[发明专利]一种基于三轴加速度空时特征融合的手势识别方法及系统

权利要求书

1.一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，包括以下步骤：

获取三轴加速度样本数据，并使用标注分类标签进行数据集划分；

对数据集进行标准化处理，得到标准化数据集；

将标准化数据集进行空域特征提取和时域特征提取，得到空域特征数据和时域特征数据；

通过获取的空域特征数据和时域特征数据训练预测分类模型；

使用训练后的预测分类模型进行分类识别，得到识别结果。

2.根据权利要求1所述的一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，还包括步骤：对识别结果进行评价；所述对识别结果进行评价，具体为：

评估分类性能的指标，包括：精确率、灵敏度、特异性、马太相关系数；

精确率计算如下：

灵敏度计算如下：

特异性计算如下：

马太相关系数计算如下：

其中，TP表示真阳性的实例，TN表示真阴性的实例，FP表示假阳性的实例，FN表示假阴性的实例；马太相关系数MCC取值范围为-1到1。

3.根据权利要求1所述的一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，所述获取三轴加速度历史样本数据，具体为：通过数据采集器采集三轴加速度数据，包含抬手手势数据、甩手手势数据、走路时手势数据、跑步时手势数据。

4.根据权利要求3所述的一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，所述使用标注分类标签进行数据集划分，具体为：

将三轴加速度历史样本数据按照8：1：1的比例划分为训练集、验证集、测试集。

5.根据权利要求4所述的一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，所述对数据集进行标准化处理，具体为：对训练集进行标准化处理，假设变量序列为x₁,…,x_n，记其中平均值和标准差值分别为：μ,σ，则归一化后的序列为：

其中，标准化后的序列值服从正态分布，存储平均值和标准差值。

6.根据权利要求1所述的一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，所述将标准化数据集进行空域特征提取和时域特征提取，得到空域特征数据和时域特征数据，具体为：使用卷积模块进行空域特征提取，使用循环门控单元进行时域特征提取，其特征提取属于深度学习的标准过程；空域特征数据和时域特征数据的融合过程为：将卷积模块提取的空域特征和循环门控单元提取的时域特征分别归一化消除量纲影响后，直接拼接融合，作为后续模块的输入。

7.根据权利要求1所述的一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，所述通过空域特征数据和时域特征数据训练预测分类模型，具体为：将空域特征数据和时域特征数据直接拼接映射到全连接层，最后输入到分类层，迭代计算损失函数交叉熵的极小值。

8.根据权利要求1所述的一种基于三轴加速度空时特征融合的手势识别方法，其特征在于，使用训练后的预测分类模型进行分类识别，得到识别结果，具体为：通过softmax函数计算出对应概率最大的标签，该标签对应输入数据的分类。

9.一种基于三轴加速度空时特征融合的手势识别系统，用于实现权利要求1-8所述任一权利要求所述的基于三轴加速度空时特征融合的手势识别方法，其特征在于，包括：预处理模块、预测分类模块、特征融合模块、模型性能评价模块；

所述预处理模块，用于对三轴加速度历史样本数据进行预处理，得到预处理数据；

所述预测分类模型：包括输入模块、空域特征提取模块、时域特征提取模块、全连接层模块、分类模块、输出模块；预处理数据通过输入模块进入预测分类模块，通过空域特征提取模块获取预处理数据的空域特征，通过时域特征提取模块获取预处理数据的时域特征；分类模块用于对预处理数据进行分类，输出模块用于输出分类结果；

所述特征融合模块用于融合预处理数据的空域特征和时域特征；

所述模型性能评价模块用于对预测分类模块的性能进行评价。