认知下降会严重影响老年人的生活质量,阻碍医疗健康的可持续发展。认知神经科学专家已经证明一些异常行为是认知下降的显著指标,因此监测老年人的日常行为有助于认知障碍症状的早期诊断和提高老年人的健康水平。本文主要研究老人的日常活动识别和异常行为检测,主要工作如下:(1)针对概率统计或非概率本体方法不能同时表示复杂结构关系和不确定知识的问题,本文提出一种基于对数线性概率本体的老人日常活动识别方法,将日常活动根据其复杂程度分为多个层级表示,结合描述逻辑和对数线性模型构建OWL2概率本体,通过java框架对构建的对数线性本体进行解析和增强,实时地推理出各层级日常活动。与非概率本体方法相比,本文提出的概率本体方法将符号逻辑和概率推理紧密耦合,能够结合上下文信息推理出当前最可能执行的日常活动,在不牺牲本体建模和概率推理的优势下,识别框架支持异构和不确定上下文信息的表示。实验结果表明,本文方法在识别日常活动的准确率上有较大提高,获得了相对较高的精确度和反馈率。(2)针对目前大多数异常行为检测方法不能提供异常行为的详细语义描述,且缺乏对老人个人习惯和特征考虑的问题,本文提出一种新的融合逻辑和统计技术的混合异常行为检测方法,包括短期异常行为的检测和历史行为的分析。首先通过马尔可夫逻辑网络推理机从连续多个活动事件的时间序列中概率检测出活动的开始结束时间,其次将活动边界信息和识别出的日常活动作为知识推理引擎的输入,以输出短期异常行为,最后采用频繁模式挖掘技术对老人在过去一段时间内的行为模式进行挖掘和分析,以输出长期异常行为。与统计或知识驱动方法相比,本文提出的基于混合逻辑统计技术的异常行为检测方法能够有效地表示领域知识和处理活动边界的模糊性,获得异常行为的详细语义描述和长期趋势。实验结果表明,在活动边界被正确识别的情况下,本文方法能够较准确地检测出短期异常行为,并鉴别出居住者长期偏离日常活动规律的特定异常行为周期。