断[3,4]。

最近，针对智能家居环境中智能健康领域的异常行为检测已经引起了一些先驱者的关注。目前，常用于研究这些问题的机器学习方法[5–7],通常包括以下步骤：（1）活动识别；（2）分类这些活动并进行特征选择；以及（3）利用机器学习方法推断居民的健康状况。然而，现有方法存在诸多问题。首先，真实情况通常难以获取，因此半监督或有监督机器学习不得不依赖大量人工标注。其次，大多数现有方法仅适用于少数特定类型的活动，忽略了智能家居中人类与其各种活动之间的内在关系。最后，需要投入更多的人类智能，因为理解异常行为、分析异常行为的原因、识别等任务均需人为介入。

本文中，引入可视分析技术来检测和分析智能家居中居民的异常行为以评估健康状况，更好地结合了机器智能与人工智能。首先，我们将家庭中发生的30多项活动划分为不同类别，根据不同活动属性选取相应特征，采用基于局部离群因子（LOF）的异常检测方法，融合各类别事件的异常检测结果，生成针对各个项目的整体异常评估与异常指示。然后，我们设计了一个智能家居可视分析系统（SHVis），在该系统中，原始数据与异常检测结果通过一个包含多视图的交互式可视化分析界面进行整合。该工具支持对异常趋势的交互式探索、日常活动的时空分布分析以及多时段对比分析，用于智慧健康场景。它能有效帮助分析人员对用户日常活动和异常事件进行分析、对比和解读，以预测居民健康信息。在案例研究中，我们通过若干有趣异常事件的分析，展示了该工具的有效性。

本文的主要贡献包括： (1) 采用LOF算法对居民的日常活动进行异常检测，能够快速且有效地检测出异常活动。(2) 设计一系列可视化视图以分析、比较和解释用户的各类日常活动，帮助研究人员快速定位居民生活中的异常事件，比较不同日期的用户行为，并观察异常事件的详细信息。

2. 相关工作

近年来，已有大量研究致力于智能家居中面向健康的活动识别。作为人类行为模式分析的基础步骤，活动识别的目标是从部署在房间中的传感器所收集的数据中识别出居住者的日常活动，同时不侵犯其隐私[8]。该领域已对许多基于机器学习的方法进行了深入研究。例如，金等人总结并比较了多种用于从智能家居采集的传感器数据进行活动识别的机器学习算法的性能、特征及应用场景[9]。Krishnan 等人提出了一种基于滑动窗口的支持向量机（Support Vector Machines）方法，实现了在流式传感器数据上的实时活动识别性能[10]。一些研究聚焦于用户行为预测。例如，廖等人建立了类马尔可夫链模型来预测用户所需的网络资源[11]。

基于活动识别的研究，一些研究人员最近在智能家居中居民行为模式分析方面开展了大量开创性工作，特别是针对独居老人。其中一些工作侧重于根据一段时间内的数据分析对居民的认知能力和生活健康状况进行整体评估。例如，Prafulla 等人利用18个智能家居中约两年的传感器数据，训练机器学习算法以预测居民的标准临床评估分数[5]。Noury 等人则基于数月或数年的长期观察，通过电器使用信息来评估居家独居老年人的健康状况[6]。此外，其他工作聚焦于异常检测从每日或每周的角度，基于对单个活动或行为组合的监测。例如，Das 等人提出了一种基于单类分类的新方法，用于检测老年人日常活动中的异常[12], Jae 等人将基于传感器的日常行为归纳为三个方面，即活动水平、移动水平和无响应间隔，并开发了一种支持向量数据描述方法来检测独居老年人的异常行为模式[13]赵等人使用一种基于计算机视觉的系统，该系统由低成本的可编程深度传感器、可穿戴设备和智能手机组成，可在不侵犯隐私的情况下确保工作场所的工人安全[14]Aran 等人提出了一种基于交叉熵度量的可预测性指标，用于检测老年人日常行为中的异常[15]Alcalá等人采用一种新方法，从智能电表数据中识别电器活动并提取使用模式，用于监测住户的健康状况[16]如上所述，机器学习方法在居民行为评估与异常检测工作中占据绝对主导地位。我们的方法旨在通过结合可视化分析与机器学习来解决这些问题。

