[发明专利]基于局部误差逐层训练的人体姿态识别方法和装置

说明书

本发明公开了一种基于局部误差逐层训练的人体姿态识别方法和装置，所述方法包括：S1、获取人体姿态数据，进行降噪、归一化处理；S2、将处理后数据送入卷积神经网络模型进行逐层训练，对人体姿态进行分类识别，当识别结果符合准确率要求时，输出模型；S3、利用训练好的模型对待识别的人体姿态数据进行分类识别。本发明摆脱了传统卷积神经网络依赖全局误差及反向传播更新网络参数，通过在每层神经网络中构建代价函数，实现逐层反向传播、层层优化、分批更新权重参数。通过避免保存全局梯度流参数实现节省计算机资源，并极大加快训练周期，提高了可穿戴传感器识别精度，在运动辅助、智能家居、医疗康复、虚拟运动场景等领域具有重要应用意义。

技术领域

本发明涉及人工智能领域的可穿戴式智能检测识别方法，尤其涉及一种基于局部误 差的逐层卷积神经网络训练的人体姿态识别方法和装置。

背景技术

随着传感器技术的不断进步，可穿戴传感器识别已经成为了一个新兴的研究热点， 在运动辅助、智能家居、医疗康复、虚拟运动场景和交互式游戏等领域有着广阔的应用前景。另外，科技的发展和制造工艺的不断提高，角速度传感器、陀螺仪传感器、加速 度传感器、心率传感器等各种各样的传感器均可内嵌智能手机或智能手环等智能设备当 中，这为可穿戴传感器识别技术的商业化发展提供了硬件上的支持。

如今计算机计算能力的提升以及互联网上大规模有价值数据的产生，极大的推动了 人工智能特别是深度学习在各个领域中的发展，为分析和研究可穿戴传感器识别提供了 新的研究思路。深度学习中的卷积神经网络因其强大的层次化表征能力脱颖而出，极大的提高了可穿戴传感器识别精度。然而，基于卷积神经网络搭建的可穿戴传感器识别系 统虽然在一定程度上能够完成目标对象的识别，但是受限于传感器数据训练量、全局训 练误差耗时耗材等消极因素使识别的准确度存在很大的波动。因此，单一的卷积神经网 络应用并不能满足对传感器数据的高精度识别期望，针对传感器数据预处理及基于卷积 神经网络的算法改良成为亟待解决的难题。

根据当前署名发明人的工作发现，传统的基于卷积神经网络可穿戴传感器识别系统 通过全局误差实现参数的更新，从而达到训练网络模型的目的。全局误差训练需要保存前向传播和反向梯度流的参数，导致占用了大量计算机内存，并使得训练时间变得极其 缓慢。同时，对于普通性质的计算机更是难以实现网络的正常运行，如何降低对硬件设 备的需求程度和保证计算精度质量的前提下减轻计算机负荷便成为首要解决的问题。

发明内容

发明目的：针对上述问题，本发明的目的是提供一种基于局部误差的逐层卷积神经 网络训练的人体姿态识别方法和识别装置，能够节省计算机资源，并极大加快训练周期， 提高可穿戴传感器识别精度。

技术方案：根据本发明的第一方面，提供一种基于局部误差的逐层卷积神经网络训 练的人体姿态识别方法，包括以下步骤：

S1、获取人体姿态数据，进行降噪、归一化处理；

S2、将处理后数据送入卷积神经网络模型进行逐层训练，对人体姿态进行分类识别， 当识别结果符合准确率要求时，输出模型；

S3、利用训练好的模型对待识别的人体姿态数据进行分类识别；

其中所述卷积神经网络模型在训练时截断全局误差及反向梯度流回传，利用局部误 差模型替代全局误差函数，根据前向梯度流的逐层误差更新当前网络参数，实现逐层训练。

进一步地，所述步骤S1中利用移动传感器采集人体姿态数据，记录不同肢体动作下的传感器数据，对每种活动类型打上相应标签，利用下采样降噪，利用零中心化处理 方法归一化，作为模型的输入数据。

进一步地，所述步骤S2中卷积神经网络模型中包括输入层、三层前向传播卷积层、全连接层，在三层前向传播卷积层之间应用局部误差模型，获取逐层误差，更新当前网 络参数，所述局部误差模型包括一卷积层、一池化层和全连接层。