CN109033995A - 识别用户行为的方法、装置及智能可穿戴设备 - Google Patents
识别用户行为的方法、装置及智能可穿戴设备 Download PDFInfo
- Publication number
- CN109033995A CN109033995A CN201810718089.3A CN201810718089A CN109033995A CN 109033995 A CN109033995 A CN 109033995A CN 201810718089 A CN201810718089 A CN 201810718089A CN 109033995 A CN109033995 A CN 109033995A
- Authority
- CN
- China
- Prior art keywords
- user behavior
- convolutional neural
- neural networks
- initial data
- networks model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明实施例公开了一种识别用户行为的方法、装置及智能可穿戴设备,涉及终端应用技术领域,主要目的在于解决识别用户行为误差较大,不能适应复杂动作的问题。本发明的技术方案包括:获取用户行为对应的原始数据;将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
Description
技术领域
本发明实施例涉及终端应用技术领域,特别是涉及一种识别用户行为的方法、装置及智能可穿戴设备。
背景技术
伴随着智能可穿戴设备行业的迅猛发展,智能可穿戴设备的应用领域也越来越广泛。例如:智能手表,其除了提供时间信息外,还可以实时监测用户行为,以便为更多的应用提供数据来源,给用户带来更智能的使用体验。
目前,在智能可穿戴设备识别用户行为时,使用原始的传感器数据,包括融合加速度计和陀螺仪的数据来提取一些简单的特征,通过简单的阈值对这些特征进行分类,以实现用户行为状态的识别。
发明人在具体实施过程中发现现有技术中,在识别用户行为时,所采集的原始的传感器数据往往过于理想,通常是人工分割好的,不能因人而异的做出判断,用户行为的识别结果受外界因素的影响较大,因此存在识别用户行为的误差较大,不能适应复杂动作的问题。如此一来,由于对用户行为识别的准确度不够,不能识别复杂的用户行为,降低了用户体验。
发明内容
有鉴于此,本发明实施例提供的一种识别用户行为的方法、装置及智能可穿戴设备,主要目的在于解决识别用户行为误差较大,不能适应复杂动作的问题。
为了解决上述问题,本发明实施例主要提供如下技术方案:
第一方面,本发明实施例提供了一种识别用户行为的方法,该方法包括:
获取用户行为对应的原始数据;
将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
可选的,在将所述原始数据输入卷积神经网络模型之前,所述方法还包括:
基于用户行为类别的标记数据对所述卷积神经网络模型进行训练。
可选的,所述基于用户行为类别的标记数据对所述卷积神经网络模型进行训练包括:
对已知用户行为类别的原始数据进行标记,得到所述标记数据;所述已知用户行为类别包含至少两种;
提取所述标记数据中的特征数据;
将所述特征数据输入所述卷积神经网络模型进行训练,得到卷积神经网络模型的滤波器参数,卷积神经网络模型中的每一层代表一个滤波器参数,所述滤波器参数与用户行为类别存在映射关系。
可选的,所述根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别包括:
基于所述卷积神经网络模型中,每种用户行为类别对应的每层滤波器参数对所述原始数据进行比对识别;
确定所述原始数据分别与每种用户行为类别的相似度;
将相似度最大的用户行为类别作为所述原始数据对应的用户行为类别。
可选的,将所述原始数据输入卷积神经网络模型包括:
基于所述卷积神经网络模型的输入窗口对所述原始数据执行格式规范处理;
提取处理后的原始数据的特征数据,并将所述特征数据通过输入窗口输入到所述卷积神经网络模型中。
可选的,所述方法还包括:
在对所述卷积神经网络模型训练完成后,基于用户行为类别的测试数据对所述卷积神经网络模型进行测试,其中,所述测试数据为标记用户行为类别的数据。
可选的,所述原始数据从以下装置中的至少一个装置中获取,所述装置包括:三轴加速度计、陀螺仪、温度计及心率测试仪。
第二方面,本发明实施例还提供一种识别用户行为的装置,该装置包括:
获取单元,用于获取用户行为对应的原始数据;
输入单元,用于将所述获取单元获取的所述原始数据输入卷积神经网络模型;
识别单元,用于根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