迄今为止，许多研究已将可视化和可视分析引入到网络安全和金融犯罪等应用领域的异常检测中。此外，也存在一些利用可视化或可视分析支持的人类异常行为分析的相关工作。在人类在线交流行为方面，曹南等人[17,18] 设计了多种新颖的可视化方法，帮助用户理解基于机器学习的异常识别算法的分析结果，并分析具有潜在社会威胁的异常个体的行为模式。为了提升应急响应中的情境感知与决策能力，Yuri[19] 和金[20]利用建筑物中摄像头和运动传感器采集的数据，对公共区域中人们的日常活动规律以及紧急情况下的移动情况进行可视化。从人类城市生活的角度，廖等人[21] 将条件随机场模型与可视分析方法相结合，分析城市出租车全球定位系统（GPS）轨迹中的异常。彭等人[22]对嫌疑人的异构轨迹和信用卡记录进行了可视分析，以帮助调查人员发现其异常行为并获取证据。Rohlig 等人[23] 提出了一种用于参数依赖型活动识别的新型可视分析方法。总体而言，关于人类行为模式的分析与异常检测已受到可视化与可视分析领域广泛关注。

3. 数据描述与任务概述

3.1. 数据描述

自适应系统高级研究中心 (CASAS) 项目是由华盛顿州立大学提出的一个著名的智能家居研究项目，该项目将多个住宅视为智能代理，利用多种传感器感知居民的活动[24]。我们选取了 CASAS 项目中两个独居居民住所采集的两组传感器数据。其中一组数据集包含从 2012 年 7 月 18 日到 2012 年 9 月 17 日的 326,066 条记录，涵盖 28 种日常活动，例如进入家、离开家、晚上服药、早上服药、吃午餐、吃晚餐、做晚餐、穿衣服、洗澡、睡觉、厕所、看电视等。另一组数据集包含从 2010 年 11 月 4 日到 2011 年 6 月 11 日的 1,719,553 条记录，涵盖 11 种日常活动，例如进入家、离开家、床到厕所、进食、家务、放松、睡觉、洗碗等。一条传感器事件记录通常包含四个基本字段：时间戳、传感器编号、传感器状态和活动编号；示例见表 1。这些字段中，时间戳精确到毫秒，记录传感器事件发生的时间。传感器编号代表部署在房屋内的某个特定传感器。传感器状态表示传感器的状态；大多数传感器仅有 “开启”和“关闭”两种状态，“开启”表示传感器被触发，“关闭”表示传感器未被触发。对于一个传感器而言，最近一次“开启”和“关闭”之间的时间即为该传感器的激活时间。某些类型的传感器（如温度传感器和电源传感器）以数值形式记录，不在本文讨论范围内。

表1. 来自传感器的数据。
| 时间戳 | 传感器编号 | 传感器状态 | 活动编号 |
| — | — | — | — |
| 2012年7月20日 11:09:18.952332 | MA015 | ON | 厕所 =“开始” |
| 2012年7月20日 11:09:20.156992 | MA015 | OFF | |
| 2012年7月20日 11:09:21.252048 | MA015 | ON | |
| 2012年7月20日 11:09:25.563333 | MA015 | OFF | |

论文中，活动编号的值表示一种特定类型的日常活动，该活动已通过活动识别方法进行预处理。该字段包含一个活动和一个状态。“开始”和“结束”这两个状态词分别表示活动的开始和结束。

3.2. 任务概述

本文旨在借助传感器记录用户在短时间内行为的数据，以监测和探究用户在智能家居中的异常行为。分析过程中最大的难点在于如何快速发现和定位异常，如何从多个角度分析已被定义为异常的居民行为，以及如何从计算结果中识别误报。总体而言，分析目标可分为以下几个部分。

3.2.1. 交互式活动分类与汇总

在此部分，任务是进一步对传感器记录的活动进行分类，以便更明确地描述居民行为的特征。例如，“离开家”和“进入家”是瞬间发生的活动，而“睡觉”和“看电视”则持续一段时间。因此，我们需要根据行为特征对相关活动进行分类，并提供一种交互方式，允许用户自由组合这些活动。同时，为了合理调整活动类别，我们还需要提供活动概览，以显示居民活动的次数和持续时间等信息。

3.2.2. 综合异常检测与结果汇总

为了获得更好的异常检测结果，本文综合考虑了每项活动的特征参数。我们采用多活动和多特征计算方法来检测和分析居民行为，并获取居民每日活动的异常程度。研究人员根据分析结果进行特征计算并调整活动，以获得更精确、准确的异常程度值。

