[發(fā)明專利]一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710292408.4
• 申請(qǐng)日: 2017-04-28
• 公開（公告）號(hào): CN107092894A
• 公開（公告）日: 2017-08-25
• 發(fā)明（設(shè)計(jì)）人: 孫恩澤;李宇昊;李海鵬
• 申請(qǐng)（專利權(quán)）人: 孫恩澤
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及普適計(jì)算中的人類運(yùn)動(dòng)識(shí)別領(lǐng)域，更具體的說是一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法。

背景技術(shù)

普適計(jì)算又稱普存計(jì)算、普及計(jì)算，這一概念強(qiáng)調(diào)和環(huán)境融為一體的計(jì)算，而計(jì)算機(jī)本身則從人們的視線里消失。在普適計(jì)算的模式下，人們能夠在任何時(shí)間、任何地點(diǎn)、以任何方式進(jìn)行信息的獲取與處理。間斷連接與輕量計(jì)算(即計(jì)算資源相對(duì)有限)是普適計(jì)算最重要的兩個(gè)特征。普適計(jì)算的軟件技術(shù)就是要實(shí)現(xiàn)在這種環(huán)境下的事務(wù)和數(shù)據(jù)處理。

早期的運(yùn)動(dòng)識(shí)別主要是基于視覺方式的，給定一段圖像序列或者一個(gè)視頻片段，識(shí)別出人物的運(yùn)動(dòng)類型。基于視覺的方法具有交互自然,提取的特征信息豐富等優(yōu)點(diǎn)，但該方法在實(shí)際應(yīng)用中也有一些局限性,需要克服很多問題。如環(huán)境中的光照條件，人物在攝像機(jī)前的位置，場(chǎng)地的大小等。

隨著運(yùn)動(dòng)手環(huán)和智能手表的普及，基于傳感器的運(yùn)動(dòng)識(shí)別變得越發(fā)引人關(guān)注。傳感器具有價(jià)格便宜，攜帶方便,不受場(chǎng)地限制等優(yōu)點(diǎn),隨著這些設(shè)備的發(fā)展，運(yùn)動(dòng)識(shí)別又被帶入了一片新的研究領(lǐng)域,補(bǔ)充了傳統(tǒng)基于視覺的運(yùn)動(dòng)識(shí)別方法在實(shí)際應(yīng)用中的不足,促使了運(yùn)動(dòng)識(shí)別在日常生活中的應(yīng)用。在運(yùn)動(dòng)行為領(lǐng)域中占主導(dǎo)地位的技術(shù)方法包括用身體佩帶的傳感器，手動(dòng)設(shè)計(jì)特征提取程序，以及各種(監(jiān)督)分類方法。傳統(tǒng)識(shí)別方法往往需要人工提取特征，而不同的運(yùn)動(dòng)往往會(huì)提取不同的特征。因此在實(shí)際應(yīng)用中會(huì)帶來諸多不便。而隨著深度神經(jīng)網(wǎng)絡(luò)的興起，由于其對(duì)原始數(shù)據(jù)的要求較少，為上述在傳統(tǒng)識(shí)別中存在的問題的帶來了新的解決思路。

發(fā)明內(nèi)容

本發(fā)明主要解決的技術(shù)問題是提供一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法，能夠用相對(duì)較少的數(shù)據(jù)取得良好識(shí)別準(zhǔn)確率，同時(shí)克服了當(dāng)前分類算法中需要人工提取特征的不足，使之能夠在實(shí)際中廣泛應(yīng)用。

為解決上述技術(shù)問題，本發(fā)明涉及普適計(jì)算中的人類運(yùn)動(dòng)識(shí)別領(lǐng)域，更具體的說是一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法，該方法包括以下步驟：

步驟S1：通過戴在人手部的傳感器手環(huán)采集到不同人的有關(guān)多組運(yùn)動(dòng)的時(shí)間序列數(shù)據(jù)；

步驟S2：對(duì)采集到的多維原始數(shù)據(jù)標(biāo)注出其對(duì)應(yīng)的運(yùn)動(dòng)類型，保證接下來監(jiān)督學(xué)習(xí)的進(jìn)行；

步驟S3：對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行必要的處理，然后將其作為輸入數(shù)據(jù)傳入到LSTM型模型進(jìn)行訓(xùn)練，獲取最佳的神經(jīng)網(wǎng)絡(luò)參數(shù)，作為最終識(shí)別模型；

步驟S4：對(duì)待識(shí)別的運(yùn)動(dòng)行為數(shù)據(jù)進(jìn)行預(yù)處理，并將其作為L(zhǎng)STM型模型的輸入，計(jì)算輸出層概率最大的運(yùn)動(dòng)序列，將所述結(jié)果作為最終識(shí)的運(yùn)動(dòng)類別。

作為本技術(shù)方案的進(jìn)一步優(yōu)化，本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法所述的步驟S1具體為：用運(yùn)動(dòng)手環(huán)獲取人的運(yùn)動(dòng)時(shí)的時(shí)間序列數(shù)據(jù)，包括心率、三軸加速度傳感器數(shù)據(jù)。

作為本技術(shù)方案的進(jìn)一步優(yōu)化，本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法所述的步驟S2具體為：將收集到的不同測(cè)試對(duì)象的數(shù)據(jù)按照其當(dāng)時(shí)的運(yùn)動(dòng)類別進(jìn)行標(biāo)注，形成一個(gè)可用于監(jiān)督學(xué)習(xí)維度為F的完整數(shù)據(jù)集。

作為本技術(shù)方案的進(jìn)一步優(yōu)化，本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法所述的步驟S3具體為：對(duì)收集到的數(shù)據(jù)按照下述步驟進(jìn)行預(yù)處理，首先去掉過渡狀態(tài)運(yùn)動(dòng)狀態(tài)的數(shù)據(jù)，填充缺失值，去掉時(shí)間標(biāo)記，然后根據(jù)傳感器采樣頻率fHz，設(shè)計(jì)一個(gè)窗口大小為2f，步長(zhǎng)為f的滑動(dòng)窗口對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分割；隨后將分割好的數(shù)據(jù)進(jìn)行歸一化處理，使其符合sigmoid函數(shù)的形式；最后將處理好的數(shù)據(jù)傳入LSTM型模型進(jìn)行訓(xùn)練，其中損失函數(shù)為categorical cross-entropy，優(yōu)化器為RMSprop，學(xué)習(xí)率為0.001；通過訓(xùn)練模型獲得不同運(yùn)動(dòng)類別對(duì)應(yīng)的權(quán)重參數(shù)。

本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法的有益效果為：

本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法，能夠用相對(duì)較少的數(shù)據(jù)取得良好識(shí)別準(zhǔn)確率，同時(shí)克服了當(dāng)前分類算法中需要人工提取特征的不足，使之能夠在實(shí)際中廣泛應(yīng)用。

附圖說明

下面結(jié)合附圖和具體實(shí)施方法對(duì)本發(fā)明做進(jìn)一步詳細(xì)的說明。

圖1為本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法的數(shù)據(jù)收集、處理與LSTM模型構(gòu)建的流程圖。

圖2為本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法搭建的LSTM模型圖。

圖3為本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法的LSTM單元展開示意圖。

圖4為本發(fā)明一種基于LSTM模型的運(yùn)動(dòng)行為識(shí)別方法的LSTM單元內(nèi)部詳解示意圖。

具體實(shí)施方式