CN112633467A - 一种基于猫眼连接改进lstm模型的人体行为识别方法 - Google Patents

一种基于猫眼连接改进lstm模型的人体行为识别方法 Download PDF

Info

Publication number
CN112633467A
CN112633467A CN202011333541.8A CN202011333541A CN112633467A CN 112633467 A CN112633467 A CN 112633467A CN 202011333541 A CN202011333541 A CN 202011333541A CN 112633467 A CN112633467 A CN 112633467A
Authority
CN
China
Prior art keywords
data
human behavior
cat eye
eye connection
lstm 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
Application number
CN202011333541.8A
Other languages
English (en)
Inventor
陈殿明
毕茂华
马晓光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chaoyue Technology Co Ltd
Original Assignee
Chaoyue Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chaoyue Technology Co Ltd filed Critical Chaoyue Technology Co Ltd
Priority to CN202011333541.8A priority Critical patent/CN112633467A/zh
Publication of CN112633467A publication Critical patent/CN112633467A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Abstract

本发明公开一种基于猫眼连接改进LSTM模型的人体行为识别方法，涉及智能识别技术领域；通过采集获取人体行为数据集，并可对在多种噪声影响下获取的数据采取降噪处理，对于数据值断层现象，进行滑窗转换处理，对所有轴向的数据进行特异值转换处理，解决可能出现的除零错误；对数据进行标准化处理，解决原始数据中权重失衡的问题；基于猫眼连接结构改进LSTM块，构建神经网络，处理数据进行识别，可有效对其进行分类判断。