3.2.3 居民异常行为及其时空分布的探索

利用T2阶段获取的居民异常行为，T3的目标是通过多维度的活动持续时间、次数和开始时间，使用可视化分析方法展示并分析异常行为的时空特征。借助可视化工具，研究人员可以查看特定日期的详细活动信息，分析该日期的活动信息，例如持续时间、开始时间和次数。此外，研究人员还需要分析异常行为发生在何处、何时以及涉及哪位居民。

3.2.4. 异常快速比较

研究人员不仅需要分析单日的活动，还需要对比异常日期和正常日期的各种行为模式。此外，还需将居民某段时间的行为与其一般行为规律进行比较。这一过程有助于从计算结果中发现误报。

4. 异常检测

在本节中，我们通过居民行为分类、特征提取和异常行为提取来检测被测居民的异常行为。

4.1. 特征类别

室内活动种类繁多，差异较大。例如，“睡觉”通常发生在夜间床上，持续时间较长，一般为6至 9小时。然而，“洗澡”虽然通常在浴室进行，但其开始时间因居民的生活习惯而异，且持续时间一般较短。“厕所”和“看电视”等活动的发生时间与持续时间则不规则，没有相对固定的时间或时长。因此，当我们以天为单位分析居民室内活动的异常程度时，需要对不同活动采取不同的处理方式。表 2展示了描述一位独居老人活动的部分数据。

表2. 各类活动的特征分析
| 活动 | 持续时间 | 场景 | 开始时间 | 次数 | 发生率 |
| — | — | — | — | — | — |
| 进入家 | 短的 | 规则的 | 不规则的 | 不规则的 | 1 |
| 离开家 | 短的 | 规则的 | 不规则的 | 不规则的 | 1 |
| 穿衣服 | 短的 | 规则的 | 不规则的 | 不规则的 | 0.98 |
| 电话 | 短的 | 规则的 | 不规则的 | 不规则的 | 0.33 |
| Cook | 短的 | 规则的 | 不规则的 | 不规则的 | 0.22 |
| Eat | 短的 | 规则的 | 不规则的 | 不规则的 | 0.216 |
| 床到厕所的过渡 | 短的 | 规则的 | 不规则的 | 不规则的 | 0.28 |
| 厕所 | 短的 | 规则的 | 不规则的 | 不规则的 | 1 |
| 睡在床外 | long | 规则的 | 不规则的 | 不规则的 | 1 |
| 放松 | long | 规则的 | 不规则的 | 不规则的 | 0.58 |
| 看电视 | long | 规则的 | 不规则的 | 不规则的 | 1 |
| 招待客人 | long | 不规则的 | 规则的 | 不规则的 | 0.066 |
| 新郎 | 短的 | 规则的 | 规则的 | 不规则的 | 0.37 |
| 在桌旁工作 | 短的 | 规则的 | 规则的 | 不规则的 | 0.05 |
| Read | 短的 | 规则的 | 规则的 | 不规则的 | 0.45 |
| 洗澡 | 短的 | 规则的 | 规则的 | 规则的 | 0.93 |
| 睡觉 | long | 规则的 | 规则的 | 规则的 | 0.98 |

在分析室内活动特征后，我们选择三个最具代表性的特征来计算居民日常行为的异常程度。
1. 持续时间 ：健康居民的活动通常遵循一定的规律，即其持续时间在某个固定值附近波动。根据活动的持续时间，我们可以使用LOF算法计算每位居民在每一天的活动异常值。
2. 次数 ：与持续时间类似，居民某项活动的发生次数也维持在一个固定值附近。根据活动的发生次数，我们也可以使用 LOF算法计算异常值。
3. 开始时间 ：类似于持续时间和次数，我们可以结合标准差，利用LOF算法计算居民每天活动的开始时间的异常值。

4.2. 特征提取

基于对活动分类的分析，我们可以根据各种特征的属性选择相应的活动来计算居民的异常程度。针对每个特征，选择活动的方法有所不同。具体细节如下：
1. 持续时间 ：在使用持续时间进行计算时，持续时间长的活动对异常程度的计算影响较大，而持续时间短的活动（如“leavehome”和“toilet”）对该计算的影响很小，几乎可以忽略不计。因此，在此类别中计算异常程度时，应选择持续时间长的活动。
2. 次数 ：持续时间短的活动不适合用于计算持续时间异常度，但适合用于计算频次异常度。例如，居民上厕所的频率对反映其当天行为的异常程度有很大影响，而居民一天内在厕所的总持续时间在计算中则不重要。因此，在计算次数类别的异常程度时，应选择持续时间短的活动。此外，在计算频次异常度时，发生频率相对稳定的活动更具价值，应优先选择。
3. 开始时间 ：某些活动的开始时间也可以作为判断是否发生异常事件的证据。例如，“睡觉”的持续时间通常在一定小时数左右，如果他们入睡过早或过晚，则意味着他们在当天的行为异常。

