[发明专利]一种基于卷积神经网络的相似性动作识别装置及方法

说明书

本发明提供一种基于卷积神经网络的相似性动作识别装置及方法，该装置包括相连接的加速度计模块及移动终端；加速度计模块包括单片机及分别与其连接加速度传感器、蓝牙模块、电源模块；把采集到的数据通过蓝牙传输到安卓客户端模块；安卓客户端模块首先将采集到的数据进行本地存储和实时显示，随后定时将数据文件通过无线网络传至服务器；服务器端模块首先对数据进行存储，然后通过TensorFlow平台下构建的卷积神经网络模型对数据进行训练和分类，最后再将动作识别的结果返回至安卓客户端模块。本发明使用卷积神经网络算法，该算法能够针对不同的应用场景自动提取特征值，无需人工单独对不同的场景设计特征值，且该算法对相似性动作的识别效果较好。

技术领域

本发明属于生物医学信息检测与处理、模式识别、动作识别方法，具体涉及一种基于卷积神经网络的相似性动作识别装置及方法。

背景技术

随着科技的发展，越来越多的微型设备配备了各式各样的传感器，比如加速度计、磁力计、气压计、罗盘等，这些传感器的普及带动了新型研究领域的发展--基于可穿戴设备的动作识别。人类的任何行为都是某些小动作的组成，比如走，跑，跳，坐，躺等等，每个动作都有其特有的特征，通过一定的传感器我们可以分析受试者的动作。人体运动信息是人体肌骨运动系统和神经控制系统等多方面综合运动功能的宏观反映，通过人体运动信息的识别，记录运动过程中身体各环节的位置及其运动轨迹，并通过适当的分析处理软件处理可以得到人体运动学和动力学方面信息，辅助临床医生进行疾病和康复进程评定，为临床提供准确科学的诊断和评价手段。

通过人的运动信息来识别人的动作越来越受到关注, 目前动作识别研究热点主要集中于基于视觉领域的动作识别和基于传感器领域的动作识别。基于视觉的动作识别，大多是借助摄像机，或者多个摄像机来采集数据，然后运用一些图像处理的方法进行动作的分类识别。市场上也有很多公司提供了成功的单摄像机解决方案，比如XTR3d，Pointgrab，Eyesight等等。但是，采集的图像数据对存储量要求较高，对数据的处理能力也有一定的要求，比如CPU，GPU的要求等。而且，这些摄像机的成本较高，高分辨率的设备更是如此。另一方面，摄像机也比较难捕捉细小的动作，摄像设备仅仅依赖于RGB数据，在没有照明，或者光照不好的情况下，数据就变得意义不大。于是基于传感器的动作识别应运而生，迅速成为一个新的研究领域。基于传感器领域的动作识别则大多借助一些微型的传感器，比如GPS、加速度计、陀螺仪、磁力计，或者光线传感器等一些微型的传感器来采集数据，然后运用一些机器学习的方法来处理数据，进而实现动作识别。比如：人在摔倒的过程中，加速度的信息会急剧发生变化。佩戴含加速读计的传感器医疗报警器，当一老人摔倒时，步态变化的信息会触动报警器，救护车可以及时赶到，防止意外事故的发生。在远程医疗基础之上，建立起来高度智能化的动作识别系统，可以在一定程度上辅助阿尔茨海默等疾病的治疗问题。动作识别也可用于安全防护领域，通过分析受试者的动作进而判断受试者的身份等。此外，人体动作行为研究在体育运动中同样具有十分重要的研究意义，它可以作为一种辅助手段帮助运动员分析在竞技体育中运动时的速度、幅度、角度等基本信息，甚至深入剖析每一个动作的变化规律，帮助运动员提高竞技水平。目前市场上也有一些比较成熟的应用，比如智能手环、智能手表等，或者利用手机自带的传感器（三轴加速度计等）进行计步，能量消耗（Calorie）等的应用。但这些应用的识别率较差，可靠性不高，无法适用一些特殊的场景（指定运动监测、士兵活动检测，辅助性运动障碍治疗等）。

众所周知，影响识别率的因素有很多，比如传感器数量、采样频率、样本数量以及动作类别等等。但除此之外，还有一个重要的因素影响分类结果，即相似性动作间的识别。比如上下楼梯的识别，上下坡的识别，站和坐的识别等，因为相似性动作之间的数据相似性（如图1所示），从而使得提取到的特征值不具有区分性，故而使得整体的识别率降低。

纵观现有的基于可穿戴设备的动作识别研究大多存在着如下三个问题：1）相似性动作之间区分度较差，从而导致个别类别的分类准确率低于平均水平，近而进而影响整体的识别效果；2）特征值提取需要一定的专业知识，且计算量较大；3）由于训练和分类阶段的计算量都较大，使得整个系统需要依赖服务器的计算资源，故而无法在移动端实现等等。