[發明專利]一種基于智能移動設備傳感器的用戶行為識別方法

有效

• 申請號: 201910347816.4
• 申請日: 2019-04-28
• 公開（公告）號: CN110058699B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 秦臻;張藝波;丁熠;秦志光
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F3/0346
• 分類號: G06F3/0346;G06K9/62
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李蕊

本發明公開了一種基于智能移動設備傳感器的用戶行為識別方法，其包括以下步驟：S1、獲取不同真實行為下的加速度數據和角速度數據及待識別數據；S2、對獲取的數據進行預處理；S3、通過圖像化得到預處理后的數據對應的圖像；S4、對加速度圖像和角速度圖像進行深度學習，分別得到加速度識別模型和角速度識別模型；S5、將加速度識別模型和角速度識別模型進行融合，得到綜合識別模型；S6、將待識別圖像作為綜合識別模型的輸入數據，通過綜合識別模型的輸出結果對用戶的行為進行識別。本發明可以隨時高效的獲取攜帶預設有本方法的智能移動設備的用戶的行為，可以為用戶提供運動計量等功能，也可以為行為預警提供數據支撐。

技術領域

本發明涉及行為識別領域，具體涉及一種基于智能移動設備傳感器的用戶行為識別方法。

背景技術

隨著移動互聯網和智能移動設備(手機)的飛速發展，智能移動設備已經進入大眾的生活中，而智能移動設備中通常配備有加速度傳感器和陀螺儀，當用戶隨身攜帶智能移動設備時，智能移動設備所獲取的加速度數據和角速度數據可用于代表用戶的行為，而對用戶的行為進行識別可以為用戶提供運動計量等功能，也可以為老人或者病人的行為進行感知，為行為預警提供數據支撐。

TensorFlow是一個基于數據流編程(dataflow programming)的符號數學系統，被廣泛應用于各類機器學習(machine learning)算法的編程實現，其前身是谷歌的神經網絡算法庫DistBelief。Tensorflow擁有多層級結構，可部署于各類服務器、PC終端和網頁并支持GPU和TPU高性能數值計算。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于智能移動設備傳感器的用戶行為識別方法可隨時高效的獲取攜帶預設有本方法的智能移動設備的用戶的行為。

為了達到上述發明目的，本發明采用的技術方案為：

提供一種基于智能移動設備傳感器的用戶行為識別方法，其包括以下步驟：

S1、分別獲取不同真實行為下智能移動設備傳感器中的加速度數據和角速度數據，得到不同真實行為下的加速度數據和角速度數據；分別獲取待識別對象處智能移動設備傳感器中的加速度數據和角速度數據，得到待識別數據；

S2、分別對不同真實行為下的加速度數據和角速度數據，以及待識別數據進行預處理，得到預處理后的加速度數據和角速度數據，以及預處理后的待識別數據；

S3、分別對預處理后的加速度數據和角速度數據圖像化，對應得到加速度圖像和角速度圖像；對預處理后的待識別數據圖像化，得到待識別圖像；

S4、采用TensorFlow框架分別對加速度圖像和角速度圖像進行深度學習，分別得到加速度識別模型和角速度識別模型；

S5、將加速度識別模型和角速度識別模型進行融合，得到綜合識別模型；

S6、將待識別圖像作為綜合識別模型的輸入數據，通過綜合識別模型的輸出結果對用戶的行為進行識別。

進一步地，步驟S1中真實行為包括：

行走、跑步、上樓、下樓、跳和騎行。

進一步地，步驟S2中預處理的具體方法包括以下子步驟：

S2-1、進行同頻率處理：將頻率大于閾值的數據通過等距抽樣的方法在時間區間不變的條件下減少其頻率，得到同頻率處理后的數據；

S2-2、將同頻率處理后的數據切割成若干個時間長度為5秒的時間序列數據；

S2-3、將每個時間序列數據片段都按照離差歸一化映射到[-1,1]間，并采用逐段聚集平均法進行分段特征提取；

S2-4、對提取出的特征采用反三角函數得出歸一化數據的值，并將其映射到極坐標中。