[发明专利]一种基于卷积神经网络的人体行为识别方法及识别系统

权利要求书

1.一种基于卷积神经网络的人体行为识别方法，其特征在于，包括：数据采集与预处理、模型建立与优化及模型应用；

所述数据采集与预处理包括：通过数据采集软件访问三轴加速度传感器，储存其采集的原始的人体活动三轴加速度数据与用户反馈的真实的行为活动标签，并对三个轴的数据信息进行归一化处理，得到服从正态分布的三轴加速度数据；使用滑动窗口对处理后的三轴加速度数据进行数据分割处理，得到卷积神经网络模型的输入数据以及对应的标签；对分割后的数据按比例随机抽取得到模型的训练数据和测试数据；

所述模型建立与优化包括：建立卷积神经网络模型与优化所述卷积神经网络模型；其中，建立卷积神经网络模型中，建立了一个包含两个卷积层、一个最大池化层、一个全连接层和预测概率输出层的网络结构；优化所述卷积神经网络模型中，根据训练好的卷积神经网络模型对测试数据的预测结果是否足够准确进一步对模型进行优化，优化过程包括模型超参数的调整与相关函数方法的重选取；

所述模型应用包括：将优化后的所述卷积神经网络模型移植到软件中，实现实时人体行为识别的应用。

2.如权利要求1所述的基于卷积神经网络的人体行为识别方法，其特征在于，所述归一化处理公式如下：

式中，μ和σ分别是数据集Z的均值和方差，Z＝加速度传感器x,y,z三个轴的数据集。

3.如权利要求1所述的基于卷积神经网络的人体行为识别方法，其特征在于，使用尺寸为n且半重叠的滑动窗口对三轴加速度数据进行分割，分割后共得到N/n*2组数据，每组包含n*3个数据，且每组数据间具有50％的重叠。

4.如权利要求1所述的基于卷积神经网络的人体行为识别方法，其特征在于，对分割后的数据按照70/30的比例随机抽取出模型的训练数据和测试数据，包括相对应的行为标签信息。

5.如权利要求1所述的基于卷积神经网络的人体行为识别方法，其特征在于，对卷积神经网络模型的建立包括如下步骤：

步骤a：将卷积层作为卷积神经网络模型的第一层，单个卷积核尺寸为1*c1*3,卷积核数量为c1，其移动步长为s，输入数据被第一层卷积核卷积后得到的数据尺寸为1*[(c1-n)/s+1]*c1*3；

步骤b：将最大池化层作为卷积神经网络模型的第二层，单个池化层滤波器的尺寸为1*p，其移动步长为s_p，步骤a中得到的结果经过第二层最大池化层下采样后得到的数据尺寸为1*{{[(c1-n)/s+1]-p}/s_p+1}*c1*3；

步骤c：将另一个卷积层作为卷积神经网络模型的第三层，单个卷积核尺寸为1*c2*c1*3，卷积核数量为c2，其移动步长为s，步骤b得到的最终结果经过第三层卷积核卷积后得到的数据尺寸为1*{{{{[(c1-n)/s+1]-p}/s_p+1}-c2}/s+1}*c1*c2*3；

步骤d：将一个全连接层作为卷积神经网络模型的第四层，将步骤c中的三维结果拉伸为一维特征向量，作为第四层全连接层的输入，全连接层中神经元个数为H个；

步骤e：将卷积神经网络模型的第五层作为模型的最终输出层，此层中的概率输出函数将输出六种行为活动的预测概率，并将概率最大的行为对应的标签作为最终的预测结果。

6.如权利要求5所述的基于卷积神经网络的人体行为识别方法，其特征在于，所述概率输出函数为Softmax函数。

7.如权利要求5所述的基于卷积神经网络的人体行为识别方法，其特征在于，所述第一层和所述第三层的卷积层的建立中，在对卷积核权重初始化的过程中对初始化函数进行了优化，将服从标准高斯分布函数的初始化权重替换成服从截断的高斯分布函数的初始化权重，将区间(μ-2*σ，μ+2*σ)外过小的值丢弃。

8.如权利要求5所述的基于卷积神经网络的人体行为识别方法，其特征在于，网络第四层全连接层的建立中，在全连接层中引入Dropout技术，Dropout率为0.5；同时在全连接层中，选择的神经元激活函数为tanh函数。