在分析各种活动特征的基础上，我们排除了在上述任何特征上不具有稳定性的活动，例如“招待客人”，因为该活动无法为持续时间、次数和开始时间的异常程度计算提供有价值的参考，并且会影响计算的准确性。表3描述了可用于计算的活动特征。

表3. 用于计算的活动特征。
| 特征 | 持续时间 | 次数 | 开始时间 |
| — | — | — | — |
| 活动可以被选中 from | 睡觉、阅读, 看电视、睡觉 离开床, 放松 | 进入家、离开家、穿衣服、电话、做饭、吃, 床到厕所的过渡, 厕所, 新郎, 做午餐, 吃午餐, 清洗午餐餐具, 个人卫生, 洗碗, 洗澡, 晚上服药, 早上服药, 做饭 晚餐,做早餐 ,吃早餐 ,吃晚餐 , 洗晚餐，洗早餐 | 洗澡，晚上 药物，早晨 药物，做饭 早餐，吃 早餐 , Wash 早餐, 睡觉 |

4.3. 局部异常因子

居民日常行为的异常性是指某些事件偏离了日常生活中的普遍规律。例如，高血压患者需要按时服药以控制血压。如果某一天他/她没有按时服药或完全未服药，则会被定义为异常行为。检测居民异常行为的一个挑战在于，居民的行为是动态变化的，因此我们不能简单地通过某些事件的发生来判断某天居民的行为模式是否异常。此外，居民的异常行为通常非常稀少，难以很好地代表异常性的分布。

由于局部离群因子(LOF)模型是一种无监督学习方法，在检测离群值时不需要训练数据集，因而克服了在居民行为数据集中标注异常行为的困难，并有效降低了误判的概率。因此，本文采用局部离群因子(LOF)来检测居民的异常行为模式。基于第4.1节中用于分类居民行为的方法，本文使用持续时间、场景、次数和开始时间等行为特征来计算局部异常因子离群值，并展示最终结果。

定义X=[x1, x2,…，xt]，其中xt是用于描述居民在日期t ∈[1, 2,…，T]的行为的特征向量。基于用户每天的活动，我们使用LOF算法计算该用户当天的行为异常程度。行为异常程度的定义如公式(1)所示。

$$
LOF_k(x_t) = \frac{\sum_{y \in N_k(x_t)} lrd_k(y)}{|N_k(x_t)| \cdot lrd_k(x_t)}
$$

在公式(1)中，$N_k(x_t)$是特征空间X中特征向量$xt$的k个最近邻的集合。$lrd_k(x_t)$是特征向量x的局部可达密度，可通过公式(2)计算。

$$
lrd_k(x_t) = \frac{1}{\sum_{y \in N_k(x_t)} rdk(x_t, y)}
$$

在公式(2)中，$rd_k(x,y)$是用于定义可达距离的距离，可通过公式(3)计算。d(x,y) 表示特征向量x与y之间的欧几里得距离。k distance(x) 是特征向量x到其k个最近邻的最大距离。

$$
rd_k(x, y) = \max{k_distance(y), d(x, y)}
$$

由于行为异常仅是相对于其若干邻居而非整个数据集而言的，因此即使居民存在多种潜在生活方式，该结果仍然有效。因此，我们可以基于居民生活规律性，通过数据集中的局部离群因子(LOF)来发现居民的行为异常。

5. 分析界面与可视化

在本节中，我们将详细描述SHVis的可视化视图。SHVis是一种用于从多视图探索和分析居民在智慧健康场景下日常活动的工具。SHVis的概览如图1所示，包含七个可视化视图。图1(1–3)通过树状图、评分和投影视图三种方法，分别展示了三种异常性在各个日期上的分布情况。该部分还可提供每种异常性受哪些活动影响最大的相关信息。图1(4–7)可帮助研究人员利用活动甘特图、热力甘特图、雷达图和空间雷达图，分析居民日常活动的具体情况。这些部分有助于研究人员找出异常行为发生的具体原因，并能够快速比较不同日期的活动情况。SHVis为我们深入理解智能家居中居民的行为模式提供了有效途径。各可视化组件的详细说明如下。

