[发明专利]基于深度残差网络的移动终端人类情境识别方法

说明书

本发明公开了一种基于深度残差网络的移动终端人类情境识别方法。该方法如下：初始化移动终端系统参数；初始化深度残差网络参数，包括网络层数、每层神经元的个数、激活函数、池化函数和池化窗、卷积核；对传感器数据进行预处理；对深度残差网络进行训练优化；利用优化后的深度残差网络识别人类情境。本发明方法可以提高基于传感器数据的移动终端人类情境识别的准确率，减少了识别误差；能提高移动终端系统识别人类情境的能力，可以被广泛应用于活动识别、姿态预测等移动终端实际应用场景。

技术领域

本发明属于移动终端控制技术领域，特别涉及一种基于深度残差网络的移动终端人类情境识别方法。

背景技术

移动终端系统是利用智能移动终端上多个传感器完成实际任务的综合系统，对日常生活产生了重要影响。随着智能手机的不断普及，其应用越来越普遍，应用场景也是越来越丰富。其中，人类情境识别(human context recognition，HCR)是最为常见的应用场景之一，既包括个人情境识别(例如活动，健康状况，情绪)又包括环境情境识别(例如位置，尘埃水平，社会互动)，在医疗领域可以用于身体评估以及对患有慢性疾病(例如糖尿病，肥胖症，认知障碍或心律不齐)的患者进行监督。现如今人口老龄化的趋势更需要高性能高精度的HCR，来对人体状况进行有效监测。

人类情境识别即根据传感器所采集到的信号识别用户所处的情境，例如识别血压是否正常、体温是否正常、当前的手势和姿态等，并将识别出的情境发送至相应的客户端。在现实的应用场景中，为了实现人类各种情境的识别，系统往往设计得比较复杂，有多个传感器同时工作。因此，需要基于移动感知系统中各传感器所采集的数据，设计合适的情境识别算法，即分类算法，形成最终的识别结果输出给用户。目前已有分类算法的实现方法大量运用了有监督机器学习方法，尤其是深度学习的运用将分类器的识别准确率提高到90％左右。但传统的深度学习存在一些短板，例如梯度消失等，使得分类算法的识别准确率无法进一步提升。

发明内容

本发明的目的在于提供一种准确、高效的基于深度残差网络的移动终端人类情境识别方法，使移动终端能够精确识别人类情境。

实现本发明目的的技术解决方案为：一种基于深度残差网络的移动终端人类情境识别方法，包括以下步骤：

步骤1，初始化移动终端系统参数；

步骤2，初始化深度残差网络参数；

步骤3，对传感器数据进行预处理；

步骤4，对深度残差网络进行训练优化；

步骤5，利用优化后的深度残差网络识别人类情境。

进一步地，步骤1所述初始化移动终端系统参数，具体包括：

初始化移动终端系统参数，包括：总任务时长T、传感器参数、预先设定可被识别的人类情境种类，包括行走、坐立；其中，传感器参数包括传感器采样频率、占空比。

进一步地，步骤2所述初始化深度残差网络参数，具体包括：

初始化深度残差网络参数，包括网络层数、每层神经元的个数、激活函数、池化函数和池化窗、卷积核。

进一步地，步骤3所述对传感器数据进行预处理，具体为：

将人体佩戴式、基于物体和环境的传感器的信号量即固定时间段内收集数据包的数量调整至相同数目，并且作归一化处理，同时去除掉噪声和失真值；接着进行窗口的划分，将总任务时长T划分为多个短的时间窗口。

进一步地，步骤4所述对深度残差网络进行训练优化，具体包括：

步骤4-1，将收集到的传感器数据预处理后的数据集，再按10:1的比例分为训练集和测试集；