可选的,所述装置还包括:
训练单元,用于在所述输入单元将所述原始数据输入卷积神经网络模型之前,基于用户行为类别的标记数据对所述卷积神经网络模型进行训练。
可选的,所述训练单元包括:
标记模块,用于对已知用户行为类别的原始数据进行标记,得到所述标记数据;所述已知用户行为类别包含至少两种;
提取模块,用于提取所述第一标记模块得到的所述标记数据中的特征数据;
训练模块,用于将所述提取模块得到的所述特征数据输入所述卷积神经网络模型进行训练,得到卷积神经网络模型的滤波器参数,卷积神经网络模型中的每一层代表一个滤波器参数,所述滤波器参数与用户行为类别存在映射关系。
可选的,所述识别单元包括:
比对模块,用于基于所述卷积神经网络模型中,每种用户行为类别对应的每层滤波器参数对所述原始数据进行比对识别;
确定模块,用于确定所述原始数据分别与每种用户行为类别的相似度,将相似度最大的用户行为类别作为所述原始数据对应的用户行为类别。
可选的,所述输入单元包括:
处理模块,基于所述卷积神经网络模型的输入窗口对所述原始数据执行格式规范处理;
输入模块,提取处理后的原始数据的特征数据,并将所述特征数据通过输入窗口输入到所述卷积神经网络模型中。
可选的,所述装置还包括:
测试单元,用于在所述训练单元训练完成后,基于用户行为类别的测试数据对所述卷积神经网络模型进行测试,其中,所述测试数据为标记用户行为类别的数据。
可选的,所述原始数据从以下装置中的至少一个装置中获取,所述装置包括:三轴加速度计、陀螺仪、温度计及心率测试仪。
第三方面,本发明实施例还提供一种智能可穿戴设备,所述智能可穿戴设备包括:
至少一个处理器;
以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过所述总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以执行第一方面中任一项所述的识别用户行为的方法。
第四方面,本发明实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面中任一项所述的识别用户行为的方法。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明实施例提供的识别用户行为的方法、装置及智能可穿戴设备,首先,获取用户行为对应的原始数据,将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。与现有技术中通常采用的使用原始的传感器数据,提取一些简单的特征,通过简单的阈值对这些特征进行分类,以实现用户行为状态的识别相比,本发明优化了用户行为识别的方法,增加了使用卷积神经网络模型对用户行为进行识别,减小了识别用户行为的误差,并能识别更复杂的用户行为。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明公开的实施例提供的一种识别用户行为的方法的流程图;
图2示出了本发明公开的实施例提供的另一种识别用户行为的方法的流程图;
图3示出了本发明公开的实施例提供的一种识别用户行为的装置的组成框图;
图4示出了本发明公开的实施例提供的另一种识别用户行为的装置的组成框图;
图5示出了本发明公开的实施例提供的一种识别用户行为的智能穿戴设备的框架示意图。
具体实施方式
现有技术中,在对用户行为识别时,所采集的原始的传感器数据往往过于理想,用户行为的识别结果手外界因素的影响较大,可能会导致对用户行为识别的准确度不够,不能识别复杂的用户行为,降低了用户体验。
为了解决上述问题,本发明公开的实施例,采用卷积神经网络模型对用户行为进行识别,减小了识别用户行为的误差,并能识别更复杂的用户行为本发明公开的实施例提供一种识别用户行为的方法,如图1所示,所述方法包括:
101、获取用户行为对应的原始数据。
在实际应用中,本发明公开的实施例所述的智能可穿戴设备可以包括但不局限于以下内容,例如:智能手表、智能手环、智能鞋、智能头箍、智能手机等等,具体的不做限定,本发明公开的实施例对智能可穿戴设备的具体类型、型号等不做限定。为了便于后续实施例的描述,后续实施例以智能手表为例进行说明,但是应该明确的是,该种说明方式并非意在限定所述智能可穿戴设备为智能手表。
本发明公开的实施例中,在智能手表使用时,智能手表中的传感器会获取用户行为对应的原始数据,所述原始数据用于体现用户行为,原始数据可以包括但不局限于以下内容,例如:通过三轴加速度计、陀螺仪、温度计以及心率测试仪等等获得原始数据,具体的不做限定。所述传感器传出原始数据的时间间隔可为多种方式,方式一:实时传出原始数据;方式二:间隔一定时间传出一次原始数据,当用户要长时间处于一种行为状态,例如,用户在进行跑步锻炼、游泳锻炼时,可以选择每隔十分钟传出一次原始数据或者每隔一小时传出一次原始数据,具体的间隔时间可由用户自己设置。以方便对用户的行为进行识别。
