[发明专利]一种面向弱标签传感器数据的人体动作识别方法

权利要求书

1.一种面向弱标签传感器数据的人体动作识别方法，其特征在于，包括以下步骤：

(1)利用传感器采集人体行为活动数据构成训练数据集，进行数据规范化处理，并添加对应的标签；

(2)将训练数据样本输入人体动作识别模型中，该模型包括卷积神经网络模块、循环神经网络模块和强化学习模块；

(3)针对含单次特殊活动的弱标签传感器数据和含多次特殊活动的弱标签传感器数据分别设计回报函数，并计算相应的reward值；

(4)对人体动作识别模型进行训练和优化；

(5)获取测试数据集，输入人体动作识别模型，测试模型的分类准确度。

2.根据权利要求1所述面向弱标签传感器数据的人体动作识别方法，其特征在于，步骤(2)的具体过程如下：

(201)对每条训练数据样本进行一个亚采样，将亚采样后的数据输入到卷积神经网络中，得到全局特征向量h₀；一方面，将此特征向量h₀作为网络的初始状态输入循环神经网络中进行编码，并通过强化学习模块输出初始观察位置预测l₁；另一方面，将此特征向量h₀输入到Softmax函数中，输出对应于真实标签的分类概率p₀；

(202)在上一步的预测位置l₁附近取一小片数据样本，并输入卷积神经网络中提取特征，得到其特征向量g₁；一方面，将此特征向量g₁与全局特征向量h₀相加，输入到Softmax函数中得到对应于真实标签的分类概率p₁；另一方面，将此特征向量g₁与上一步的位置预测通过一个RELU修正线性单元模块进行线性加和，输入到循环神经网络中，循环神经网络将当前输入的局部特征g₁与之前的全局特征h₀相结合，更新得到当前的全局特征h₁，并将h₁输入到强化学习模块，输出下一步待观察的位置预测l₂；

(203)重复步骤(202)，在执行完预先设置的步数T之后，将循环神经网络最终的全局特征输入Softmax分类器中，得到预测标签。

3.根据权利要求2所述面向弱标签传感器数据的人体动作识别方法，其特征在于，在步骤(3)中，针对含单次特殊活动的弱标签传感器数据，回报函数的设计方法如下：

将第t步输出的分类概率p_t与初始分类概率p₀作对比，若p₀≤p_t，则该步reward值为1，否则为0。

4.根据权利要求2所述面向弱标签传感器数据的人体动作识别方法，其特征在于，在步骤(3)中，针对含多次特殊活动的弱标签传感器数据，回报函数的设计方法如下：

将每步的预测位置附近窗口大小的小片数据样本位置放入一个集合中，在第t步，首先判断p₀≤p_t，若该不等式不成立，则该步的reward直接为0，若成立，再判断此步输出的预测位置l_t+1是否包含在之前的位置集合{loc₀,...,loc_t}中，若包含，则该步的reward为0.5，否则reward为1；其中loc_i是指(l_i-w_s,l_i+w_s)区间范围内的位置集合，w_s为窗口大小，0≤i≤t。