[发明专利]一种基于卷积神经网络的泳姿识别方法

说明书

本发明公开了一种基于卷积神经网络的泳姿识别方法,包括：将九轴传感器安装在手腕处，记录人体游泳时手腕部的加速度和角速度信号；取出一个单位长度的待测信号进行识别分割；对分割得到的信号进行预处理，设计卷积神经网络模型结构；对卷积神经网络模型参数进行训练，将预处理后的信号输入到训练后的卷积神经网络模型中进行分类，确定信号分类结果；根据信号分类结果，确定待测信号中所要取出的单位长度的信号片段的区间，重复上述步骤。本发明通过对卷积神经网络结构进行修改，降低了其对计算资源的需求，使其能在智能可穿戴设备上对泳姿进行高效、准确的识别。

技术领域

本发明涉及人体动作识别领域，尤其涉及一种基于卷积神经网络的泳姿识别方法。

背景技术

随着腕戴式智能设备的流行，基于九轴传感器的人体动作识别在人类生活中发挥着越来越重要的作用。作为模式识别领域中一个极具挑战的研究方向，其在健康监测、老年人安全监测和智能家庭等方面均有着重要的应用。但由于设备的限制，大多数的基于腕戴式的智能设备主要采用模式匹配等算法实现功能。但近年来在模式识别领域，卷积神经网络凭借其强大的学习能力，已经成功地在计算机视觉以及自然语言处理等方向得到了应用。而在传感器信号的识别方面，卷积神经网络同样具有巨大的优势。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于卷积神经网络的泳姿识别方法。本发明通过对卷积神经网络进行一定的修改和删减，能够在腕戴式智能设备上进行准确率高的泳姿识别。

本发明的目的能够通过以下技术方案实现：

一种基于卷积神经网络的泳姿识别方法，具体步骤包括：

(1)获取九轴传感器采集的人体游泳时手腕部的加速度和角速度作为待测信号，设计卷积神经网络模型结构；

(2)取出一个单位长度的待测信号进行识别分割；

(3)对分割得到的信号进行预处理；

(4)将预处理后的信号输入到卷积神经网络模型中进行分类，确定信号分类结果；所述卷积神经网络模型为参数经过训练后的模型；

(5)根据信号分类结果，确定待测信号中所要取出的单位长度的信号片段的区间，重复步骤(2)～(5)。

具体地，所述步骤(2)中，识别并分割出待测信号片段中第一个具有完整运动周期的信号；若不能分割出待测信号片段中一个具有完整运动周期的信号，则分割出一个固定窗长的信号。

具体地，所述步骤(3)中，对分割得到的信号进行预处理为：对每一维信号进行双线性插值处理，使所有信号的长度一致。

具体地，所述步骤(1)中的卷积神经网络结构设计为：

第一层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数；

第二层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；

第三层为非卷积层，将第一层卷积层和第二层卷积层的输出的特征图相加；

第四层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；

第五层为非卷积层，将第三层卷积层和第四层卷积层的输出的特征图相加；

第六层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；

第七层为非卷积层，将第五层卷积层和第六层卷积层的输出的特征图相加；