[发明专利]一种基于深度混合模型的行人运动模式识别方法

权利要求书

1.一种基于深度混合模型的行人运动模式识别方法，其特征在于，包括如下步骤：

S1、利用智能手机采集行人运动的原始数据；

S2、利用固定步长滑动窗口分割法对所述原始数据进行预处理；

S3、利用卷积神经网络对经预处理后的数据进行特征提取；

S4、利用主成分分析法PCA对提取的特征进行降维处理；

S5、利用集成学习模型XGBoost对降维后的特征数据进行整合，从而完成对行人运动模式的识别。

2.根据权利要求1所述的基于深度混合模型的行人运动模式识别方法，其特征在于，所述步骤S1的具体方法为：

利用智能手机内置的加速传感器、陀螺仪和磁力计，采集行人运动的原始数据，其中：

所述原始数据包括手握、平端、双肩包和前裤兜4种不同的手机放置位置所获取的数据；

所述行人的运动模式包括上楼、下楼、跑步、走路、站立、骑自行车和甩手7种不同的运动模式。

3.根据权利要求1所述的基于深度混合模型的行人运动模式识别方法，其特征在于，所述步骤S2的具体方法为：

利用固定步长滑动窗口分割法分别对智能手机内置的加速传感器、陀螺仪和磁力计所获取的原始数据进行预处理，其中：

所述滑动窗口的窗口长度为200，步长为50。

4.根据权利要求1所述的基于深度混合模型的行人运动模式识别方法，其特征在于，所述步骤S3包括如下步骤：

S301、利用卷积神经网络中卷积层的卷积核对经预处理后的数据进行特征提取；

S302、利用卷积神经网络的池化层统计手机不同放置位置的特征数据，并对提取的特征数据进行筛选；

S303、利用卷积神经网络的全连接层将两次卷积和池化处理后的特征数据进行加权求和及整合处理，得到高阶特征数据，从而完成对预处理后数据特征的提取。

5.根据权利要求4所述的基于深度混合模型的行人运动模式识别方法，其特征在于，所述步骤S301中特征提取的表达式如下：

其中，表示卷积层l第i个神经元上第j个特征图的输出，表示卷积核，b_j表示卷积特征图的偏置，m表示卷积窗口包含的元素个数，a表示当前第a个元素，Relu(·)表示激活函数。

6.根据权利要求4所述的基于深度混合模型的行人运动模式识别方法，其特征在于，所述步骤S302中对提取的特征数据进行筛选的表达式如下：

其中，表示经过池化后卷积层l中对应的最大神经元，r表示池化核的尺寸，x_i,j表示池化核中i处和j处的神经元。

7.根据权利要求4所述的基于深度混合模型的行人运动模式识别方法，其特征在于，所述卷积神经网络包括第一卷积层、与所述第一卷积层连接的第一池化层、与所述第一池化层连接的第二卷积层、与所述第二卷积层连接的第二池化层、与所述第二池化层连接的第一全连接层以及与所述第一全连接层连接的第二全连接层，其中：

所述第一卷积层和第二卷积层的卷积核大小均为15×3，其数量分别为64和32；

所述第一池化层和第二池化层的池化核大小均为2×1；

所述第一全连接层设置有1024个神经元；

所述第二全连接层设置有256个神经元，且其输出特征为256维。

8.根据权利要求1所述的基于深度混合模型的行人运动模式识别方法，其特征在于，所述步骤S4包括如下步骤：

S401、根据提取的特征数据利用主成分分析方法最大化投影特征数据方差；

S402、根据所述最大化投影特征数据方差计算得到主成分的累计贡献率，从而完成对提取特征的降维处理。