5.1. 活动树状图视图

通过使用三个特征，系统计算出每天活动的异常程度。然后，系统使用随机森林算法来衡量每项活动的异常值在评估异常值中的权重。基于活动的权重，我们可以创建一个类别树状图，其中每个矩形代表一项活动，不同的颜色代表不同的活动，矩形的大小表示该活动在本类别计算中的权重。例如，如图1(1)所示，第二组是基于持续时间计算出的异常值，其中最大的矩形是“看电视”，意味着“看电视”对基于持续时间得出的居民活动异常值影响最大。此处的颜色代表不同的活动，与其他视图中的编码颜色保持一致。

5.2. 异常分级视图

异常分级视图分为三个部分，对应活动树状图中的三个区域。该视图用于显示由异常检测算法计算得出的活动异常等级。计算结果的三种数值被归一化到区间[0, 1]内。此部分作为其他视图中数据展示的过滤器。在该视图中，我们可以通过拖动来选择不同的日期区间，以定位异常模式发生的日期。此外，我们也可以通过点击不同的日期，查看并比较居民活动的详细信息。在图1（2）中可以看到，根据次数和持续时间，该居民在8月2日的行为存在异常；根据次数和开始时间，该居民在8月30日的行为表现异常；而8月14日的活动异常值相对较小。

5.3. 日期地图视图

在此图中，基于通过三个特征获得的异常程度，我们使用多维尺度分析（MDS）将每个日期投影到平面上。每个点代表一个日期，其相对位置反映居民的活动状态。距离点群较远的点具有较高的综合异常程度，反之亦然。我们将每个点分为三个相等的扇区，每个扇区代表一种异常性。扇区颜色越深，对应的异常性值越高。点击上方的圆形选项，可以过滤三种类型的异常值；当鼠标悬停在某个点上时，该点所代表的日期会显示在其旁边。如图2所示，可以看出，在异常程度最大的8月2日，居民在持续时间和次数方面的异常值较高，而开始时间的异常程度处于中等水平。同时，我们还可以看到8月30日这个异常值相对较高的日期也远离点群。这些异常行为日期可在后续的分析视图中进一步详细查看。

5.4. 甘特图视图

基于上述视图或地图，为了研究居民在某一时间段内的活动模型，研究人员需要在智能家居中交互式地查看特定时间段内的各种活动数据。首先，使用甘特图来展示交互信息，因为居民的活动可以在图表中按日期进行排序和过滤，从而减少屏幕空间占用。

在甘特图中，我们可以选择显示特定日期和特定活动的信息。编码颜色与活动树状图视图中使用的相同。X轴表示一天24小时，Y轴表示日期，因此非常方便比较不同日期的活动。例如，如图1（4）所示，我们可以知道该居民在8月22日很晚才睡觉，并且在9月12日睡觉时有较长的中断。此外，甘特图允许用户以交互方式分层显示活动，并显示活动的累积持续时间。通过这种方式，我们可以更清晰、准确地分析时间规律和持续时间特征。详细信息如图3所示。

尽管甘特图便于从不同日期获取对比信息，但它牺牲了活动的空间信息，使得难以发现居民活动的总体规律以及持续时间短的活动信息。这些缺点通过其他视图得以解决。

5.5. 热力甘特图视图

为了解决在甘特图中发现居民活动普遍规律的问题，我们使用热力甘特图来探索这些规律。首先，我们对每天的活动进行聚类，然后通过灰度热力甘特图绘制出24小时内每个时间点各活动发生的概率，其中白色表示该时间点在任何一天均未发生该活动，颜色越深表示事件发生的概率越高。

当用户在活动异常程度视图中选择一个日期时，系统会在热力甘特图中绘制该日期的活动，从而便于将该日的活动与活动的一般规律进行比较。如果选择了多个日期，系统将对这些日期的活动进行对比。通常情况下，我们每次最多可选择三个日期，并在活动矩形轮廓上用不同的分段表示不同的日期。从图4显示的信息可以推测，该居民在2012年8月30日可能遇到了一些问题。