Description

一种基于猫眼连接改进LSTM模型的人体行为识别方法
技术领域
本发明公开一种识别方法，涉及智能识别技术领域，具体地说是一种基于猫眼连接改进LSTM模型的人体行为识别方法。
背景技术
近年来随着科学技术的飞速发展，便携式和穿戴式智能设备逐渐在生活与工作领域中发挥着重要的作用，如人机交互、虚拟现实、运动，和医疗保健等。而通过利用智能设备和计算机技术处理人体行为数据从而实现行为识别成为了国内外学者的研究热点。
针对处理传感数据领域，通过单一或多种传感器获得多维动作数据，再对数据进行处理分析从而实现行为识别成为一种研究趋势。但是通过现有的智能终端进行人头行为识别时，处理数据的模型仍不理想，不能较为准确及有效判断行为类别。
发明内容
本发明针对现有技术的问题，提供一种基于猫眼连接改进LSTM模型的人体行为识别方法，对人体行为传感器数据进行处理识别，可有效对其进行分类判断，提高人体行为识别的准确率。
本发明提出的具体方案是：
一种基于猫眼连接改进LSTM模型的人体行为识别方法：
步骤1：采集人体行为的加速度信号数据和角速度信号数据，以便获取相应的人体行为数据集；
步骤2：对数据集中数据采取降噪处理，
步骤3：针对断层数据值，进行滑窗转换处理，
步骤4：对所有轴向的数据进行特异值转换处理，
步骤5：使用Z-score标准化方法对数据进行标准化处理，
步骤6：基于猫眼连接结构改进LSTM块，构建神经网络模型，对处理后数据进行识别。
优选地，所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法中步骤1中利用加速度传感器和陀螺仪的采集设备采集人体行为的三轴加速度信号数据和三轴角速度信号数据。
优选地，所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法中步骤2中利用巴特沃斯低通滤波器对数据集中数据采取降噪处理，巴特沃斯低通滤波器的增益利用如下公式表示：
Figure BDA0002796489520000021
公式中，n表示滤波器的阶数，ωc表示转折频率，ωp代表通频带边缘频率，而
Figure BDA0002796489520000022
则代表在通频带边缘的数值。
优选地，所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法中步骤3中针对断层数据值，将频域数据转换成时域数据后进行加窗分割，窗口的大小对应时间步长，其计算公式为：
LW＝f·TW
其中LW为时间步长，f为传感器的频率，TW为窗口大小。
优选地，所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法中步骤4中进行特异值转换处理时引入极小值ε，公式为：
Figure BDA0002796489520000023
由公式可知，当出现某一轴数据恒定而导致σ为0时，利用ε避免出现除以零错误。
优选地，所述的一种基于LSTM模型的人体行为识别方法中步骤5中使用如下公式对数据进行标准化处理：
Figure BDA0002796489520000031
其中x为待处理传感器数据，μ为均值，表示人体行为的动作执行者的本次动作执行的平均单轴加速度，σ为标准差，计算公式为：
Figure BDA0002796489520000032
其中N为样本数量，μ为均值。
一种基于猫眼连接改进LSTM模型的人体行为识别系统，包括采集人体行为的加速度信号数据和角速度信号数据，以便获取相应的人体行为数据集的模块；
对数据集中数据采取降噪处理的模块
针对断层数据值进行滑窗转换处理的模块，
对所有轴向的数据进行特异值转换处理的模块，
使用Z-score标准化方法对数据进行标准化处理的模块，
基于猫眼连接结构改进LSTM块，构建神经网络模型，对处理后数据进行识别的模块。
一种基于猫眼连接改进LSTM模型的人体行为识别装置，包括至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行所述的一种基于LSTM模型的人体行为识别方法。
本发明的有益之处是：
本发明提供一种基于猫眼连接改进LSTM模型的人体行为识别方法，通过采集获取人体行为数据集，并可对在多种噪声影响下获取的数据采取降噪处理，对于数据值断层现象，进行滑窗转换处理，对所有轴向的数据进行特异值转换处理，解决可能出现的除零错误；对数据进行标准化处理，解决原始数据中权重失衡的问题；基于猫眼连接结构改进LSTM块，构建神经网络，处理数据进行识别，可有效对其进行分类判断。
附图说明
图1是本发明方法流程示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将运用具体的实施例及附图，对本发明保护的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利保护的范围。
本发明提供一种基于猫眼连接改进LSTM模型的人体行为识别方法：
步骤1：采集人体行为的加速度信号数据和角速度信号数据，以便获取相应的人体行为数据集；
步骤2：对数据集中数据采取降噪处理，
步骤3：针对断层数据值，进行滑窗转换处理，
步骤4：对所有轴向的数据进行特异值转换处理，
步骤5：使用Z-score标准化方法对数据进行标准化处理，
步骤6：基于猫眼连接结构改进LSTM块，构建神经网络模型，对处理后数据进行识别。
利用本发明方法通过采集获取人体行为数据集，并可对在多种噪声影响下获取的数据采取降噪处理，对于数据值断层现象，进行滑窗转换处理，对所有轴向的数据进行特异值转换处理，解决可能出现的除零错误；对数据进行标准化处理，解决原始数据中权重失衡的问题；基于猫眼连接结构改进LSTM块，构建神经网络，处理数据进行识别，可有效对其进行分类判断。
图1为本发明基于传感器和猫眼连接改进LSTM模型的人体行为识别方法实施例的流程图，该实施例具体包括以下步骤：
步骤1：使用内置了加速度传感器和陀螺仪的采集设备获取加速度信号和角速度信号，获取人体行为数据集；
本发明实施例中，优选采集时，设置传感器的采集频率为50Hz，滑动分段大小设置为128(2.56s*50Hz)，获取到的数据包含三轴加速度信号Acc-XYZ和三轴角速度信号Gyro-XYZ。
步骤2：根据采集数据时的环境情况，对在多种噪声影响下获取的数据采取降噪处理；
本发明实施例中，优选时可使用中值滤波器和转折频率为20Hz的三阶低通巴特沃斯(Butterworth)滤波器滤除噪声。其中n阶巴特沃斯低通滤波器的增益可用公式为：
Figure BDA0002796489520000051
公式中，n表示滤波器的阶数，ωc表示转折频率(近似等于振幅下降为-3dB时的频率)，ωp代表通频带边缘频率，而
Figure BDA0002796489520000052
则代表在通频带边缘的数值。
步骤3：针对由于人体行为变化速度不稳定可能导致的数据值断层现象，对数据进行滑窗转换处理；
本发明实施例中，优选时明确传感器记录了频域数据，将其转换成时域数据后进行加窗分割，窗口的大小则对应了时间步长，其计算公式为。
LW＝f·TW
其中LW为时间步长，f为传感器的频率，TW为窗口大小。
步骤4：对所有轴向的数据进行特异值转换处理，解决可能出现的除零错误；
本发明实施例中，优选时计算中引入一个极小值ε，公式为：
Figure BDA0002796489520000053
由公式可知，当出现某一轴数据恒定而导致σ为0时，因为ε的存在而避免出现除以零错误，从而提升了数据转换模型的易用性。
步骤5，对数据进行标准化处理，解决原始数据中权重失衡的问题；
本发明实施例中，优选时使用Z-score标准化方法对数据进行预处理。Z-score标准化是基于原始数据的均值和标准差进行的数据标准化，能够平衡不同维度数据的权重占比，其公式为：
Figure BDA0002796489520000061
其中x为待处理传感器数据，以加速度传感器为例，在分离重力加速度G后的人体加速度位bAcc，在x轴上的数据记为bAccx。μ为均值，表示动作执行者的本次动作执行的平均单轴加速度，σ为标准差，计算公式为：
Figure BDA0002796489520000062
其中N为样本数量，μ为均值。
步骤6：基于猫眼连接结构改进LSTM块，构建神经网络，处理数据进行识别；
本发明实施例中，优选时使用猫眼连接结构改进LSTM模块，其中猫眼连接(peephole connection)算法是一种使用上一时刻细胞状态Ct-1、上一时刻输出ht-1和当前输入xt三元因子的控制门更新算法。此时对于改进后的结构，其遗忘门和输入门都形成了对持久层信息的“监视”结构，其控制原理如公式为：
Figure BDA0002796489520000063
ft为遗忘门，用以决定在LSTM细胞模块中丢弃哪些信息；it为输入门，决定在LSTM细胞模块结构中更新哪些信息；对于公式中的σ，实际应用中经常取为sigmoid函数sigmoid＝1/(1+exp(-x))，其中exp()函数是以自然常数e为底的指数函数。然后使用基于猫眼连接改进后的LSTM构建神经网络，处理数据集。
本发明采用基于猫眼连接改进后的LSTM神经网络对人体行为传感器数据进行处理识别，可有效对其进行分类判断。
本发明通过对人体行为传感器数据进行多处理，消除或降低各种噪声数据的影响，然后基于猫眼连接结构对时序型数据的相似匹配性进行改造LSTM模块，构建人体行为识别神经网络，提高了人体行为识别的准确度。
同时本发明还提供一种基于猫眼连接改进LSTM模型的人体行为识别系统，包括采集人体行为的加速度信号数据和角速度信号数据，以便获取相应的人体行为数据集的模块；
对数据集中数据采取降噪处理的模块
针对断层数据值进行滑窗转换处理的模块，
对所有轴向的数据进行特异值转换处理的模块，
使用Z-score标准化方法对数据进行标准化处理的模块，
基于猫眼连接结构改进LSTM块，构建神经网络模型，对处理后数据进行识别的模块。
上述系统内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
以及本发明提供一种基于猫眼连接改进LSTM模型的人体行为识别装置，包括至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行所述的一种基于LSTM模型的人体行为识别方法。
而上述装置内的处理器的信息交互、执行可读程序过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
需要说明的是，较佳实施例中各流程和各系统及装置结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序依据本发明的技术方案执行，有时可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (8)

1.一种基于猫眼连接改进LSTM模型的人体行为识别方法，其特征是：
步骤1：采集人体行为的加速度信号数据和角速度信号数据，以便获取相应的人体行为数据集；
步骤2：对数据集中数据采取降噪处理，
步骤3：针对断层数据值，进行滑窗转换处理，
步骤4：对所有轴向的数据进行特异值转换处理，
步骤5：使用Z-score标准化方法对数据进行标准化处理，
步骤6：基于猫眼连接结构改进LSTM块，构建神经网络模型，对处理后数据进行识别。
2.根据权利要求1所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法，其特征是步骤1中利用加速度传感器和陀螺仪的采集设备采集人体行为的三轴加速度信号数据和三轴角速度信号数据。
3.根据权利要求1或2所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法，其特征是步骤2中利用巴特沃斯低通滤波器对数据集中数据采取降噪处理，巴特沃斯低通滤波器的增益利用如下公式表示：
Figure FDA0002796489510000011
公式中，n表示滤波器的阶数，ωc表示转折频率，ωp代表通频带边缘频率，而
Figure FDA0002796489510000012
则代表在通频带边缘的数值。
4.根据权利要求1或3所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法，其特征是步骤3中针对断层数据值，将频域数据转换成时域数据后进行加窗分割，窗口的大小对应时间步长，其计算公式为：
LW＝f·TW
其中LW为时间步长，f为传感器的频率，TW为窗口大小。
5.根据权利要求1或4所述的一种基于猫眼连接改进LSTM模型的人体行为识别方法，其特征是步骤4中进行特异值转换处理时引入极小值ε，公式为：
Figure FDA0002796489510000021
由公式可知，当出现某一轴数据恒定而导致σ为0时，利用ε避免出现除以零错误。
6.根据权利要求1或5所述的一种基于LSTM模型的人体行为识别方法，其特征是步骤5中使用如下公式对数据进行标准化处理：
Figure FDA0002796489510000022
其中x为待处理传感器数据，μ为均值，表示人体行为的动作执行者的本次动作执行的平均单轴加速度，σ为标准差，计算公式为：
Figure FDA0002796489510000023
其中N为样本数量，μ为均值。
7.一种基于猫眼连接改进LSTM模型的人体行为识别系统，其特征是包括采集人体行为的加速度信号数据和角速度信号数据，以便获取相应的人体行为数据集的模块；
对数据集中数据采取降噪处理的模块
针对断层数据值进行滑窗转换处理的模块，
对所有轴向的数据进行特异值转换处理的模块，
使用Z-score标准化方法对数据进行标准化处理的模块，
基于猫眼连接结构改进LSTM块，构建神经网络模型，对处理后数据进行识别的模块。
8.一种基于猫眼连接改进LSTM模型的人体行为识别装置，其特征是包括至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至6中任一所述的一种基于LSTM模型的人体行为识别方法。
CN202011333541.8A 2020-11-25 2020-11-25 一种基于猫眼连接改进lstm模型的人体行为识别方法 Pending CN112633467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011333541.8A CN112633467A (zh) 2020-11-25 2020-11-25 一种基于猫眼连接改进lstm模型的人体行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011333541.8A CN112633467A (zh) 2020-11-25 2020-11-25 一种基于猫眼连接改进lstm模型的人体行为识别方法

Publications (1)

Publication Number Publication Date
CN112633467A true CN112633467A (zh) 2021-04-09

Family

ID=75303819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011333541.8A Pending CN112633467A (zh) 2020-11-25 2020-11-25 一种基于猫眼连接改进lstm模型的人体行为识别方法

Country Status (1)

Country Link
CN (1) CN112633467A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113229810A (zh) * 2021-06-22 2021-08-10 西安超越申泰信息科技有限公司 一种人体行为识别方法、系统及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092894A (zh) * 2017-04-28 2017-08-25 孙恩泽 一种基于lstm模型的运动行为识别方法
CN108710947A (zh) * 2018-04-10 2018-10-26 杭州善居科技有限公司 一种基于lstm的智能家居机器学习系统设计方法
CN110610158A (zh) * 2019-09-16 2019-12-24 南京师范大学 一种基于卷积和门控循环神经网络的人体姿态识别方法及系统
CN111089604A (zh) * 2019-12-10 2020-05-01 中国科学院深圳先进技术研究院 基于可穿戴传感器的健身运动识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092894A (zh) * 2017-04-28 2017-08-25 孙恩泽 一种基于lstm模型的运动行为识别方法
CN108710947A (zh) * 2018-04-10 2018-10-26 杭州善居科技有限公司 一种基于lstm的智能家居机器学习系统设计方法
CN110610158A (zh) * 2019-09-16 2019-12-24 南京师范大学 一种基于卷积和门控循环神经网络的人体姿态识别方法及系统
CN111089604A (zh) * 2019-12-10 2020-05-01 中国科学院深圳先进技术研究院 基于可穿戴传感器的健身运动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈殿明: "基于深度学习的人体行为识别研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113229810A (zh) * 2021-06-22 2021-08-10 西安超越申泰信息科技有限公司 一种人体行为识别方法、系统及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
Ha et al. Multi-modal convolutional neural networks for activity recognition
Sikder et al. Human activity recognition using multichannel convolutional neural network
Uddin et al. A guided random forest based feature selection approach for activity recognition
CN107688790B (zh) 人体行为识别方法、装置、存储介质及电子设备
CN109886068B (zh) 基于运动数据的动作行为识别方法
CN112464738B (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
CN107358248B (zh) 一种提高跌倒检测系统精度的方法
CN110327050B (zh) 用于可穿戴装备的人跌倒状态嵌入式智能检测方法
Yang et al. Human posture recognition in intelligent healthcare
CN113139499A (zh) 一种基于轻量注意力卷积神经网络的步态识别方法和系统
CN114155397A (zh) 一种小样本图像分类方法及系统
CN112633467A (zh) 一种基于猫眼连接改进lstm模型的人体行为识别方法
CN106897740A (zh) 基于惯性传感器的人体行为识别系统下eemd‑dfa特征提取方法
CN112967225A (zh) 一种基于人工智能的自动检测系统、方法、设备及介质
Pothuganti Review on over-fitting and under-fitting problems in Machine Learning and solutions
CN106406516A (zh) 一种智能手机本地实时的运动轨迹特征提取与识别方法
Shao et al. LightBGM for human activity recognition using wearable sensors
CN111603169A (zh) 基于mems惯性传感器的行人步态识别方法
WO2018014432A1 (zh) 语音应用触发控制方法、装置及终端
Banos et al. Evaluating the effects of signal segmentation on activity recognition.
Imran et al. Harresnext: An efficient resnext inspired network for human activity recognition with inertial sensors
CN116380438A (zh) 一种故障诊断方法、装置、电子设备及存储介质
CN113229810A (zh) 一种人体行为识别方法、系统及计算机可读存储介质
CN114494797A (zh) 用于训练图像检测模型的方法和装置

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

Application publication date: 20210409

RJ01 Rejection of invention patent application after publication