CN110598744A - 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法 - Google Patents
一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法 Download PDFInfo
- Publication number
- CN110598744A CN110598744A CN201910740432.9A CN201910740432A CN110598744A CN 110598744 A CN110598744 A CN 110598744A CN 201910740432 A CN201910740432 A CN 201910740432A CN 110598744 A CN110598744 A CN 110598744A
- Authority
- CN
- China
- Prior art keywords
- node
- human behavior
- behavior recognition
- sensor
- server
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法,包括Edge TPU节点、传感器节点、无线通讯模块和服务器端监视模块,所述的Edge TPU节点通过无线通讯模块与服务器端监视模块通讯,Edge TPU节点与传感器节点相连,在Edge TPU节点上加载有预先训练好的人体行为识别模型,所述的模型为卷积神经网络和长短时记忆序列LSTM网络;传感器节点将采集的信息传输至Edge TPU节点,作为人体行为识别模型的输入,进行本地推理获得预测结果。再通过通讯模块将结果发送至服务器端监视模块,实现高精度低延时的实时人体行为模式识别。
Description
技术领域
本发明涉及模式识别领域,具体涉及一种基于惯性传感器和Edge TPU的实时人体行为识别系统及其方法。
背景技术
随着传感器和深度学习技术的发展,基于微惯性传感器的人体行为识别成为一个重要的研究方向。与基于视觉的人体行为识别方法相比,其具有不受空间限制、受环境干扰小和设备简单等优点。作为物联网的一项重要应用,人体行为识别在健康恢复、医疗保健和医疗监护等方面具有广阔的应用前景和客观的经济效应。
Edge TPU张量处理器(Tensor Processing Unit,TPU)是谷歌在2018年针对物联网应用情景推出的边缘计算处理器。其体积、功耗和成本都比先前的边缘计算产品优异。深度学习方法进行的人体行为识别虽然有较高的精度,但是其依赖于云端强大的计算能力,同时实时性也会受到一定影响;传统机器学习方法虽然需要计算资源较少,但其精度相较于深度学习较低。而借助Edge TPU可以进行高速的深度学习本地推理计算,这样就可以在保持高精度的同时保持低延迟。
发明内容
本发明克服现有技术的不足,提供一种高精度、低延迟、简便快捷的基于惯性传感器和Edge TPU的实时人体行为识别系统及方法。
为了实现上述目的,本发明的技术实现方案如下:
一种基于惯性传感器和Edge TPU的实时人体行为识别系统,包括Edge TPU节点、传感器节点、无线通讯模块和服务器端监视模块,所述的Edge TPU节点通过无线通讯模块与服务器端监视模块通讯,Edge TPU节点与传感器节点相连,在Edge TPU节点上加载有预先训练好的人体行为识别模型,所述的模型为卷积神经网络和长短时记忆序列LSTM网络;传感器节点将采集的信息传输至EdgeTPU节点,作为人体行为识别模型的输入,进行本地推理获得预测结果。
上述技术方案中,进一步的,所述的传感器节点包括串口通信模块和传感器阵列。
更进一步的,所述的传感器阵列包括三轴加速度传感器、三轴陀螺仪传感器和三轴磁场传感器,传感器阵列中的每个传感器都通过串口通讯模块与EdgeTPU节点进行通讯。所述的三轴加速度传感器、三轴陀螺仪传感器和三轴磁场传感器可以采用美国Adafruit公司的lsm9ds0。
进一步的,所述的人体行为识别模型为2层的卷积神经网络和单层的LSTM网络。
进一步的,所述的无线通讯模块包括4G模块和wifi模块,4G模块可选用USR-G401t,wifi模块可选择ESP8266。
进一步的,所述的Edge TPU节点为美国谷歌公司的Coral Dev Board开发板。
上述的实时人体行为识别系统的构建方法,如下:
采用Opportunity数据集,并对所述数据集进行窗口长度为40、步长为20的滑动窗口处理,得到维度为3n*40的样本,其中n表示采用的传感器数量,40表示时间维度上的窗口长度;使用卷积神经网络在样本的时间维度上进行卷积以提取特征,结合长短时记忆序列网络挖掘深层次时序信息,最后通过全连接层输出预测结果,以上离线训练均在Tensorlite框架上进行,并在Coral Dev Board上部署Tensorlite框架,将训练好的模型加载到Coral Dev Board;
传感器阵列中的传感器以20hz的频率采集人体行为惯性信息,通过串口通讯模块将信息发送给Coral Dev Board,对信息进行窗口长度为40、步长为20的滑动窗口处理,获得每个样本维度为3n*40的信息,其中n表示采用的传感器数量,40表示时间维度上的窗口长度,Coral Dev Board调用TPU进行本地推理计算,输出识别结果;
服务器端监听Coral Dev Board端的信息,Wifi模块设置为AP接入点,服务器端接入该AP后,Wifi模块设置为记住该服务器端,一旦服务器端无法接收到Wifi模块的信息,就调整为4G模块通信。
进一步的,所述的服务器端可以通过tkinter模块编写图形界面显示,当接收到人体行为识别结果时,分别编号并将状态显示在服务器端,若出现异常状态,将自动弹出警报。
本发明的有益效果是:
本发明的系统通过将预先训练好的深度学习模型加载到Edge TPU节点,对实时采集的惯性传感器数据进行本地推理得到行为识别结果,再通过通讯模块将结果发送至服务器端监视模块,可以实现高精度低延时的实时人体行为模式识别。此外,该系统还具有良好的可扩展性,可以同时接入多个用户进行行为状态识别,也可以扩展更多的惯性传感器来进行更精确的识别,该系统可以方便的组建单独的行为识别节点,增加和删除用户时,也只需要简单的对对应的行为识别节点进行操作。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的实时人体行为识别系统整体结构示意框图。
图2为本发明的人体行为识别模型的网络结构设计示意图。