102、将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
本发明公开的实施例中,为了减小识别用户行为的误差,并能识别较为复杂的用户行为,例如,上下楼、站立、开车、走路、跑步、蝶泳、蛙泳等等,该些用户行为可能存在分类较多,但是,每种类别之间的差别不大的情况,本发明公开的实施例中,将获取用户行为对应的原始数据,输入到卷积神经网络模型中对用户行为进行识别。
卷积神经网络模型的每一层都是一个滑动的滤波器,卷积神经网络模型中则会存在多个滤波器,通过滤波器的参数的不同,每一层可以过滤出不同的特征,所以在识别用户行为时通过对比不同的特征一层层传递下去,根据卷积神经网络模型输出的结果确定最终原始数据对应的用户行为类别。所述的输出结果是向量的形式,例如,要识别的用户行为为上下楼、站立、坐下、走路、蛙泳、蝶泳等7类,再加入一个其他类,则卷积神经网络模型输出的结果向量则为1乘8的概率矩阵,这8个概率的和为1,概率最大用户行为则为这段原始数据的用户行为。
需要说明的是,本发明实施例所述的滤波器参数其实质为隐层权重矩阵,每个滤波器参数的权重不同,在识别用户行为时,根据不同的滤波器的参数对应的权重计算概率大小。
本发明公开的实施例提供的识别用户行为的方法,首先,获取用户行为对应的原始数据,将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。与现有技术中通常采用的使用原始的传感器数据,提取一些简单的特征,通过简单的阈值对这些特征进行分类,以实现用户行为状态的识别相比,本发明优化了用户行为识别的方法,增加了使用卷积神经网络模型对用户行为进行识别,减小了识别用户行为的误差,并能识别更复杂的用户行为。
作为对上述实施例的细化及扩展,在本发明公开的实施例中,对识别用户行为的方法,可以进一步优化,是识别用户行为之前,先对卷积神经网络模型进行训练,已提高识别用户行为的准确度。为了实现上述功能,本发明实施例还提供一种识别用户行为放入方法,如图2所示,所述方法包括:
201、基于用户行为类别的标记数据对所述卷积神经网络模型进行训练。
本发明公开的实施例中,在通过卷积神经网络模型识别用户行为之前,需要对卷积神经网络模型进行训练,以获取卷积神经网络模型的滤波器参数,通过卷积神经网络模型中的滤波器参数的不同可以获取不同的特征。
在卷积神经网络进行训练之前,需要获取大量的已知用户行为类别的原始数据,获取的原始数据可以包括但不局限于以下内容,例如:通过三轴加速度计、陀螺仪、温度计以及心率测试仪等等获得的数据,具体的不做限定。并将这些数据分为训练集和测试集,所述训练集是用来训练卷积神经网络模型的,所述测试集是用来对卷积神经网络进行测试的。获取的行为类别的原始数据可以包括但不局限于以下内容,例如:上下楼、站立、坐下、开车、走路、跑步、蛙泳、蝶泳等等对应的原始数据,训练的用户行为类别也就是在使用智能手表时能识别的用户行为类别。
对卷积神经网络模型训练时,可以采用但不局限于以下方式:对用户行为对应的原始数据用统计学的方法提取格式统一特征数据,所述的统计学的方法可以是求平均值、方差、频谱能量等等,能够反映用户行为的特征数据,具体的不做限定。在训练卷积神经网络模型时,选择对每一类用户行为进行分别的训练,训练完成之后需要对该种用户行为进行标记,示例性的,第一个训练的是走路,则需要把走路对应的原始数据输入到卷积神经网络模型的输入窗口,所述输入窗口可以对所述原始数据执行格式规范处理,并执行原始数据的特征数据提取,将特征数据输入到卷积神经网络模型中进行训练滤波器参数,得到的所述滤波器参数与走路存在映射关系,在执行卷积神经网络模型之前,先对用户行为类别进行标记,使得在训练标记的原始数据时,能够对用户行为类别的匹配提供参考。将此训练结果标记为编号1代表走路,依次对其他的用户行为进行训练标记,将编号2代表站立等等,对每种用户行为进行编号,得到最终的用户行为分类。需要说明的是,在对卷积神经网络模型进行训练时,输入的特征数据越多,其对应的训练过程越准确。
202、在对所述卷积神经网络模型训练完成后,基于用户行为类别的测试数据对所述卷积神经网络模型进行测试,其中,所述测试数据为标记用户行为类别的数据。
本发明公开的实施例中,在卷积神经网络模型训练完成之后,对卷积神经网模型进行测试,以测试卷积神经网络模型识别用户行为的准确度,所述测试数据为已知用户应为类别的测试集的数据。测试卷积神经网络模型的时,实际上就是识别用户行为的过程,将已知用户行为类别的原始数据输入卷积神经网络模型中,通过卷积神经网络模型的输入窗口对原始数据进行规范化处理后,用户行为类别对应的每层滤波器参数对所述原始数据进行比对识别,将相似度最大的用户行为类别作为所述原始数据对应的用户行为类别,得到输出结果,判断输出的结果与标记的行为类别是否一致,确定卷积神经网络模型的训练的准确度。
203、获取用户行为对应的原始数据(同步骤101)。
