[发明专利]基于多卷积核残差网络的行为识别系统、方法、介质及设备

说明书

本公开提供了一种基于多卷积核残差网络的行为识别系统、方法、介质及设备，通过采集用户的运动生理数据或环境状态数据，并对采集的数据依次进行传输、预处理和标注，得到训练集和测试集；构建基于多卷积核残差网络的行为识别模型，根据训练集的预测误差将训练样本分类并对每一类进行自适应分配权重，计算整体损失函数，以及其对模型各个参数的偏导数，迭代更新模型参数，得到训练后的识别模型，利用测试集进行测试，保存测试达标的模型参数，生成最终的深度学习模型；将需要识别的数据输入深度学习模型，得到用户行为识别结果；本公开能够有效利用多尺度下的数据特征。

技术领域

本公开属于人工智能和模式识别技术领域，涉及一种基于多卷积核残差网络的行为识别系统、方法、介质及设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

行为识别系统通过获取人的行为信息，经过模型和算法的处理从而实现对用户行为的识别。随着物联网、人工智能、大数据和云计算等先进技术的发展和成熟，越来越多的学者开始关注行为识别方向的研究。同时，可穿戴设备的发展为用户行为识别提供了良好的契机，行为识别已经成为人工智能与模式识别研究领域中一个重要的研究方向。如今，用户行为识别技术已经在游戏、人体运动分析、智能家居、人机交互以及医疗诊断和监护等领域得到了初步应用。

用于人类行为识别的传感器主要分为身体传感器和环境传感器。身体传感器包括加速度传感器、陀螺仪、心率传感器，心电传感器等等，它们常见于手机、智能手环等可穿戴设备，可以伴随着人类行动，分别采集人类的运动信息和生理信息。温度传感器、湿度传感器等可以采集环境信息，为识别人类行为提供有效的辅助信息。

用户行为识别系统通过处理低级别的传感器信息，得到高级别的复杂人类活动信息，其步骤一般分为数据预处理，特征提取和分类识别三个部分。传统的方法用统计特征作为数据的特征，如均值、方差、峰峰值等。随着深度学习的发展，卷积神经网络和递归神经网络等深度学习模型也开始应用在用户行为识别领域中。与传统的统计特征提取方法相比，深度学习算法可以自动地提取更深层的特征。卷积神经网络通过卷积核提取样本的局部特征，大量的卷积核则能提取样本的不同特征，从而组合成更具代表性的特征图，并且它的权重共享机制有效地减少了模型的参数量，提高了运算速度。

传感器采集的数据通常为时间序列，部分采样点的时间前后距离可能比较远，但是时序上的相关性却很大，因此在目前广泛使用固定小尺寸卷积核的情况下，较难提取前后时间距离较远的数据的相关特征。另外，样本数据集的不均衡造成在训练时常常会偏离最优方向，自适应损失函数可以根据样本的难易程度自适应改变模型优化方向，减少训练耗时。

发明内容

本公开为了解决上述问题，提出了一种基于多卷积核残差网络的行为识别系统、方法、介质及设备，本公开能够有效提供识别准确率。

根据一些实施例，本公开采用如下技术方案：

一种基于多卷积核残差网络的行为识别系统，包括：

数据准备层，包括多个传感器和数据处理单元，所述传感器分别用于采集运动生理数据或环境状态数据，所述数据处理单元被配置为对采集的数据进行传输、预处理和标注，得到训练集和测试集；

深度学习层，被配置为构建基于多卷积核残差网络的行为识别模型，根据训练集的预测误差将训练样本分类并对每一类进行自适应分配权重，计算整体损失函数，以及其对模型各个参数的偏导数，迭代更新模型参数，得到训练后的识别模型，利用测试集进行测试，保存测试达标的模型参数，生成最终的深度学习模型；

识别应用层，被配置为将需要识别的数据输入深度学习模型，得到用户行为识别结果。

作为进一步的限定，所述数据准备层具体包括：