[发明专利]一种基于密集连接卷积神经网络的人体运动状态判别方法

说明书

本发明提供了一种多维信息融合的步态数据采集方式，以及基于密集连接卷积神经网络的运动状态判别方法。在多维信息融合的步态数据采集过程中，同时测量实验对象在直行、左转、右转时左小腿(LS)、右小腿(RS)和腰上(L5)的加速度和角速度信息以及足底压力信息，可操作性强、复杂度低。本发明提出的针对原始步态序列的密集连接卷积神经网络不再需要特征提取，无需先验知识，同时配合特征选择，减少了所需的配套测量装备个数和特征数目，降低了网络模型的复杂度。且通过将中间部分卷积层的输入和输出特征图连接形成下一层的输入，使得本网络的准确率有明显提高。在上述自采数据集上测试单人多任务(直行、左转、右转)的运动状态判别(直行、左转、右转)准确率可达99.1％，和SVM的91.79％相比，准确率有所提高。

技术领域

本发明提供了一种基于密集连接卷积神经网络的人体运动状态判别方法，它提供了多维信息融合的步态信息采集方式、为面向步态信息的运动状态判别提供了新的分析方法，属于人体步态识别和模式识别领域。

背景技术

人体步态识别技术旨在分析运动对象的步态加速度数据，实现对运动对象步态的定性判断。此前基于视频或图像序列的步态分析(贲晛烨,徐森,王科俊.行人步态的特征表达及识别综述.模式识别与人工智能,2012,25(1):71-81.(BEN X Y,XU S,WANG K J,etal.Review on Pedestrian Gait Feature Expression and Recognition.PatternRecognition and Artificial Intelligence,2012,25(1):71-81.))，易受到现场光照变化、运动目标遮挡等多种因素影响，不利于后续机器学习。本发明提出的多维信息融合的步态数据采集方式融合了足底压力和多维动力学时间序列，可操作性强、复杂度低，在保证实时性的同时可为监督式学习提供更加准确的分类标记(支撑相和摆动相的划分)，在本发明的一个实施例中根据上述采集方式得到了一个包含29名被试的步态信息数据集。

近年来，随着深度学习的兴起，卷积神经网络(convolution neural network，CNN)在图像、语音、视频等诸多领域都取得了一定的应用效果。与传统基于支持向量机(support vector machine，SVM)等传统机器学习方法实现的人体步态识别相比，本发明提出的针对原始步态序列的密集连接卷积神经网络不再需要特征提取，无需先验知识，同时配合特征选择，减少了所需的配套测量装备个数和特征数目，降低了网络模型的复杂度。且通过将中间部分卷积层的输入和输出特征图连接形成下一层的输入，使得本网络的准确率有明显提高。在上述自采数据集上测试单人多任务(直行、左转、右转)的运动状态判别(直行、左转、右转) 准确率可达99.9％，和SVM的91.79％相比，准确率有所提高，同时该网络重新训练后同样可以实现多人(29人)多任务(直行、左转、右转)的运动状态判别，准确率可达94.8％。

发明内容

本发明提供了一种多维信息融合的步态数据采集方式，以及基于密集连接卷积神经网络的运动状态判别方法。在多维信息融合的步态数据采集过程中，同时测量实验对象在直行、左转、右转时左小腿(LS)、右小腿(RS)和腰上(L5) 的加速度和角速度信息以及足底压力信息。并利用决策树进行特征选择，减少预测时所需的惯性传感器数目和特征数量。根据特征选择的结果，最终选用左小腿和右小腿分别的角速度y轴、角速度z轴和加速度z轴共6个通道的动力学时间序列作为卷积神经网络的输入，实现单人单任务(直行、左转、右转)、多人(29 人)多任务(直行、左转、右转)的运动状态判别(直行、左转、右转)，并进行结果比对。

为实现上述目的，实现多人多任务的运动状态判别，本发明包括如下步骤：

1.数据采集：采用足底压力分析系统和惯性传感器相结合的方式进行数据采集，所用惯性传感器中自带滤波，过滤掉信号采集时的噪声和其他无关成分；

2.特征选择：对腿上和腰上的加速度和角速度信息利用决策树进行特征重要性排序，以减少所需惯性传感器和特征数目；