5.6. 雷达图视图

为了解决甘特图中难以解释短时活动信息的问题，我们使用雷达图来探索这类活动。雷达图利用活动的频率特征来检测短期行为异常。雷达图初始的灰色区域表示所选各项活动的平均次数。如图5所示，雷达图可以比较不同日期之间的关系，以及某一天各数值与平均值之间的关系，有助于识别活动频率出现异常的日期。例如，从图5可以看出，居民在8月30日的“厕所”、“离开家”和“进入家”活动频率明显高于平均值。编码颜色与热力甘特图中的对应颜色保持一致。

5.7. 空间雷达图视图

我们使用空间雷达图来解决甘特图中活动空间信息缺失的问题。该视图用于显示活动的空间分布，并比较不同日子里活动的持续时间。图6展示了三天内在不同地点的活动持续时间。不同的颜色代表不同的活动。当某天没有发生活动时，该区域为白色。日期对应雷达图中选定的日期，填充颜色与甘特图中的颜色相同。这便于查看活动的空间分布。需要注意的是，对应日期的图像大小仅表示传感器在此位置记录的由活动触发的持续时间，并不完全等于当天活动的实际持续时间。如图6所示，8月30日居民睡眠活动触发的传感器记录的持续时间很长，因此可以推断该居住者的睡眠质量较差。8月2日浴室中洗浴区域的填充颜色为白色，由此可知该居住者当天未洗澡。

6. 案例研究

该数据集包含了一位生活在智能家居环境中的成人的信息c由各种传感器收集。基于原始数据，我们希望使用该系统来分析d居民的日常行为，找出异常行为模式的日期及其原因t异常。

该系统首先分析了30种居民’活动并根据a上述活动分类方法，然后确定计算策略的a每项活动的异常情况。此外，我们可以根据活动特征过滤活动以进行决策w哪些活动可用于异常程度的计算。图1(1,2)显示了异常程度w使用三种活动异常度量方法和每项活动的权重计算得出u用于计算。因此，我们可以看到一些持续时间长的日常活动a具有强规则性的活动对异常的测量有很大影响。这种规则性is与居住者活动的一般认知相符。从图1(3)可以看出，大多数d日期被聚集在一起，表明居住者大多数日期的活动符合其li生活习惯，只有少数投影到边缘的日期被判定为异常。异常程度o在8月30日、8月2日和9月1，投影点达到最高值re簇中最远的位置居住者的开始时间和持续时间’可以从甘特图中看到日常活动Fi图1(4)。我们选择8月2日、8月30日和8月14日进行比较和分析。在图1(5)中可以看出，该居民在8月2日的睡眠活动相当正常。然而，该居民缺少洗澡活动；看电视的时间长于平均值；他/她没有进行没有像往常一样服药，也没有休息。8月30日，该居民睡眠时间过短，同时在沙发上睡了很长一段时间，早晨和晚上均未服药。而8月14日则是相对正常的一天，当天该居民的行为模式没有明显异常。

从图5中可以看出，在被判定为异常的这两天，居民的活动频率与雷达图上的平均频率存在较大差异。特别是8月30日，居民在上厕所、离开家、休息、服药以及使用电话的次数方面表现出明显波动。该居民在8月2日也出现了类似的行为现象，而正常日期8月14日的活动情况则更接近一般活动规律，符合其日常行为习惯。

图6显示了不同活动在不同位置触发传感器的持续时间，该值并不表示居民在该位置的活动持续时间，因为居民在卧室睡觉后将不再触发该位置的传感器。多次触发传感器会使触发传感器的持续时间变长，表明居民可能睡眠质量差并多次起床。从睡眠活动可以看出，居民在8月2日和8月14日有长时间睡眠，但触发传感器的持续时间很短，证明其睡眠质量高。8月30日的睡眠时间很短，但触发传感器的持续时间相对较长，说明居民睡眠时间短且睡眠质量差。

7. 结论

本文中，我们提出了一种新的可视分析系统，用于分析智能环境中居民行为模式的异常性。研究人员可通过无监督的异常识别模型和多视图可视化分析系统进行分析，以找出居民行为模式的异常日期并检查其原因。该系统便于对居民活动进行快速检查，并支持在不同日期对居住者行为进行比较，这对于发现居民的不良习惯以及可能影响其健康的行为具有重要意义。未来，我们希望进一步分类活动，并确定每项活动在计算居民行为异常时的权重，以实现更精确的计算，更准确地发现居民日常行为的异常。