[發明專利]一種基于卷積神經網絡的人體行為識別方法及識別系統

在審

• 申請號: 201810083701.4
• 申請日: 2018-01-29
• 公開（公告）號: CN108345846A
• 公開（公告）日: 2018-07-31
• 發明（設計）人: 徐文超;龐雨欣;楊艷琴;陳曉琛;宋凡迪;黃雪峰
• 申請（專利權）人: 華東師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海麥其知識產權代理事務所(普通合伙) 31257
• 代理人: 董紅曼

本發明提出了一種基于卷積神經網絡(Convolutional Neural Network)的人體行為識別方法，包括三個階段：數據采集與預處理階段，模型建立與訓練階段和模型應用階段。本方法中建立的卷積神經網絡結構能夠在簡單的數據預處理基礎上有效識別人體六種日常行為活動，為將識別方法移植到計算能力有限的智能手機中提供了良好的基礎，適用于基于智能手機端的人體日常活動記錄、健康追蹤與健康監測等應用領域。

技術領域

本發明涉及六種人體日常行為，包括行走，慢跑，上下樓梯，站立與坐著，狀態分析及健康監測等領域，具體為一種基于卷積神經網絡的人體行為識別方法及識別系統。

背景技術

隨著信息技術的發展，集成了各種各樣傳感器(例如三軸加速度傳感器和陀螺儀等)的智能手機也愈發普及。近幾年，越來越多的基于手機傳感器的人體行為識別的應用軟件被開發用來記錄和監控人體的日常行為活動，同時能有效地幫助用戶建立一個健康的生活習慣，在這個領域，尋求一種高效的人體生理活動的識別方法就成為了其中最關鍵、最核心和最緊迫的問題。

其中一個常見的基于智能手機的人體行為識別方法是通過使用谷歌提供的行為識別應用程序編程接口(Google Activity Recognition API)實現的，此API可以識別的人體行為包括騎自行車、跑步、走路和靜止等，但是通過此接口實現的人體行為識別的準確率很低，其原因是使用者的運動模式(運動速度、步態等)不盡相同，即用戶個體差異較大，因此針對不同年齡、體型和性別的人群，其較為單一和固定的行為活動判定方法并不全部適用和有效。

發明內容

本發明的目的是針對上述問題，提出一種能減小人體運動模式多樣性在人體行為識別領域中帶來的影響，具有較低計算復雜度，較高識別準確率，較高靈活性和魯棒性，且移植性高的實時人體行為活動識別的方法，可用于基于智能手機的人體日常行為活動記錄、健康追蹤與健康監測等應用領域。

本發明提出了一種基于卷積神經網絡(Convolutional Neural Network)的人體行為識別方法，包括三個階段：數據采集與預處理階段，模型建立與訓練階段和模型應用階段，包括如下步驟：

數據采集與預處理階段

通過在智能手機中安裝數據采集軟件訪問手機內三軸加速度傳感器，儲存其采集的原始三軸加速度數據和用戶反饋的真實的行為活動標簽，采集的行為數據包括行走，慢跑，上下樓梯，站立與坐著等六種日常行為，共收集了N組數據，每組包含三個方向的加速度數據；

對采集的原始三軸加速度數據均進行歸一化處理，歸一化公式如下所示：

式中，μ和σ分別是數據集Z(Z＝加速度傳感器x,y,z三個軸的數據集)的均值和方差；

對經過處理后的數據使用滑動窗口(半重疊，尺寸為n)進行分割，分割后共得到N/n*2組數據，每組包含n*3個數據，且每組數據間具有50％的重疊；

對上述N/n*2組數據按照70/30的比例隨機抽取出模型的訓練數據和測試數據，包括相對應的行為標簽信息；

模型建立與訓練階段

包括模型結構的建立、超參數的選取等步驟；將訓練數據輸入建立好的卷積神經模型中訓練模型，每次輸入的數據大小為1*n*3，模型訓練好后對測試數據進行識別，將預測的行為標簽與測試數據真實的行為標簽進行對比和分析，最終得到該模型對六種日常行為的識別準確率；

若模型對行為的識別準確率沒有達到90％以上，則需對模型進行優化，此優化過程主要體現在超參數調整與函數方法的重選取，建立好新的卷積神經網絡模型后，繼續對新模型進行訓練；反之，則認為此模型能有效識別六種人體行為活動，保存此模型的結構和參數值；

模型應用階段