识别用户行为的方法、装置及智能可穿戴设备制造方法及图纸

本发明专利技术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。本发明专利技术的技术方案包括：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。

【技术实现步骤摘要】
识别用户行为的方法、装置及智能可穿戴设备
本专利技术实施例涉及终端应用
，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。
技术介绍
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。专利技术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。
技术实现思路
有鉴于此，本专利技术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，本专利技术实施例主要提供如下技术方案：第一方面，本专利技术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，本专利技术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，本专利技术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，本专利技术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，本专利技术实施例提供的技术方案至少具有下列优点：本专利技术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，本专利技术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。上述说明仅是本专利技术实施例技术方案的概述，为了能够更清楚了解本专利技术实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术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，而并不认为是对本专利技术实施例的限制。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示出了本专利技术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示出了本专利技术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示出了本专利技术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示出了本专利技术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示出了本专利技术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。本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：周舒然，龚亚光，李家祥，
申请(专利权)人：出门问问信息科技有限公司，
类型：发明
国别省市：北京,11