[发明专利]基于循环重建网络的惯性传感器语义信息识别方法及系统

说明书

本发明公开了一种基于循环重建网络的惯性传感器语义信息识别方法及系统。该方法包括：构建多源信号循环重建网络；通过训练好的多源信号循环重建网络对惯性传感器信号进行重建；基于重建后的惯性传感器信号还原运动轨迹；将还原后的运动轨迹与重建后的惯性传感器信号合并，得到多个时刻的特征向量；将各时刻的特征向量中的位置信息与时间信息合并，得到编码四元数；对编码四元数进行归一化处理，得到单位编码四元数；基于加速度分量、角速度分量和轨迹分量，构建多个特征四元数；基于单位编码四元数和特征四元数确定特征编码向量；将特征编码向量输入至Transformer中进行语义信息识别。本发明能够准确识别用户基于惯性传感器在空中做出的特定轨迹的运动。

技术领域

本发明涉及惯性传感器语义信息识别技术领域，特别是涉及一种基于循环重建网络的惯性传感器语义信息识别方法及系统。

背景技术

MEMS惯性传感器具有体积小、易佩戴、功耗低、成本低、易批量生产等优势，市场上常见的惯性传感器单价可以低至0.2-0.5元不等，因此基于惯性传感器的人机交互不仅更为自然(与语音、图像等方式相比不受距离以及场景的限制)，且对硬件配置要求较低，因此具有巨大的市场前景。然而，惯性传感器的精度较差，特别是廉价的惯性传感器信号中包含大量的随机误差，因此很难对信号中包含的语义信息实现精确的识别，特别是在语义信息种类较为丰富，且运动习惯差异较大的情况，借助惯性传感器采集到的运动数据进行语义信息识别会产生非常大的误差。

发明内容

本发明的目的是提供一种基于循环重建网络的惯性传感器语义信息识别方法及系统，准确识别用户基于惯性传感器在空中做出的特定轨迹的运动。

为实现上述目的，本发明提供了如下方案：

一种基于循环重建网络的惯性传感器语义信息识别方法，包括：

构建多源信号循环重建网络；所述多源信号循环重建网络包括：卷积神经网络模型、第一小波编码网络模型和第二小波编码网络模型；

通过训练好的多源信号循环重建网络对惯性传感器信号进行重建；

基于重建后的惯性传感器信号还原运动轨迹；

将还原后的运动轨迹与重建后的惯性传感器信号合并，得到多个时刻的特征向量；

将各时刻的特征向量中的位置信息与时间信息合并，得到编码四元数；

对所述编码四元数进行归一化处理，得到单位编码四元数；

基于各时刻的特征向量中的加速度分量、角速度分量和轨迹分量，构建多个特征四元数；

基于所述单位编码四元数和所述特征四元数确定特征编码向量；

将特征编码向量输入至Transformer中进行语义信息识别。

可选地，所述多源信号循环重建网络的训练过程如下：

确定多个信息源的惯性传感器多轴信号数据的最优小波变换模式；

通过所述最优小波变换模式标注对应的惯性传感器多轴信号数据构建训练集；

通过所述训练集对所述多源信号循环重建网络进行训练。

可选地，所述确定多个信息源的惯性传感器多轴信号数据的最优小波变换模式，具体包括：

对每个信息源的每轴信号进行变分模态分解，得到每轴信号的IMF分量；

对每个IMF分量进行多种小波变换；

将小波变换结果替换原始IMF分量，并基于替换后的IMF分量重建原始信号，得到原始信号的重建结果；

基于所述重建结果进行姿态解算；