[发明专利]用于人类活动识别的人工神经网络

说明书

人类活动基于活动相关的数据和活动分类模型被分类，活动分类模型是使用分类均衡的训练数据集合来训练，以及基于分类生成分类信号。分类均衡的训练数据集合可以例如包括具有第一序列长度和样本数N的第一类，以及一个或多个附加类，每个附加类具有相应的序列长度t_j和基于第一类的样本数N确定的相应的样本数N_j。例如，相应的序列长度t_j和相应的样本数N_j满足：(i)对于序列长度tj，N_jN；并且(ii)对于t_j‑1，N_jN。活动相关的数据可以包括加速度数据、定向数据、位置数据和生理数据中的一个或多个。

技术领域

本公开涉及用于基于感测信息(例如，由可穿戴传感器设备获取的信号)识别人类活动的技术、设备和系统。

背景技术

可穿戴传感器设备可以连续地获取和存储信息，并周期性地发射传送信息的信号，信号可以被实时处理，例如，由主机设备远程进行处理，或由可穿戴设备自身进行本地处理。可以基于由传感器信号传送的信息来检测穿戴者参与的活动。信号可以传送生理数据、加速度数据、旋转数据、位置数据等。

可以分析信息以确定穿戴者所参与的一个或多个活动。例如，可穿戴传感器设备可以包括一个或多个加速度计，并且可以基于来自一个或多个加速度计(由一个或多个陀螺仪补充)的加速度计数据来确定穿戴者的活动。通常可以采用最简单的模型来基于加速度计数据确定穿戴者的活动。

发明内容

在一个实施例中，方法包括：接收活动相关的数据；基于所接收的活动相关的数据和活动分类模型确定活动分类，该活动分类模型使用分类均衡的训练数据集合来训练；以及基于所确定的分类生成分类信号。在一个实施例中，对于除确定的类c_i之外的每个类c_j，假定类c_j的序列在序列长度t_j处被截断，序列长度t_j使得针对类c_j的样本总数N_j等于或刚刚超过类c_j中的样本数N。换言之，对于长度t_j-1，N_jN。因此，在一个实施例中，基于所确定的类中的样本数N来确定针对除所确定的类之外的每个类的t_j。在一个实施例中，分类均衡的训练数据集合包括具有第一序列长度和样本数N的第一类，以及一个或多个附加类，每个附加类具有满足以下条件的相应的序列长度t_j和相应的样本数N_j：

对于序列长度t_j，N_jN；并且

对于序列长度t_j-1，N_jN。

在一个实施例中，方法包括：生成分类均衡的训练数据集合；以及训练活动分类模型。在一个实施例中，确定活动分类包括基于所接收的活动相关的数据提取特征数据。在一个实施例中，确定包括使用具有前馈架构的人工神经网络。在一个实施例中，人工神经网络包括分层架构，分层架构包括以下中的一个或多个：一个或多个卷积层、一个或多个池化层、一个或多个全连接层、以及一个或多个柔性最大值传输函数(softmax)层。在一个实施例中，人工神经网络包括有限状态机。在一个实施例中，确定包括使用具有循环架构的人工神经网络。在一个实施例中，确定包括使用特征提取和随机森林。在一个实施例中，确定包括应用时间滤波器。在一个实施例中，活动相关的数据包括加速度数据、定向数据、地理位置数据和生理数据中的一个或多个。