[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

说明书

本发明提供了一种基于深度混合模型的行人运动模式识别方法。利用智能手机中内置的加速度传感器、陀螺仪和磁力计采集四种手机放置位置、七种日常行人运动模式的数据；采用由卷积神经网络CNN自动提取特征，后经主成分分析法对提取的特征进行降维处理，并将处理后的结果输入至XGBoost学习模式进行识别的混合模型。本发明将CNN作为可以从输入中自动获取特征的可训练特征提取器，利用PCA将高维特征数据降维以减小计算量，将XGBoost作为网络顶层的识别器来输出结果，有效地保证了特征提取和分类的高可靠性。

技术领域

本发明属于惯导运动模式识别的技术领域，尤其涉及一种基于深度混合模型的行人运动模式识别方法。

背景技术

近年来，随着微机电系统制造技术的不断发展和成熟，低成本、小尺寸、高灵敏度的传感器已经在大量电子设备中应用，如智能手机、个人笔记本电脑等，这使得获取与分析数据变得越来越方便和灵活。同时，由于移动手机的普及，人们对其智能化的程度提出了更高要求。其中，基于手机内置传感器的行人运动模式识别技术在室内定位、健康监测、智慧城市等领域引起了广泛关注。所以如何实现高精度的行人运动模式识别成为了亟待解决的问题。

行人运动模式识别旨在识别多种观察场景下人体的运动行为。常采用的方法可以归纳为两类：基于视觉和基于传感器。基于视觉的识别方法主要依赖于各种高帧率的视频设备，其中，照明条件、图像背景等外部因素对识别精度有很大影响。相比之下，基于传感器的方法方便、易于携带的性质使其在复杂的环境中更加有效且数据的采集不侵犯个人隐私。利用运动传感器可直接测量多种运动模式的数据从而建立识别易混淆的运动模式的数学模型。

智能手机的普及已使其变成了一个无处不在的计算平台。其中，利用智能手机内置的运动传感器高效地识别行人运动模式引起了研究人员的关注。近些年大部分的相关文献聚焦于固定手机放置位置(例如，腰部、上臂等)，这与人们使用手机的习惯相违背(例如，在几分钟的时间内，手机可能被放在背包中，而后放到裤兜里，最后被拿出来用于发送短信)。因此，手机放置位置的多样性是行人运动模式识别困难的重要原因。当前关于运动模式识别的研究通常依赖于有监督机器学习方法，如隐马尔可模型、K近邻、随机森林、支持向量机等。这些算法主要分为三个步骤，即原始数据的预处理、特征提取和特征选择、识别分类。但是这些传统方法有一定的局限性，主要表现在三个方面：1)由于行人运动模式的多样性和复杂性，人工特征提取需要专业的领域知识和丰富的经验。而且可能导致提取出来的一些特征在识别某些运动模式中表现得很好，但在识别其他模式时表现得很差；2)即便是相同的运动模式，不同的手机放置位置将导致运动传感器的波形有很大的不同，这使得高精度识别各种不同的运动模式变得困难；3)加之运动习惯、性别、年龄的差异，不同人群的运动模式差异较大，这加大了划分不同运动模式边界的难度。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度混合模型的行人运动模式识别方解决了传统人工提取行人运动特征的弊端，充分挖掘了不同信号中蕴含的丰富特征数据信息，减少了原特征信息损失的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于深度混合模型的行人运动模式识别方法，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。

进一步地，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：