[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

说明书

本发明公开了一种面向弱标签传感器数据的人体动作识别方法，步骤：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；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；针对含单次活动的弱标签传感器数据和含多次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；对人体动作识别模型进行训练和优化；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。本发明通过每次处理弱标签传感器数据中的局部信息，在有限次数内快速地识别出特定的活动并且定位出活动发生的位置。

技术领域

本发明属于行为识别技术领域，特别涉及了一种面向弱标签传感器数据的人体动作识别方法。

背景技术

人类活动识别是人工智能和模式识别领域的一个研究热点。随着智能可穿戴设备研究的不断进步，基于可穿戴传感器的人类活动识别成为其中的重要研究方向之一。随着智能手机的普及和发展，如今的手机里配备了许多嵌入式传感器，如加速度计、陀螺仪和磁力计，可以为不同的场景生成不同的数据。利用前所未有的可穿戴传感器数据流，可以开发便携式人体活动识别，以促进我们的日常生活。目前人类活动识别最常用的方法是CNN(卷积神经网络)、RNN(循环神经网络)、LSTM(长短期记忆网络)和DeepConvLSTM(深度卷积循环神经网络)。其中，最经典的就是DeepConvLSTM(深度卷积循环神经网络)算法，其将每类传感器(身体加速度计、整体加速度计、陀螺仪)的三个坐标轴(XYZ)数据合并成一个数据矩阵，即(128,3)维，作为输入数据，每类传感器均创建一个DeepConvLSTM模型，每个模型通过3次CNN操作和3次LSTM操作，将数据抽象为128维的LSTM输出向量。其中，在CNN(卷积神经网络)的卷积单元中，通过连续3组卷积、BN(BatchNormalization)、MaxPooling(最大池化)的组合操作，将128维的数据转为了16维的高层特征，再执行一次Dropout。然后，在RNN(循环神经网络)的时序单元中，通过三次LSTM操作(隐含层神经元数设置为128个)，将16维的卷积特征转换为128维的时序特征，再执行Dropout操作。最后，将3个传感器的3个模型输出，合并为一个输入，再执行Dropout、全连接(Dense)、BN操作，最后使用Softmax函数，输出类别概率。该模型作为一个经典的模型，是很多其他领域论文里的实验参照。

但是这些经典的人类活动识别方法，比如CNN(卷积神经网络)、LSTM(长短期记忆网络)、DeepConvLSTM(深度卷积循环神经网络)等均属于监督学习的方法，需要严格标记好的训练数据集，即每条传感器数据训练样本只包含一种人类活动，且整条数据样本都为该活动，不能包含其他无关的背景活动(比如标签为“跑步”的数据样本必须都为“跑步”这一活动，不能包含“走路”、“跳跃”等其他无关的活动)。然而这些严格标记好的训练样本都是通过人工手动加窗分割的，需要消耗大量的人力和物力。对于较长的弱标签传感器数据，这些方法会导致模型变得非常庞大，并且由于弱标签传感器数据中包含大量的无关背景活动信息，导致这些方法的准确性不高。

发明内容

为了解决上述背景技术提出的技术问题，本发明提供了一种面向弱标签传感器数据的人体动作识别方法。

为了实现上述技术目的，本发明的技术方案为：

一种面向弱标签传感器数据的人体动作识别方法，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；