[发明专利]一种基于密集连接卷积神经网络的人体运动状态判别方法

摘要

本发明提供了一种多维信息融合的步态数据采集方式，以及基于密集连接卷积神经网络的运动状态判别方法。在多维信息融合的步态数据采集过程中，同时测量实验对象在直行、左转、右转时左小腿(LS)、右小腿(RS)和腰上(L5)的加速度和角速度信息以及足底压力信息，可操作性强、复杂度低。本发明提出的针对原始步态序列的密集连接卷积神经网络不再需要特征提取，无需先验知识，同时配合特征选择，减少了所需的配套测量装备个数和特征数目，降低了网络模型的复杂度。且通过将中间部分卷积层的输入和输出特征图连接形成下一层的输入，使得本网络的准确率有明显提高。在上述自采数据集上测试单人多任务(直行、左转、右转)的运动状态判别(直行、左转、右转)准确率可达99.1％，和SVM的91.79％相比，准确率有所提高。

主权项

1.基于密集连接卷积神经网络的运动状态判别方法，其特征在于包括：步骤1.数据采集：采用足底压力分析系统和惯性传感器相结合的方式进行数据采集，所用惯性传感器中自带滤波，过滤掉信号采集时的噪声和其他无关成分；步骤2.特征选择：对腿上和腰上的加速度和角速度信息利用决策树进行特征重要性排序，以减少所需惯性传感器和特征数目；步骤3.构建卷积神经网络：将上一步中特征重要性排序相对靠前的左小腿(LS)、右小腿(RS)的角速度y轴、角速度z轴和加速度z轴共6个通道的动力学时间序列截成固定长度的序列作为输入，输出对应预测分类；步骤4.训练卷积神经网络：采用平方误差函数作为损失函数计算预测值与标签的误差，不断通过反向传播与随机梯度下降算法更新网络中每一层的参数，直至准确率开始下降，或大于1000次，训练停止；步骤5.测试卷积神经网络：输入测试数据及标签，对输出结果进行分析；步骤6.结果比对：(1)分别通过密集连接卷积神经网络和支持向量机实现单人多任务运动状态判别，以左小腿(LS)、右小腿(RS)的角速度y轴、角速度z轴和加速度z轴共6个通道的动力学时间序列作为输入，对比分类结果；(2)仅改变输入层参数，用未经特征选择的左小腿、右小腿、腰上共18个通道的数据替换步骤3中的原始输入，比对两次的输出结果。