[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

说明书

本发明涉及行为识别技术领域，具体的说是一种基于深度学习的信号相关行为识别方法及系统，对于传感器采集的信号，利用数据预处理中的差分来提升数据量，利用多输入卷积神经网络与人工指定统计量共同进行特征提取，利用适合的参数最优化后的机器学习分类器进行分类识别，与已有算法相比，本发明可提升人体行为识别的准确率，进行更为准确的识别；具有实现简单，在行为识别领域智能产品应用方面具备实用价值，易于进行普及推广等优势。

技术领域：

本发明涉及行为识别技术领域，具体的说是一种基于深度学习的信号相关行为识别方法及系统。

背景技术：

行为识别是一个新兴的研究领域，其应用范围广泛，可用于人体或物体的行为状态识别，发展潜力巨大。行为识别具有包括图像识别、信号识别在内的多种实现方法；在行为识别的各类方法中，较为普遍与成熟的方法为利用惯性传感器来采集信号进而识别的信号相关行为识别。

近年来随着技术的迅速发展，传感器越来越小型化，低成本化，同时手机等电子产品其功能不断扩充，目前通过在手机等电子产品中内置的传感器来采集加速度角速度等信号序列，再通过行为识别算法判断人体或车辆等物体的行为，最后根据所记录的行为统计数据给出建议或决策，在健康生活、安全出行等多个方面具有重要意义。当今各类智能设备不断普及，行为识别算法具有广阔的前景与巨大的实际应用价值。

在行为识别领域，识别的准确性是最基本的要求，也是最关键的问题。目前利用传感器采集信号的行为识别方法，其识别算法(如卷积神经网络或机器学习算法)存在一定不足，具体表现为识别准确率较低。已有的行为识别方法存在缺陷的原因主要是由信号数据量较小，对信号特征提取程度不足，分类器不适合等多方面因素造成的。因此急需一种在不新增设备，不改变传感器数据采集方式的情况下，可有效提高行为识别的准确率的技术方案。

发明内容:

本发明针对现有技术中存在的缺点和不足，提出了一种在不新增设备，不改变传感器数据采集方式的情况下，可有效提高行为识别的准确率的基于深度学习的信号相关行为识别方法及系统。

本发明通过以下措施达到：

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，然后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。

本发明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。

本发明步骤2中经过信号预处理后，数据格式为多通道一维数据序列，同时，由于惯性传感器采集信号为三轴加速度或角速度信号序列，因此信号序列的差分具有物理意义，现对数据信号进行差分处理，差分处理前后的信号序列将共同构成多组信号序列数据，使每个行为对应的数据信息得到扩充。