有关步骤203的说明,请参考步骤101的详细说明,本发明实施例在此不再进行赘述。
204、将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
本发明公开的实施例中,在卷积神经网络模型获取用户行为原始数据之后,卷积神经网络模型需把原始数据处理为格式规范的统一形式才能进行识别。将提取处理后的原始数据的特征数据,通过输入窗口输入到所述卷积神经网络模型中,卷积神经网络模型存在输入窗口,用于对所述原始数据执行格式规范处理,得到原始数据对应特征数据,所述格式规范处理是通过统计学的方法提取特征数据,示例性的,所述的统计学的方法可以是求平均值、方差、频谱能量等等,能够反映用户行为的特征数据,具体的不做限定。
卷积神经网络模型识别的用户行为的类别是与训练卷积神经网络模型时所训练的用户行为类别是一致的,示例性的,在训练卷积神经网络时,训练的用户行为类别为上下楼、站立、坐下、跑步、蛙泳、蝶泳等9类,再加入一个其他类,并对用户行为分别标号,示例性的,站立编号为1、上下楼编号为2、蛙泳为3、蝶泳为4、其他类为10等等,则此时卷积神经网络模型输出的结果向量则为1乘10的概率矩阵,需要说明的是这10个概率的和为1。根据训练卷积神经网络模型所得到每种用户行为对应的滤波器参数,与原始数据进行对比识别,确定原始数据分别与每种用户行为类别的相识度,将相识度最大的用户行为类别作为所述原始数据对应的用户行为。示例性的,在卷积神经网络模型获取到传感器传出的用户行为对应的原始数据之后,卷积神经网络模型的输入窗口将对原始数据执行格式规范处理,并将处理后的原始数据对训练所得的每种用户行为类别所对应的滤波器参数进行对比识别,一层层过滤之后得到原始数据与每种用户行为的相似度,需要说明的是,原始数据与每种用户行为的相似度的和为1。例如,当用户行为对应的原始数据与站立的相似度为0.1、与上下楼的相似度为0.05,与蛙泳的相似度为0.5,与蝶泳的相似度为0.2等,则其他六类的相似度和为0.15,则卷积神经网络模型的输出1乘10的概率矩阵为第一位置数为0.1、第二个位置为0.05、第三个位置为0.5、第四个位置为0.2等十个位置的概率和为1,由此可以确定原始数据与蛙泳的相似度最高,则将蛙泳作为原始数据的用户行为类别。
综上,通过对卷积神经网络模型训练,获取滤波器参数,并对训练的卷积神经网络进行测试,得到分类结果;基于卷积神经网络模型的训练所得的滤波器参数识别用户行为,提高了识别用户行为的准确率,识别更为复杂的用户行为。
进一步的,作为对上述图1及图2所示方法的实现,本发明实施例另一实施例还提供了一种识别用户行为的装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。
本发明公开的实施例提供了一种识别用户行为的装置,如图3所示,包括:
获取单元31,用于获取用户行为对应的原始数据;
输入单元32,用于将所述获取单元获取的所述原始数据输入卷积神经网络模型;
识别单元33,用于根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
本发明公开的实施例提供的识别用户行为的装置,首先,获取用户行为对应的原始数据,将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。与现有技术中通常采用的使用原始的传感器数据,提取一些简单的特征,通过简单的阈值对这些特征进行分类,以实现用户行为状态的识别相比,本发明优化了用户行为识别的方法,增加了使用卷积神经网络模型对用户行为进行识别,减小了识别用户行为的误差,并能识别更复杂的用户行为。
进一步的,如图4所示,训练单元34,用于在所述输入单元32将所述原始数据输入卷积神经网络模型之前,基于用户行为类别的标记数据对所述卷积神经网络模型进行训练。
进一步的,如图4所示,所述训练单元34包括:
标记模块341,用于对已知用户行为类别的原始数据进行标记,得到所述标记数据;所述已知用户行为类别包含至少两种;
提取模块342,用于提取所述第一标记模块341得到的所述标记数据中的特征数据;
训练模块343,用于将所述提取模块342得到的所述特征数据输入所述卷积神经网络模型进行训练,得到卷积神经网络模型的滤波器参数,卷积神经网络模型中的每一层代表一个滤波器参数,所述滤波器参数与用户行为类别存在映射关系。
进一步的,如图4所示,所述识别单元33包括:
比对模块331,用于基于所述卷积神经网络模型中,每种用户行为类别对应的每层滤波器参数对所述原始数据进行比对识别;
确定模块332,用于确定所述原始数据分别与每种用户行为类别的相似度,将相似度最大的用户行为类别作为所述原始数据对应的用户行为类别。
进一步的,如图4所示,所述输入单元32包括:
处理模块321,基于所述卷积神经网络模型的输入窗口对所述原始数据执行格式规范处理;
