[发明专利]一种基于卷积神经网络的人体运动步态分类方法

权利要求书

1.一种基于卷积神经网络的人体运动步态分类方法，其特征在于，包括如下步骤：

步骤1，采集人体在不同运动步态下的三轴加速度和三轴角速度信息，得到六个参量的样本数据，针对各个参量的样本数据，计算其在各步态下的步态统计学特征，并获得各参量的步态统计学特征差异；

选取步态统计学特征差异大于设定阈值的参量为敏感参量，以敏感参量的数据作为卷积神经网络输入；

将人体运动步态作为卷积神经网络输出；

步骤2，建立卷积神经网络，并利用步骤1得到的敏感参量的样本数据以及步态对卷积神经网络进行训练，得到训练好的卷积神经网络；

步骤3，实时采集敏感参量的数据并输入到训练好的卷积神经网络中，得到的输出结果即为当前的人体运动步态，实现人体运动步态分类。

2.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述统计学特征为均值、方差、偏度、峰度或相关系数。

3.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述人体运动步态包括平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退。

4.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述步骤1中，利用微惯性传感器采集人体在不同运动步态下的加速度和角速度信息。

5.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述步骤2中，卷积神经网络的隐含层激励函数为Sigmoid函数、Relu函数或者tanh函数，卷积神经网络的输出层激励函数为Softmax函数。

6.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述步骤1中，卷积神经网络的最优化方法为梯度下降法。

7.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，卷积神经网络的代价函数的形式为在计算方差中加入L1范数的形式。

8.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述卷积神经网络包括的隐含层数目选取范围为5-10，每个隐含层包含神经元模块数为10-15。