[发明专利]一种基于改进的CNN网络空中手写动作识别方法

说明书

本发明公开了一种改进的卷积神经网络的空中手写动作识别方法，该方法利用多时间序列和部分权重共享技术的CNN对特征进行提取，解决了传统方法需手工设计特征等缺点。该方法主要包括以下内容：1、对传感器数据的预处理以及动作片段提取；2、利用改进的CNN提取动作特征，改进包括引入多时间序列作为输入，在卷积层利用部分权重共享技术一定程度上解决了因传统特征提取导致局部差异性削弱而带来的精度下降问题，使特征更具代表性，在池化层和反向传播上结合部分权重共享做出了相应改进，使网络能进行正确的训练。本发明通过改进的CNN提高了空中手写动作的识别精度，可用于模式识别系统中，为基于智能腕带的手部动作识别做技术支撑。

技术领域

本发明属于通信电子技术和模式识别领域，具体涉及一种基于改进CNN网络的空中手写动作识别方法。

背景技术

近年来随着微电子技术和物联网发展，微型芯片的普及和可穿戴设备的应用，利用智能移动设备内置传感器对人体行为识别具有十分重要的研究和应用价值，很多研究和机构都进行应用开发和科学研究。其中，可穿戴设备因与用户日常生活实时相关，且具有随时随地感知、感知内容丰富、隐私侵入性小等优点，由可穿戴的传感器节点来获取传感信息已经成为有效获取人体运动信息的手段。

对于基于可穿戴设备的空中手写动作识别，其关键在于特征的提取，整个过程主要分以下几个阶段：传感器数据采集、数据预处理、动作片段提取、特征提取和分类识别。其中，特征提取的优劣程度对分类精度有着最直接的影响。对于空中手写动作的识别，现有的方案大多是基于传统的手段，需消除空中手写时产生的连笔和人为的设计提取特征，且某些动作易出现识别混淆的情况。而某些不用单独设计提取特征的方法，则较难适应不同动作难易程度不同所导致的传感器数据长度不同的问题。并且，现有的绝大多数深度学习网络模型庞大并不适用于智能腕带端。

为此本发明提出了一种基于改进CNN网络的空中手写动作识别方法，解决了时序传感器信号数据需人工设计提取特征的缺点。在深度学习网络中，通过传入数据的格式化处理，解决了同时利用多传感器的时间序列作为多通道网络输入以及部分权重共享技术的应用，增加了有效特征维度，同时增强了局部区域的特征提取能力，从而达到提高分类识别的精度。同时，设计了数据格式化模块，解决了输入数据大小不同对全连接层的影响。

发明内容

本发明的目的在于设计一种能应用到智能腕带等设备上的基于深度学习网络，能自动提取空中手写动作传感器特征，对空中手写动作进行识别，同时避开如消除连笔等复杂的数据预处理步骤。

为实现上述目的，解决需手工设计特征难以适应不同长度数据，识别易产生混淆等问题。本发明提出了一种基于改进CNN网络的空中手写动作识别方法，其主要包括以下步骤：

1)数据的采集以及预处理。利用智能手表等可穿戴设备内置三轴加速度传感器和陀螺仪采集空中手写动作的传感器数据，为构建训练数据集首先对采集到的动作传感器数据打上相应动作标签。对采集到的两类传感器数据进行预处理，过滤掉原始传感器数据中的噪音等，得到有效的传感器数据；

2)动作片段提取和数据格式化。对预处理过后的传感器数据进行动作片段提取切割，结合人体手部在不发生动作处于相对自然静止的状态下的合传感器数据阈值、传感器数据曲线平滑程度、曲线变化程度等等特征阈值过滤掉一些无效传感器数据(过渡动作数据)；对不同尺寸的传感器数据片段进行格式化处理，形成大小尺寸相同的网络输入数据；

3)特征提取与分类。对CNN网络做出改进，加入多时间序列和部分权重共享技术，并相应的对max_pooling和反向传播做出改进调整，以适应部分权重共享技术的应用；应用格式化过后的空中手写动作传感器数据对模型进行训练，建立分类识别模型。

附图说明

图1是本发明中系统整体结构流程图的示意图

图2是本发明中空中手写动作示意图

图3是本发明中数据格式化示意图