输入模块322,提取所述处理单元处理后的原始数据的特征数据,并将所述特征数据通过输入窗口输入到所述卷积神经网络模型中。
进一步的,如图4所示,所述装置还包括:
测试单元35,用于在所述训练单元34训练完成后,基于用户行为类别的测试数据对所述卷积神经网络模型进行测试,其中,所述测试数据为标记用户行为类别的数据。
进一步的,所述原始数据从以下装置中的至少一个装置中获取,所述装置包括:三轴加速度计、陀螺仪、温度计及心率测试仪。
综上,通过对卷积神经网络模型训练,获取滤波器参数,并对训练的卷积神经网络进行测试,得到分类结果;基于卷积神经网络模型的训练所得的滤波器参数识别用户行为,提高了识别用户行为的准确率,识别更为复杂的用户行为。
由于本实施例所介绍的识别用户行为的装置为可以执行本发明实施例中的识别用户行为的方法的装置,故而基于本发明实施例中所介绍的识别用户行为的方法,本领域所属技术人员能够了解本实施例的识别用户行为的装置的具体实施方式以及其各种变化形式,所以在此对于该识别用户行为的装置如何实现本发明实施例中的多种识别用户行为的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中识别用户行为的方法所采用的装置,都属于本申请所欲保护的范围。
所述识别用户行为的装置包括处理器和存储器,上述获取单元、输入单元、识别单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决识别用户行为误差较大,不能适应复杂动作的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述实施例所述的识别用户行为的方法。
本发明实施例提供了一种智能可穿戴设备,如图5所示,包括:至少一个处理器(processor)51;以及与所述处理器51连接的至少一个存储器(memory)52、总线53;其中,
所述处理器51、存储器52通过所述总线53完成相互间的通信;
所述处理器51用于调用所述存储器52中的程序指令,以执行以下步骤:
获取用户行为对应的原始数据;
将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
可选的,在将所述原始数据输入卷积神经网络模型之前,所述方法还包括:
基于用户行为类别的标记数据对所述卷积神经网络模型进行训练。
可选的,所述基于用户行为类别的标记数据对所述卷积神经网络模型进行训练包括:
对已知用户行为类别的原始数据进行标记,得到所述标记数据;所述已知用户行为类别包含至少两种;
提取所述标记数据中的特征数据;
将所述特征数据输入所述卷积神经网络模型进行训练,得到卷积神经网络模型的滤波器参数,卷积神经网络模型中的每一层代表一个滤波器参数,所述滤波器参数与用户行为类别存在映射关系。
可选的,所述根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别包括:
基于所述卷积神经网络模型中,每种用户行为类别对应的每层滤波器参数对所述原始数据进行比对识别;
确定所述原始数据分别与每种用户行为类别的相似度;
将相似度最大的用户行为类别作为所述原始数据对应的用户行为类别。
可选的,将所述原始数据输入卷积神经网络模型包括:
基于所述卷积神经网络模型的输入窗口对所述原始数据执行格式规范处理;
提取处理后的原始数据的特征数据,并将所述特征数据通过输入窗口输入到所述卷积神经网络模型中。
可选的,所述方法还包括:
在对所述卷积神经网络模型训练完成后,基于用户行为类别的测试数据对所述卷积神经网络模型进行测试,其中,所述测试数据为标记用户行为类别的数据。
可选的,所述原始数据从以下装置中的至少一个装置中获取,所述装置包括:三轴加速度计、陀螺仪、温度计及心率测试仪。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序代码:
获取用户行为对应的原始数据;
将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种识别用户行为的方法,其特征在于,包括:
获取用户行为对应的原始数据;
将所述原始数据输入卷积神经网络模型,并根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
2.根据权利要求1所述的方法,其特征在于,在将所述原始数据输入卷积神经网络模型之前,所述方法还包括:
基于用户行为类别的标记数据对所述卷积神经网络模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述基于用户行为类别的标记数据对所述卷积神经网络模型进行训练包括:
对已知用户行为类别的原始数据进行标记,得到所述标记数据;所述已知用户行为类别包含至少两种;
提取所述标记数据中的特征数据;
将所述特征数据输入所述卷积神经网络模型进行训练,得到卷积神经网络模型的滤波器参数,卷积神经网络模型中的每一层代表一个滤波器参数,所述滤波器参数与用户行为类别存在映射关系。
4.根据权利要求3所述的方法,其特征在于,所述根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别包括:
基于所述卷积神经网络模型中,每种用户行为类别对应的每层滤波器参数对所述原始数据进行比对识别;
确定所述原始数据分别与每种用户行为类别的相似度;
将相似度最大的用户行为类别作为所述原始数据对应的用户行为类别。
5.根据权利要求3所述的方法,其特征在于,所述将所述原始数据输入卷积神经网络模型包括:
基于所述卷积神经网络模型的输入窗口对所述原始数据执行格式规范处理;
提取处理后的原始数据的特征数据,并将所述特征数据通过输入窗口输入到所述卷积神经网络模型中。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在对所述卷积神经网络模型训练完成后,基于用户行为类别的测试数据对所述卷积神经网络模型进行测试,其中,所述测试数据为标记用户行为类别的数据。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述原始数据从以下装置中的至少一个装置中获取,所述装置包括:三轴加速度计、陀螺仪、温度计及心率测试仪。
8.一种识别用户行为的装置,其特征在于,包括:
获取单元,用于获取用户行为对应的原始数据;
输入单元,用于将所述获取单元获取的所述原始数据输入卷积神经网络模型;
识别单元,用于根据所述卷积神经网络模型中的滤波器参数识别所述原始数据对应的用户行为类别。
9.一种智能可穿戴设备,其特征在于,包括:
至少一个处理器;
以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过所述总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以执行权利要求1至权利要求7中任一项所述的识别用户行为的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至权利要求7中任一项所述的识别用户行为的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810718089.3A CN109033995A (zh) | 2018-06-29 | 2018-06-29 | 识别用户行为的方法、装置及智能可穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810718089.3A CN109033995A (zh) | 2018-06-29 | 2018-06-29 | 识别用户行为的方法、装置及智能可穿戴设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109033995A true CN109033995A (zh) | 2018-12-18 |
Family
ID=65522346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810718089.3A Pending CN109033995A (zh) | 2018-06-29 | 2018-06-29 | 识别用户行为的方法、装置及智能可穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033995A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961090A (zh) * | 2019-02-28 | 2019-07-02 | 广州杰赛科技股份有限公司 | 一种基于智能穿戴设备的行为分类方法及系统 |
CN110010224A (zh) * | 2019-03-01 | 2019-07-12 | 出门问问信息科技有限公司 | 用户运动数据处理方法、装置、可穿戴设备及存储介质 |
CN111382403A (zh) * | 2020-03-17 | 2020-07-07 | 同盾控股有限公司 | 用户行为识别模型的训练方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846729A (zh) * | 2017-01-12 | 2017-06-13 | 山东大学 | 一种基于卷积神经网络的跌倒检测方法和系统 |
CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
CN107609501A (zh) * | 2017-09-05 | 2018-01-19 | 东软集团股份有限公司 | 人体相近动作识别方法及装置、存储介质、电子设备 |
