[发明专利]基于多层次端到端神经网络的人类活动姿态识别方法

权利要求书

1.基于多层次端到端神经网络的人类活动姿态识别方法，采用数个布设在人体表面、且用于采集人类活动姿态的原始数据和带标签数据的运动传感器；所述运动传感器包括加速计、陀螺仪、磁力计，其特征在于，包括以下步骤：

多层次端到端神经网络训练：利用运动传感器采集人类活动姿态的带标签数据，采用滑窗切割所述带标签数据，得到数段等距的第一带标签数据窗，利用基于步态的数据增强算法处理所述第一带标签数据窗以获得数段第二带标签数据窗；采用所述第一带标签数据和第二带标签数据窗对多层次端到端神经网络训练；

所述多层次端到端神经网络为p层次，所述p为大于等于2的正整数；其中，采用所述第一带标签数据窗和第二带标签数据窗对多层次端到端神经网络训练，包括以下步骤：

步骤S21，所述运动传感器采集人类活动姿态的带标签数据、数段第一带标签数据窗和数段第二带标签数据窗内均设有m个原始动作行为标签；将所述原始动作行为标签分为n个第一动作行为标签和非第一动作行为标签，并将n个第一动作行为标签和非第一动作行为标签标记为第一层次标签；将所述第一层次标签对应的数据窗导入第一层次端到端神经网络，以实现第一层次端到端神经网络的训练；所述m为大于1的自然数，且所述n为大于0、且小于m的自然数；

步骤S22，剔除R个第j-1动作行为标签，并将所述非第j-1动作行为标签分为W个第j动作行为标签和非第j动作行为标签，将W个第j动作行为标签和非第j动作行为标签标记为第j层次标签；将所述第j层次标签对应的数据窗导入第j层次端到端神经网络，以实现第j层次端到端神经网络的训练；所述R为大于0、且小于m的自然数；所述j为大于1、且小于等于p的自然数；所述W为大于0、且小于m的自然数；所述j等于2的动作行为标签即为第一动作行为标签；

步骤S23，重复步骤S22，依次对多层次端到端神经网络进行训练；

分层次识别：利用所述运动传感器采集任一人类活动姿态的原始数据，并对所述原始数据进行滑窗切割，得到数段连续的待识别的动作数据窗；将所述待识别的动作数据窗依次导入经训练的多层次端对端神经网络，判别人类活动姿态的类型，包括以下步骤：

步骤S31，将所述待识别的动作数据窗导入第一层次端到端神经网络，判断所述待识别的动作数据窗是否为第一动作行为标签对应的第一行为，若是，则输出识别的第一行为；否则进入步骤S32；

步骤S32，将所述待识别的动作数据窗导入第j-1层次端到端神经网络，判断所述待识别的动作数据窗是否为第j-1动作行为标签对应的第j-1行为，若是，则输出识别的第j-1行为；否则，将待识别的动作数据窗导入第j层次端到端神经网络；所述j为大于1、且小于等于p的自然数；

步骤S33，重复步骤S32，直至待识别的动作数据窗识别完成。

2.根据权利要求1所述的基于多层次端到端神经网络的人类活动姿态识别方法，其特征在于，其中，利用基于步态的数据增强算法处理所述第一带标签数据窗以获得数段第二带标签数据窗，包括以下步骤：

步骤S11，提取两段具有相同标签的第一带标签数据窗，从所述两段第一带标签数据窗中各选取任一一步态周期的数据；

步骤S12，判断一步态周期的数据的时间长度，并以时间长度最长的一步态周期的数据为基准，采用插值法延伸剩余选取的一步态周期的数据，获得时间长度相同的一步态周期的数据；

步骤S13，求得步骤S12中时间长度相同的一步态周期的数据的平均值，得到过渡的标签数据窗；

步骤S14，采用周期延拓将所述步骤S13中过渡的标签数据窗延拓至第一带标签数据窗的长度，获得步骤S11中选取的任一一步态周期的数据对应的第二带标签数据窗；

步骤S15，重复步骤S11至步骤S14，获得数段第二带标签数据窗。

3.根据权利要求1所述的基于多层次端到端神经网络的人类活动姿态识别方法，其特征在于，所述人类活动姿态的类型包括上楼、下楼、步行、慢跑、站立、坐。