[发明专利]基于深度学习的无源人体运动识别方法

说明书

本发明公开了一种基于深度学习的无源人体运动识别方法，通过首先对人体运动数据进行行为特征数据提取获取训练数据，然后在笔记本电脑中使用tensorflow构建深度神经网络模型，基于训练数据采用深度学习的方法实现对深度神经网络模型的训练，在人体运动识别时，通过给待识别人员配备WISP实现人体运动数据的采集，然后提取采集的运动数据的特征数据作为深度神经网络模型的输入数据，通过深度神经网络模型实现运动识别；优点是成本较低，识别时间短，且具有较高的识别准确率。

技术领域

本发明涉及一种无源人体运动识别方法，尤其是涉及一种基于深度学习的无源人体运动识别方法。

背景技术

随着计算机视觉、MEMS(Micro Electro Mechanical Systems)技术以及人工智能等技术的日益成熟和不断发展，各种各样的智能设备进入了人们的日常生活中。与此同时，用于这些智能设备的智能控制或智能监测方法也得到了快速的发展。人体运动识别方法作为一种智能监测的模式识别方法，主要对人体的运动类别和行为模式进行分析和识别，得到了广泛应用。人体运动识别方法通过获取人体的运动信息并对这些运动信息进行处理，从而识别人的行为动作。人体运动识别方法可以识别的人的行为动作，进而判断人所处的地理环境，推测其潜在目的。如在医疗健康领域，人体运动识别方法可以实现子女对年迈的父母行为的远程监测，或者医院工作人员可以对特定病人的日常行为进行远程监测。

现有的人体运动识别方法根据数据采集方式的不同主要分为基于计算机视觉的人体运动识别方法和基于可穿戴设备的人体运动识别方法两大类。基于计算机视觉的人体运动识别方法是在一个限定区域的环境中安装视频数据采集装置，通过视频数据采集装置采集该限定区域内行为人的视频图像远程发送给监测者，监测者采用图像处理方法对采集到的视频图像进行处理获取对应的运动数据，然后基于这些运动数据分析确定行为人的运动状态。基于计算机视觉的人体运动识别方法虽然在人体运动识别方面具有较高的识别准确率，但是其需要在监测区域的中安装视频数据采集装置，成本较高，且容易受到采集区域中其它物体的干扰而导致准确度降低。

基于可穿戴设备的人体运动识别方法中，行为人携带包含高精度传感器的可穿戴设备，通过可穿戴设备对行为人运动状态数据进行采集，可穿戴设备中的高精度传感器有助于提高运动状态的识别准确率。行为人做出相应的运动行为时，可穿戴设备中的高精度传感器采集相应的数据，该可穿戴设备通过无线通信的方式将采集的数据发送给数据处理终端(如PC机),数据处理终端中构建有数据处理模型(SVM(Support Vector Machine)、决策树或者深度神经网络等模型)，这些数据作为数据处理模型的输入数据输入数据处理模型中得到运动类型的结果输出。

基于可穿戴设备的人体运动识别方法相对于基于计算机视觉的人体运动识别方法，使用更加方便灵活，但是该方法需要使用的可穿戴设备成本也较高，且使用的SVM、决策树等模型随着数据量增大耗时严重且识别准确率会降低，使用过度复杂网络难以确定网络结构最终也将影响运动识别准确率。

发明内容

本发明所要解决的技术问题是提供一种成本较低，识别时间短，具有较高的识别准确率的基于深度学习的无源人体运动识别方法

本发明解决上述技术问题所采用的技术方案为：一种基于深度学习的无源人体运动识别方法，包括以下步骤：

①配备WISP(Wireless Identification and Sensing Platform)，并将与WISP对应的WISP源码文件装载到一台笔记本电脑上，打开笔记本电脑上的WISP源码文件对WISP的参数进行设置：将WISP源码文件中WISP上三轴加速度传感器的采样频率参数设置为30Hz；参数设置完成后，将笔记本电脑与WISP通过MSP430 USB仿真器相连将WISP源码文件下载到WISP中，下载完成后，将WISP阅读器与笔记本电脑通过USB相连，此时，WISP阅读器与WISP通过无线网络进行通讯，WISP阅读器与笔记本电脑通过USB连接后进行通信；