图3为一种具体的含两用户的实时人体行为识别系统的拓扑结构图。
具体实施方式
下面根据具体实施实例,并结合附图,进一步说明本发明,使本发明的实现的技术手段、功效等更加易于明白了解。
如图1示,基于惯性传感器和Edge TPU的实时人体行为识别系统,包括EdgeTPU节点、传感器节点、无线通讯模块和服务器端监视模块,所述的Edge TPU节点通过无线通讯模块与服务器端监视模块通讯,Edge TPU节点与传感器节点相连。
如图2所示,网络的设计采用了两层的卷积神经网络来做特征提取,其中卷积核的维度为1*5*64,之后将特征提取的结果输入到LSTM网络来捕获时序依赖关系,最后输出预测结果。
如图3所示,每个用户身上集成传感器阵列和Coral Dev Board节点,传感器阵列具体包含一个三轴加速度传感器、一个三轴陀螺仪传感器和一个三轴磁场传感器,以20hz的频率从传感器阵列采集信息,通过串口将数据发送给Coral DevBoard节点。Coral DevBoard节点对采集的信息进行窗口长度为40、步长为20的滑动窗口处理后,获得每个样本维度为9*40的信息,Coral Dev Board调用TPU并加载训练好的模型进行本地推理计算,输出识别结果。
服务器端监听Coral Dev Board端的信息,ESP8266Wifi模块设置为AP接入点,服务器端接入该AP后,ESP8266设置为记住该设备,一旦服务器端无法接收到ESP8266模块的信息,就调整为4G模块通信。
服务器端通过tkinter模块编写图形界面显示,当接收到人体行为识别结果时,分别编号并将状态显示在服务器端,若出现异常状态,将自动弹出警报。
多个用户接入的时候只需要分别建立用户Coral Dev Board节点和服务器端的连接,各个识别任务是独立运行的互不干扰,这种结构的设计可以保证良好的扩展性和稳定性。
在按照上述方案进行的测试中,能够获得95%以上的准确度,并且推算每个样本的时间仅为0.005秒,达到了高精度和低延迟的优点。
Claims (9)
1.一种基于惯性传感器和Edge TPU的实时人体行为识别系统,其特征在于,包括EdgeTPU节点、传感器节点、无线通讯模块和服务器端监视模块,所述的Edge TPU节点通过无线通讯模块与服务器端监视模块通讯,Edge TPU节点与传感器节点相连,在Edge TPU节点上加载有预先训练好的人体行为识别模型,所述的模型为卷积神经网络和长短时记忆序列LSTM网络;传感器节点将采集的信息传输至Edge TPU节点,作为人体行为识别模型的输入,进行本地推理获得预测结果。
2.根据权利要求1所述的实时人体行为识别系统,其特征在于,所述的传感器节点包括串口通信模块和传感器阵列。
3.根据权利要求2所述的实时人体行为识别系统,其特征在于,所述的传感器阵列包括三轴加速度传感器、三轴陀螺仪传感器和三轴磁场传感器,传感器阵列中的每个传感器都通过串口通讯模块与Edge TPU节点进行通讯。
4.根据权利要求3所述的实时人体行为识别系统,其特征在于所述的三轴加速度传感器、三轴陀螺仪传感器和三轴磁场传感器为美国Adafruit公司的lsm9ds0。
5.根据权利要求1所述的实时人体行为识别系统,其特征在于,所述的人体行为识别模型为2层的卷积神经网络和单层的LSTM网络。
6.根据权利要求1所述的实时人体行为识别系统,其特征在于,所述的无线通讯模块包括4G模块和wifi模块,4G模块选用USR-G401t,wifi模块选择ESP8266。
7.根据权利要求1所述的实时人体行为识别系统,其特征在于,所述的Edge TPU节点为美国谷歌公司的Coral Dev Board开发板。
8.一种如权利要求7所述的实时人体行为识别系统的构建方法,其特征在于:
采用Opportunity数据集,并对所述数据集进行窗口长度为40、步长为20的滑动窗口处理,得到维度为3n*40的样本,其中n表示采用的传感器数量,40表示时间维度上的窗口长度;使用卷积神经网络在样本的时间维度上进行卷积以提取特征,结合长短时记忆序列网络挖掘深层次时序信息,最后通过全连接层输出预测结果,以上离线训练均在Tensorlite框架上进行,并在Coral Dev Board上部署Tensorlite框架,将训练好的模型加载到CoralDev Board;
传感器阵列中的传感器以20hz的频率采集人体行为惯性信息,通过串口通讯模块将信息发送给Coral Dev Board,对信息进行窗口长度为40、步长为20的滑动窗口处理,获得每个样本维度为3n*40的信息,其中n表示采用的传感器数量,40表示时间维度上的窗口长度,Coral Dev Board调用TPU进行本地推理计算,输出识别结果;
服务器端监听Coral Dev Board端的信息,Wifi模块设置为AP接入点,服务器端接入该AP后,Wifi模块设置为记住该服务器端,一旦服务器端无法接收到Wifi模块的信息,就调整为4G模块通信。
9.根据权利要求8所述的实时人体行为识别系统的构建方法,其特征在于,所述的服务器端通过tkinter模块编写图形界面显示,当接收到人体行为识别结果时,分别编号并将状态显示在服务器端,若出现异常状态,将自动弹出警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740432.9A CN110598744A (zh) | 2019-08-12 | 2019-08-12 | 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740432.9A CN110598744A (zh) | 2019-08-12 | 2019-08-12 | 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598744A true CN110598744A (zh) | 2019-12-20 |
Family
ID=68854125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740432.9A Pending CN110598744A (zh) | 2019-08-12 | 2019-08-12 | 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598744A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082879A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN105739468A (zh) * | 2016-03-03 | 2016-07-06 | 浙江大学 | 一种基于Zigbee和智能手环的智能家居系统及其方法 |