CN108062170A (zh) * | 2017-12-15 | 2018-05-22 | 南京师范大学 | 基于卷积神经网络和智能终端的多类别人体姿态识别方法 |
-
2018
- 2018-06-29 CN CN201810718089.3A patent/CN109033995A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846729A (zh) * | 2017-01-12 | 2017-06-13 | 山东大学 | 一种基于卷积神经网络的跌倒检测方法和系统 |
CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
CN107609501A (zh) * | 2017-09-05 | 2018-01-19 | 东软集团股份有限公司 | 人体相近动作识别方法及装置、存储介质、电子设备 |
CN108062170A (zh) * | 2017-12-15 | 2018-05-22 | 南京师范大学 | 基于卷积神经网络和智能终端的多类别人体姿态识别方法 |
Non-Patent Citations (1)
Title |
---|
石代伟等: "结合手机传感器和卷积神经网络的人体行为识别", 《电子技术与软件工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961090A (zh) * | 2019-02-28 | 2019-07-02 | 广州杰赛科技股份有限公司 | 一种基于智能穿戴设备的行为分类方法及系统 |
CN110010224A (zh) * | 2019-03-01 | 2019-07-12 | 出门问问信息科技有限公司 | 用户运动数据处理方法、装置、可穿戴设备及存储介质 |
CN111382403A (zh) * | 2020-03-17 | 2020-07-07 | 同盾控股有限公司 | 用户行为识别模型的训练方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070067A (zh) | 视频分类方法及其模型的训练方法、装置和电子设备 | |
CN107358247B (zh) | 一种确定流失用户的方法及装置 | |
CN110348580A (zh) | 构建gbdt模型的方法、装置及预测方法、装置 | |
CN109658455A (zh) | 图像处理方法和处理设备 | |
CN108334647A (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
CN108510402A (zh) | 险种信息推荐方法、装置、计算机设备及存储介质 | |
CN106951925A (zh) | 数据处理方法、装置、服务器及系统 | |
CN108563548A (zh) | 异常检测方法及装置 | |
CN108681667A (zh) | 一种设备型号识别方法、装置及处理设备 | |
CN109033995A (zh) | 识别用户行为的方法、装置及智能可穿戴设备 | |
CN109359515A (zh) | 一种用于对目标对象的属性特征进行识别的方法及装置 | |
CN107590460B (zh) | 人脸分类方法、装置及智能终端 | |
CN109447156A (zh) | 用于生成模型的方法和装置 | |
CN109858948A (zh) | 电力客户营销策略的确定方法和装置 | |
CN109740113A (zh) | 超参数阈值范围确定方法、装置、存储介质及电子设备 | |
CN104391879B (zh) | 层次聚类的方法及装置 | |
CN110222728A (zh) | 物品鉴别模型的训练方法、系统及物品鉴别方法、设备 | |
US20190034787A1 (en) | Relative position encoding based networks for action recognition | |
CN108509833A (zh) | 一种基于结构化分析字典的人脸识别方法、装置及设备 | |
CN108989581A (zh) | 一种用户风险识别方法、装置及系统 | |
CN110457677A (zh) | 实体关系识别方法及装置、存储介质、计算机设备 | |
CN109740567A (zh) | 关键点定位模型训练方法、定位方法、装置及设备 | |
CN109345285A (zh) | 一种活动的投放方法、装置及设备 | |
CN109614414A (zh) | 一种用户信息的确定方法及装置 | |
CN108717520A (zh) | 一种行人重识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |