[发明专利]一种基于深度学习的信号相关行为识别方法及系统

权利要求书

1.一种基于深度学习的信号相关行为识别方法，包括模型训练阶段和实际应用阶段，其特征在于所述模型训练阶段包括以下步骤：

步骤1：采集信号序列并记录行为类型；

步骤2：将步骤1中采集的信号序列通过预处理模块依次进行滤波、分段与差分处理，差分前后数据组合得到多组数据；

步骤3：将步骤2中得到的多组数据及其对应的行为类型送入多输入卷积神经网络进行训练；

步骤4：将步骤3中训练完成的多输入卷积神经网络拆分，仅保留全连接层之前的结构，与人工指定的信号序列统计量共同作为特征提取模块；

步骤5：将步骤2中得到的多组数据利用步骤4中得到的特征提取模块进行数据特征提取，得到数据特征；

步骤6：将步骤5中提取的特征以及其对应的行为类型，送入机器学习分类器进行训练以及参数最优化，选取其中最优的分类器，得到特征分类模块。

2.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于所述实际应用阶段包括以下内容：将实时采集的加速度、角速度信号依次通过预处理模块以及模型训练阶段所产生的特征提取模块、特征分类模块进行处理，输出实时采集的行为信号的行为识别结果。

3.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于步骤3中多输入卷积神经网络的结构包括卷积层、池化层、Flatten层、合并层、全连接层。

4.根据权利要求3所述的一种基于深度学习的信号相关行为识别方法，其特征在于加入避免过拟合的Dropout层提升效果，Dropout层位于卷积层之后或全连接层之间。

5.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于步骤4中，将步骤3中已经完成训练的卷积神经网络拆分，去除全连接层，保留其卷积层、池化层、Flatten层以及合并层，将拆分获得的不含全连接层的卷积神经网络与人工指定的序列统计量共同作为特征提取模块。

6.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于步骤6中，将特征数据用于训练多种机器学习分类器，训练机器学习分类器的同时进行交叉验证以实现参数最优化，训练完成后选取准确率最高的机器学习分类器作为特征分类模块。

7.一种基于深度学习的信号相关行为识别的系统，设有数据采集模块、数据预处理模块、数据特征提取模块以及数据特征分类模块，其特征在于所述数据预处理模块中设有用于将采集的信号序列进行差分处理进而获得多组数据的差分处理模块；所述数据特征提取模块设有深度学习特征提取模块和人工特征提取模块，所述深度学习特征提取模块由训练完成的多输入卷积神经网络去除全连接层后形成，所述人工特征提取模块由对各通道数据计算统计量后形成。

8.根据权利要求7中所述的一种基于深度学习的信号相关行为识别的系统，其特征在于所述人工特征提取模块中设有均值模块或标准差模块或最大值模块或最小值模块或中位数模块中的一个或几个。

9.根据权利要求7中所述的一种基于深度学习的信号相关行为识别的系统，其特征在于所述数据特征分类模块由多个机器学习分类器分别进行训练，并进行参数最优化后，按准确率选择确定。