CN109101858A (zh) * | 2017-06-20 | 2018-12-28 | 北京大学 | 动作识别方法及装置 |
CN109685148A (zh) * | 2018-12-28 | 2019-04-26 | 南京师范大学 | 多类别人体动作识别方法及识别系统 |
CN109726662A (zh) * | 2018-12-24 | 2019-05-07 | 南京师范大学 | 基于卷积和循环组合神经网络的多类别人体姿态识别方法 |
-
2019
- 2019-08-12 CN CN201910740432.9A patent/CN110598744A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN105739468A (zh) * | 2016-03-03 | 2016-07-06 | 浙江大学 | 一种基于Zigbee和智能手环的智能家居系统及其方法 |
CN109101858A (zh) * | 2017-06-20 | 2018-12-28 | 北京大学 | 动作识别方法及装置 |
CN109726662A (zh) * | 2018-12-24 | 2019-05-07 | 南京师范大学 | 基于卷积和循环组合神经网络的多类别人体姿态识别方法 |
CN109685148A (zh) * | 2018-12-28 | 2019-04-26 | 南京师范大学 | 多类别人体动作识别方法及识别系统 |
Non-Patent Citations (1)
Title |
---|
林强: "《行为识别与智能计算》", 30 November 2016, 西安电子科技大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082879A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
CN111082879B (zh) * | 2019-12-27 | 2022-02-01 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
CN111898095B (zh) * | 2020-07-10 | 2024-04-19 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190034497A1 (en) | Data2Data: Deep Learning for Time Series Representation and Retrieval | |
JP6275868B2 (ja) | ニューラルウォッチドッグ | |
US10504031B2 (en) | Method and apparatus for determining probabilistic context awareness of a mobile device user using a single sensor and/or multi-sensor data fusion | |
CN109886068B (zh) | 基于运动数据的动作行为识别方法 | |
CN109902296B (zh) | 自然语言处理方法、训练方法及数据处理设备 | |
CN112799128B (zh) | 一种地震信号检测和震相提取的方法 | |
CN111540375B (zh) | 音频分离模型的训练方法、音频信号的分离方法及装置 | |
CN110598744A (zh) | 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法 | |
CN110113116A (zh) | 基于wifi信道信息的人体行为识别方法 | |
CN113159273B (zh) | 一种神经网络的训练方法及相关设备 | |
CN113780223A (zh) | 假肢的步态识别方法、装置及存储介质 | |
US20240046946A1 (en) | Speech denoising networks using speech and noise modeling | |
Imran et al. | Harresnext: An efficient resnext inspired network for human activity recognition with inertial sensors | |
CN110598585A (zh) | 基于卷积神经网络的起坐动作识别方法 | |
CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
Gupta et al. | Neuromorphic time-multiplexed reservoir computing with on-the-fly weight generation for edge devices | |
Alexan et al. | SoC based IoT sensor network hub for activity recognition using ML. net framework | |
CN111563591B (zh) | 超网络的训练方法和装置 | |
CN106774323A (zh) | 避障控制系统和方法 | |
CN113780520A (zh) | 一种山体滑坡mems加速度传感器误差补偿方法 | |
CN112180318A (zh) | 声源波达方向估计模型训练和声源波达方向估计方法 | |
CN111640440A (zh) | 一种音频流解码方法、装置、存储介质及设备 | |
Zhang et al. | Cloud-Edge Collaborative Human Activity Recognition System Design and Implementation | |
WO2024014821A1 (ko) | 심전도 기반 신경망 모델의 학습 방법, 프로그램 및 장치 |
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 |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |