CN109902582A - 一种动作分类方法、装置、存储介质及终端设备 - Google Patents
一种动作分类方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN109902582A CN109902582A CN201910078728.9A CN201910078728A CN109902582A CN 109902582 A CN109902582 A CN 109902582A CN 201910078728 A CN201910078728 A CN 201910078728A CN 109902582 A CN109902582 A CN 109902582A
- Authority
- CN
- China
- Prior art keywords
- data
- classifier
- label
- dimension
- training
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种动作分类方法、装置、存储介质及终端设备，获取第一传感器数据和第二传感器数据并进行数据预处理和特征提取处理得到第一特征数据和第二特征数据；根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器；根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束。从两个维度去预测未标签的特征数据，获得更准确的伪标签数据，并且利用更多的伪标签数据来训练得到更好的模型，解决了目前基于一个数据特征的自学习方法不能弥补有监督训练模型对未标签数据预测错误的影响。
Description
技术领域
本发明涉及动作分类领域，尤其涉及一种基于半监督协同训练的动作分类方法、装置、存储介质及终端设备。
背景技术
动作识别算法大部分都是基于动作传感器数据去训练动作识别的分类器，但是在动作测试过程中，会产生大量的未标签的动作传感器数据需要去人工做动作标签，不仅时间成本大而且不利于提升研发效率。因此，如何利用有限的标签数据和充分利用大量的未标签数据去半监督训练一个动作识别模型成为了研发过程中重要的问题。
目前，已经存在基于自学习的半监督学习方法去利用有限的标签数据和大量的未标签数据去半监督训练分类器。相对于有监督训练方法，基于自学习的半监督训练方法，其预测准确率比较有监督学习有了一定的提升。但是，自学习的方法存在一定的局限，自学习训练就是利用一个特征维度的标签数据训练出来的模型去预测未标签数据的伪标签，再利用标签和伪标签数据去迭代更新模型，直到伪标签的预测结果不再发生变化，则训练结束。
因此，在一个数据特征维度的自学习过程中，如果该数据特征训练出来的训练器的预测结果错误的话，在对未标签数据的预测和模型的更新迭代过程中，会产生越来越大的预测误差，不利于更新迭代模型和提升半监督学习模型的预测准确率。因此，基于一个数据特征的自学习方法不能弥补迭代更新模型过程中，有监督训练模型对未标签数据预测错误的影响。
发明内容
本发明提供了一种动作分类方法、装置、存储介质及终端设备，旨在解决目前半监督学习方法训练得到的模型准确率低的问题。
为实现上述目的，本发明提供了一实施例为一种动作分类方法，包括：
获取第一传感器数据和第二传感器数据并进行数据预处理和特征提取处理得到第一特征数据和第二特征数据；
根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器；
根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束。
与现有技术相比，本发明公开的一种动作分类方法，通过获取第一传感器和第二传感器分别采集的两个不同维度的数据，根据不同维度的数据训练得到不同维度的分类器，通过两个不同维度的分类器交叉迭代预测伪标签数据并更新模型，实现了两个不同维度分类器错误的预测结果相互弥补，相互纠正，可以从两个维度去预测未标签的特征数据，获得更准确的伪标签数据，并且利用更多的伪标签数据来训练得到更好的模型，解决了目前基于一个数据特征的自学习方法不能弥补有监督训练模型对未标签数据预测错误的影响。由于本发明通过两个维度进行训练预测弥补了有监督训练模型对未标签数据预测错误的影响，解决了目前半监督学习方法训练得到的模型准确率低的问题，给出一种预测效果好的基于半监督协同训练的动作分类方法。
进一步的，所述第一传感器数据为动作传感器数据，所述第二传感器数据为心电传感器数据，所述第一特征数据为动作特征数据，所述第二特征数据为心电特征数据，所述第一维度分类器为动作维度分类器，所述第二维度分类器为心电维度分类器。
进一步的，所述得到动作特征数据的步骤包括，
对序列动作传感器数据进行窗口化重叠采样处理得到动作传感器窗口数据；
对动作传感器窗口数据进行滑动窗口滤波处理得到去噪动作传感器窗口数据；
对去噪动作传感器窗口数据提取姿态角特征；
对去噪动作传感器窗口数据用滑动窗口滤波进行去重力处理后提取统计学特征；
合并姿态角特征和统计学特征作为每一个动作传感器窗口数据的特征，得到动作特征数据。
进一步的，所述得到心电特征数据的步骤包括，
对序列心电传感器数据进行窗口化重叠采样处理得到心电传感器窗口数据；
根据心电传感器窗口数据计算R-R间期，确定R-R间期心电传感器窗口数据；
根据R-R间期心电传感器窗口数据计算心率变异性特征，将心率变异性特征作为每一个心电传感器窗口数据的特征，得到心电特征数据。
进一步的，所述根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器，包括，
根据标签好的第一传感器数据样本训练出得到第一维度分类器；
用第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签；
用标签好的第二传感器数据和第一伪标签数据一起训练得到第二维度分类器。
进一步的，所述根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束，包括：
用第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签,用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；
用更新的第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签，则用标签好的第二传感器数据和第一伪标签数据一起训练得到更新第二维度分类器；
用更新第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签，用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；
重复更新第一维度分类器和第二维度分类器，当全部未标签样本打上伪标签并且第一维度分类器和第二维度分类器对未标签样本的预测结果不再发生变化则协同训练结束。
为实现上述目的，本发明提供了另一实施例为一种动作分类装置，包括：
特征提取单元，用于获取第一传感器数据和第二传感器数据并进行数据预处理和特征提取处理得到第一特征数据和第二特征数据；
分类器训练单元，用于根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器；
模型更新单元，用于根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束。
为实现上述目的，本发明提供了另一实施例为一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的动作分类方法。
为实现上述目的，本发明提供了另一实施例为一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的动作分类方法。
与现有技术相比，本发明公开的一种动作分类方法、装置、存储介质及终端设备，通过获取第一传感器和第二传感器分别采集的两个不同维度的数据，根据不同维度的数据训练得到不同维度的分类器，通过两个不同维度的分类器交叉迭代预测伪标签数据并更新模型，实现了两个不同维度分类器错误的预测结果相互弥补，相互纠正，可以从两个维度去预测未标签的特征数据，获得更准确的伪标签数据，并且利用更多的伪标签数据来训练得到更好的模型，解决了目前基于一个数据特征的自学习方法不能弥补有监督训练模型对未标签数据预测错误的影响。由于本发明通过两个维度进行训练预测弥补了有监督训练模型对未标签数据预测错误的影响，解决了目前半监督学习方法训练得到的模型准确率低的问题，给出一种预测效果好的基于半监督协同训练的动作分类方法。
附图说明
图1是本发明一种动作分类方法的一个实施例流程图；
图2是本发明一种动作分类装置的一个实施例结构框图；
图3是本发明一种终端设备的一个实施例的结构框图。
具体实施方式
如图1所示，本发明所述一种动作分类方法，包括：
获取第一传感器数据和第二传感器数据并进行数据预处理和特征提取处理得到第一特征数据和第二特征数据；
根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器；
根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束。
与现有技术相比，本发明公开的一种动作分类方法，通过获取第一传感器和第二传感器分别采集的两个不同维度的数据，根据不同维度的数据训练得到不同维度的分类器，通过两个不同维度的分类器交叉迭代预测伪标签数据并更新模型，实现了两个不同维度分类器错误的预测结果相互弥补，相互纠正，可以从两个维度去预测未标签的特征数据，获得更准确的伪标签数据，并且利用更多的伪标签数据来训练得到更好的模型，解决了目前基于一个数据特征的自学习方法不能弥补有监督训练模型对未标签数据预测错误的影响。由于本发明通过两个维度进行训练预测弥补了有监督训练模型对未标签数据预测错误的影响，解决了目前半监督学习方法训练得到的模型准确率低的问题，给出一种预测效果好的基于半监督协同训练的动作分类方法。
进一步的，所述第一传感器数据为动作传感器数据，所述第二传感器数据为心电传感器数据，所述第一特征数据为动作特征数据，所述第二特征数据为心电特征数据，所述第一维度分类器为动作维度分类器，所述第二维度分类器为心电维度分类器。
本发明一个优选的实施例中，提出了基于动作传感器和心电传感器的协同训练方法。可以表征动作的数据特征有许多，本实施例中选择最能表征动作的维度进行分析。经过测试结果和公共数据集数据显示，人的不同活动动作和心电传感器数据特征有一定的相关性，因此可以利用心电传感器数据训练一个模型来和动作传感器训练出来的模型一起交叉预测未标签数据，利用满足预测概率阈值的伪标签数据和标签数据来训练新的模型，再用新的训练模型去迭代预测更新未标签数据直到对所有的未标签数据的预测结果不再发生变化，则训练结束。用协同训练的方法可以实现两个分类器错误的预测结果相互弥补，相互纠正。比较已经存在的基于自学习的半监督学习方法，协同训练方法可以从两个特征维度去预测未标签的特征数据，实现了两个分类器可以在两个不同的特征维度对未标签数据的预测结果可以相互弥补，相互纠正以获得更准确的伪标签数据和利用更多的伪标签数据来训练出更好的模型。因此，协同训练可以减少基于一个数据特征的自学习方法不能弥补有监督训练模型对未标签数据预测错误的影响。
进一步的，所述得到动作特征数据的步骤包括，
对序列动作传感器数据进行窗口化重叠采样处理得到动作传感器窗口数据；
对动作传感器窗口数据进行滑动窗口滤波处理得到去噪动作传感器窗口数据；
对去噪动作传感器窗口数据提取姿态角特征；
对去噪动作传感器窗口数据用滑动窗口滤波进行去重力处理后提取统计学特征；
合并姿态角特征和统计学特征作为每一个动作传感器窗口数据的特征，得到动作特征数据。
本发明一个优选的实施例中，动作传感器数据的数据预处理和特征处理步骤如下：
(1)对序列动作传感器数据进行窗口化重叠采样。
(2)对动作传感器窗口数据进行简单的滑动窗口滤波处理，滤除动作传感器数据中的高频噪声。
(3)先对去噪后的动作传感器窗口数据提取姿态角特征，该特征有利于提高分类器对站立、坐和躺下等角度不同的动作的分类准确率。
(4)对去噪后的动作传感器窗口数据用滑动窗口滤波进行去重力处理，去重力处理可以使得动作传感器数据只有运动动作的影响，以便更好的地用统计学特征去描述动作的运动程度。提取的统计学特征包括，均值、能量、偏度、峰度。
(5)合并(3)和(4)中特征作为每一个动作传感器窗口数据的特征。
进一步的，所述得到心电特征数据的步骤包括，
对序列心电传感器数据进行窗口化重叠采样处理得到心电传感器窗口数据；
根据心电传感器窗口数据计算R-R间期，确定R-R间期心电传感器窗口数据；
根据R-R间期心电传感器窗口数据计算心率变异性特征，将心率变异性特征作为每一个心电传感器窗口数据的特征，得到心电特征数据。
本发明一个优选的实施例中，心电传感器数据的特征处理步骤如下：
(1)对序列心电传感器数据进行窗口化重叠采样。
(2)利用R峰检测算法对心电传感器窗口数据提取R peak的时间索引，以利用R峰计算R-R间期。
(3)对(2)中的RR间期窗口序列数据计算HRV特征，如：SDNN(全部正常窦性搏间期(NN)的标准差)、SDANN(全部正常窦性搏间期平均值的标准差)、NN50(相邻的正常窦性搏间期差大于50ms的心搏个数)等。
(4)使(3)中的HRV(心率变异性)特征作为每一个心电传感器窗口数据的特征。
进一步的，进一步的，所述根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器，包括，
根据标签好的第一传感器数据样本训练出得到第一维度分类器；
用第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签；
用标签好的第二传感器数据和第一伪标签数据一起训练得到第二维度分类器。
进一步的，所述根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束，包括：
用第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签,用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；
用更新的第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签，则用标签好的第二传感器数据和第一伪标签数据一起训练得到更新第二维度分类器；
用更新第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签，用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；
重复更新第一维度分类器和第二维度分类器，当全部未标签样本打上伪标签并且第一维度分类器和第二维度分类器对未标签样本的预测结果不再发生变化则协同训练结束。
本发明一个优选的实施例中，协同训练需要动作传感器和心电传感器同时采集数据，协同训练的具体步骤如下：
(1)用标签好的动作传感器数据样本训练出一个分类器，比如随机森林分类器，SVM分类器，贝叶斯分类器。
(2)用动作传感器数据训练的分类器预测未标签的样本，并设置一定的分类概率阈值，将分类准确率大于阈值的样本打上伪标签，并将伪标签样本加入到心电数据的训练集。
(3)用标签好的心电传感器数据和(2)中产生的伪标签样本数据一起训练一个分类器，比如随机森林分类器，SVM分类器，贝叶斯分类器。
(4)用(3)训练出来的分类器预测未标签的样本，并设置一定的分类概率阈值，将分类准确率大于阈值的样本打上伪标签，并将伪标签样本加入到运动数据的训练集。
(5)用标签好的动作传感器数据和(4)中产生的伪标签数据重新训练一个分类器。
(6)重复迭代上述(2)-(5)的过程，直到全部未标签样本打上伪标签并且动作传感器数据和心电传感器数据训练出来的两个分类器对未标签样本的预测结果不再发生变化则协同训练结束。
协同训练完的分类器对比单个数据维度训练的分类器，可以通过提升数据维度并交叉迭代分类器来相互监督分类结果，提高对未标签数据的分类准确率，充分利用未标签数据来提高分类器的准确率，并且避免了大量的人工标签时间成本。
如图2所示，本发明提供了另一实施例为一种动作分类装置，包括：
特征提取单元，用于获取第一传感器数据和第二传感器数据并进行数据预处理和特征提取处理得到第一特征数据和第二特征数据；
分类器训练单元，用于根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器；
模型更新单元，用于根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束。
进一步的，所述第一传感器数据为动作传感器数据，所述第二传感器数据为心电传感器数据，所述第一特征数据为动作特征数据，所述第二特征数据为心电特征数据，所述第一维度分类器为动作维度分类器，所述第二维度分类器为心电维度分类器。
进一步的，所述特征提取单元包括动作特征数据模块，所述动作特征数据模块包括，
窗口数据获取模块，用于对序列动作传感器数据进行窗口化重叠采样处理得到动作传感器窗口数据；
数据去噪模块，用于对动作传感器窗口数据进行滑动窗口滤波处理得到去噪动作传感器窗口数据；
姿态角特征提取模块，用于对去噪动作传感器窗口数据提取姿态角特征；
统计学特征提取模块，用于对去噪动作传感器窗口数据用滑动窗口滤波进行去重力处理后提取统计学特征；
动作特征数据生成模块，用于合并姿态角特征和统计学特征作为每一个动作传感器窗口数据的特征，得到动作特征数据。
进一步的，所述特征提取单元包括心电特征数据模块，所述心电特征数据模块包括，
窗口数据获取模块，用于对序列心电传感器数据进行窗口化重叠采样处理得到心电传感器窗口数据；
R-R窗口数据获取模块，用于根据心电传感器窗口数据计算R-R间期，确定R-R间期心电传感器窗口数据；
心电特征数据生成模块，用于根据R-R间期心电传感器窗口数据计算心率变异性特征，将心率变异性特征作为每一个心电传感器窗口数据的特征，得到心电特征数据。
进一步的，所述分类器训练单元包括，
第一维度分类器训练模块，用于根据标签好的第一传感器数据样本训练出得到第一维度分类器；
第二维度训练样本更新模块，用于用第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签；
第二维度分类器训练模块，用于用标签好的第二传感器数据和第一伪标签数据一起训练得到第二维度分类器。
进一步的，所述模型更新单元包括：
第一维度分类器更新模块，用第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签,用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；用更新第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签，用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；
第二维度分类器更新模块，用于用更新的第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签，则用标签好的第二传感器数据和第一伪标签数据一起训练得到更新第二维度分类器；
训练结束判断模块，用于使第一维度分类器更新模块和第二维度分类器更新模块重复更新第一维度分类器和第二维度分类器，当全部未标签样本打上伪标签并且第一维度分类器和第二维度分类器对未标签样本的预测结果不再发生变化则协同训练结束。
本发明实施例供的一种动作分类装置，能够实现上述任一实施例所述的动作分类方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的动作分类方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的动作分类方法。
如图3所示，本发明实施例还提供了一种终端设备，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的动作分类方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构框图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
综上，本发明实施例所提供的一种动作分类方法、装置、存储介质及终端设备，通过获取第一传感器和第二传感器分别采集的两个不同维度的数据，根据不同维度的数据训练得到不同维度的分类器，通过两个不同维度的分类器交叉迭代预测伪标签数据并更新模型，实现了两个不同维度分类器错误的预测结果相互弥补，相互纠正，可以从两个维度去预测未标签的特征数据，获得更准确的伪标签数据，并且利用更多的伪标签数据来训练得到更好的模型，解决了目前基于一个数据特征的自学习方法不能弥补有监督训练模型对未标签数据预测错误的影响。由于本发明通过两个维度进行训练预测弥补了有监督训练模型对未标签数据预测错误的影响，解决了目前半监督学习方法训练得到的模型准确率低的问题，给出一种预测效果好的基于半监督协同训练的动作分类方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种动作分类方法，其特征在于，包括：
获取第一传感器数据和第二传感器数据并进行数据预处理和特征提取处理得到第一特征数据和第二特征数据；
根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器；
根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束。
2.根据权利要求1所述的一种动作分类方法，其特征在于，所述第一传感器数据为动作传感器数据，所述第二传感器数据为心电传感器数据，所述第一特征数据为动作特征数据，所述第二特征数据为心电特征数据，所述第一维度分类器为动作维度分类器，所述第二维度分类器为心电维度分类器。
3.根据权利要求2所述的一种动作分类方法，其特征在于，所述得到动作特征数据的步骤包括，
对序列动作传感器数据进行窗口化重叠采样处理得到动作传感器窗口数据；
对动作传感器窗口数据进行滑动窗口滤波处理得到去噪动作传感器窗口数据；
对去噪动作传感器窗口数据提取姿态角特征；
对去噪动作传感器窗口数据用滑动窗口滤波进行去重力处理后提取统计学特征；
合并姿态角特征和统计学特征作为每一个动作传感器窗口数据的特征，得到动作特征数据。
4.根据权利要求2所述的一种动作分类方法，其特征在于，所述得到心电特征数据的步骤包括，
对序列心电传感器数据进行窗口化重叠采样处理得到心电传感器窗口数据；
根据心电传感器窗口数据计算R-R间期，确定R-R间期心电传感器窗口数据；
根据R-R间期心电传感器窗口数据计算心率变异性特征，将心率变异性特征作为每一个心电传感器窗口数据的特征，得到心电特征数据。
5.根据权利要求1所述的一种动作分类方法，其特征在于，所述根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器，包括，
根据标签好的第一传感器数据样本训练出得到第一维度分类器；
用第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签；
用标签好的第二传感器数据和第一伪标签数据一起训练得到第二维度分类器。
6.根据权利要求1所述的一种动作分类方法，其特征在于，所述根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束，包括：
用第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签,用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；
用更新的第一维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第一伪标签，则用标签好的第二传感器数据和第一伪标签数据一起训练得到更新第二维度分类器；
用更新第二维度分类器预测未标签的样本，对分类准确率大于预设阈值的样本打上第二伪标签，用标签好的第一传感器数据和第二伪标签数据一起训练得到更新第一维度分类器；
重复更新第一维度分类器和第二维度分类器，当全部未标签样本打上伪标签并且第一维度分类器和第二维度分类器对未标签样本的预测结果不再发生变化则协同训练结束。
7.一种动作分类装置，其特征在于，包括：
特征提取单元，用于获取第一传感器数据和第二传感器数据并进行数据预处理和特征提取处理得到第一特征数据和第二特征数据；
分类器训练单元，用于根据第一特征数据、第二特征数据和标签数据训练得到第一维度分类器和第二维度分类器；
模型更新单元，用于根据第一维度分类器和第二维度分类器进行交叉迭代预测伪标签数据并更新模型，当第一维度分类器和第二维度分类器对未标签数据的预测结果不变，则训练结束。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-6任一项所述的动作分类方法。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-6任一项所述的动作分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078728.9A CN109902582B (zh) | 2019-01-28 | 2019-01-28 | 一种动作分类方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078728.9A CN109902582B (zh) | 2019-01-28 | 2019-01-28 | 一种动作分类方法、装置、存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109902582A true CN109902582A (zh) | 2019-06-18 |
| CN109902582B CN109902582B (zh) | 2023-08-08 |
Family
ID=66944354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910078728.9A Active CN109902582B (zh) | 2019-01-28 | 2019-01-28 | 一种动作分类方法、装置、存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902582B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334815A (zh) * | 2019-07-10 | 2019-10-15 | 深圳前海微众银行股份有限公司 | 基于交叉验证的标签补全方法、终端、装置及存储介质 |
| CN110933102A (zh) * | 2019-12-11 | 2020-03-27 | 支付宝(杭州)信息技术有限公司 | 基于半监督学习的异常流量检测模型训练方法及装置 |
| CN112307860A (zh) * | 2019-10-10 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 图像识别模型训练方法和装置、图像识别方法和装置 |
| CN114550307A (zh) * | 2022-04-22 | 2022-05-27 | 中国科学技术大学 | 动作定位模型的训练方法、装置及动作定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080103996A1 (en) * | 2006-10-31 | 2008-05-01 | George Forman | Retraining a machine-learning classifier using re-labeled training samples |
| CN105138997A (zh) * | 2015-09-06 | 2015-12-09 | 湖南大学 | 一种无线体域网中基于压缩分类的动作识别方法 |
| US20170360377A1 (en) * | 2016-05-31 | 2017-12-21 | Stmicroelectronics S.R.L. | Method for the detecting electrocardiogram anomalies and corresponding system |
-
2019
- 2019-01-28 CN CN201910078728.9A patent/CN109902582B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080103996A1 (en) * | 2006-10-31 | 2008-05-01 | George Forman | Retraining a machine-learning classifier using re-labeled training samples |
| CN105138997A (zh) * | 2015-09-06 | 2015-12-09 | 湖南大学 | 一种无线体域网中基于压缩分类的动作识别方法 |
| US20170360377A1 (en) * | 2016-05-31 | 2017-12-21 | Stmicroelectronics S.R.L. | Method for the detecting electrocardiogram anomalies and corresponding system |
Non-Patent Citations (1)
| Title |
|---|
| 吴可涵等: "基于加速度和角速度的羽毛球动作识别研究", 《电子技术与软件工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334815A (zh) * | 2019-07-10 | 2019-10-15 | 深圳前海微众银行股份有限公司 | 基于交叉验证的标签补全方法、终端、装置及存储介质 |
| CN112307860A (zh) * | 2019-10-10 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 图像识别模型训练方法和装置、图像识别方法和装置 |
| CN110933102A (zh) * | 2019-12-11 | 2020-03-27 | 支付宝(杭州)信息技术有限公司 | 基于半监督学习的异常流量检测模型训练方法及装置 |
| CN110933102B (zh) * | 2019-12-11 | 2021-10-26 | 支付宝(杭州)信息技术有限公司 | 基于半监督学习的异常流量检测模型训练方法及装置 |
| CN114039794A (zh) * | 2019-12-11 | 2022-02-11 | 支付宝(杭州)信息技术有限公司 | 基于半监督学习的异常流量检测模型训练方法及装置 |
| CN114550307A (zh) * | 2022-04-22 | 2022-05-27 | 中国科学技术大学 | 动作定位模型的训练方法、装置及动作定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109902582B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902582A (zh) | 一种动作分类方法、装置、存储介质及终端设备 | |
| US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
| CN109741309B (zh) | 一种基于深度回归网络的骨龄预测方法及装置 | |
| CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
| Yang et al. | Using PPG signals and wearable devices for atrial fibrillation screening | |
| EP3692901A1 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| Hu et al. | Time series classification under more realistic assumptions | |
| CN109685037B (zh) | 一种实时动作识别方法、装置及电子设备 | |
| Uddin et al. | A guided random forest based feature selection approach for activity recognition | |
| CN112580552B (zh) | 一种鼠类行为分析方法及装置 | |
| US9183431B2 (en) | Apparatus and method for providing activity recognition based application service | |
| Hu et al. | Classification of streaming time series under more realistic assumptions | |
| Jensen et al. | Classification of kinematic swimming data with emphasis on resource consumption | |
| CN104517097A (zh) | 一种基于kinect的运动人体姿态识别方法 | |
| CN111488793A (zh) | 心电信号分类方法、装置、电子设备和存储介质 | |
| CN111046886A (zh) | 号码牌自动识别方法、装置、设备及计算机可读存储介质 | |
| CN109830277B (zh) | 一种跳绳监测方法、电子装置及存储介质 | |
| CN105550659A (zh) | 基于随机投影的实时心电分类方法 | |
| CN108812407A (zh) | 动物健康状态监测方法、设备及存储介质 | |
| JP2018113019A (ja) | 行動データを用いた一般化されたスキル評価のためのシステム及び方法 | |
| CN103886184A (zh) | 一种心脏病理识别模型的构建方法 | |
| Ahmad et al. | Towards improved human action recognition using convolutional neural networks and multimodal fusion of depth and inertial sensor data | |
| CN110865721B (zh) | 动作数据标记装置、方法及非暂态计算机可读取存储介质 | |
| Jothiaruna | SSDMNV2-FPN: A cardiac disorder classification from 12 lead ECG images using deep neural network | |
| Wang et al. | Shape decomposition and classification by searching optimal part pruning sequence |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |