基于智能移动设备和卷积神经网络的人体活动识别方法技术

本发明专利技术公开了基于智能移动设备和卷积神经网络的人体活动识别方法，包括如下步骤：通过智能移动设备周期性采集用户的时间序列数据形成时间序列数据集；生成用户的统计特征向量集，所述统计特征向量集包括若干个统计特征向量，每个所述统计特征向量包括由多个连续时间序列数据生成的时间特征信息及所述时间特征信息对应的三轴加速度特征信息；将所述时间序列数据集及所述统计特征向量集输入完成训练的卷积神经网络，得到每个所述统计特征向量的分类信息，从而根据分类信息进行人体活动识别。本发明专利技术通过现有的智能移动设备即可完成数据的采集，数据采集成本低，不会对用户生活造成干扰，具有普适性，适合进行大范围推广。

Human activity recognition method based on intelligent mobile devices and convolutional neural network

【技术实现步骤摘要】
基于智能移动设备和卷积神经网络的人体活动识别方法
本专利技术涉及人工智能医疗健康
，具体涉及一种基于智能移动设备和卷积神经网络的人体活动识别方法。
技术介绍
人体活动识别作为人工智能医疗健康领域的一个研究方向，随着社会发展以及人们生活水平的提高而受到越来越多的关注。基于可穿戴传感器的人体生理特征监测系统在医疗领域应得到了广泛的应用，其中监测的数据包括病人的体温、心率、大脑活动、肌肉动作和其它重要的生理数据。这些传感器能够提供很多关于人体活动精确的、可靠的数据，通过传感器提供的监测数据，护理人员能实时地了解病人是否处于一个相对健康的状况、关注病人的病情变化，并及时为病人提供需要的帮助。由于智能手机在生活中的广泛应用，因此将对基于智能手机的人体活动识别进行系统的研究，记录一个人早，中，晚的休息与运动时间，从而评估该研究对象的作息规律与健康水平。当下，智能手机已融入多样化、功能强大的传感器：图像传感器(即相机)，光传感器，温度传感器，GPS传感器，音频传感器(即麦克风)，和加速度传感器(即加速度计)。智能手机具有携带方便的优点，同时还具有相当强大的数据传输和数据处理功能。相比于传统的本文档来自技高网...

【技术保护点】
1.基于智能移动设备和卷积神经网络的人体活动识别方法，其特征在于，包括如下步骤：S1、通过智能移动设备周期性采集用户的时间序列数据形成时间序列数据集，所述时间序列数据包括时间信息及所述时间信息对应的三轴加速度信息；S2、生成用户的统计特征向量集，所述统计特征向量集包括若干个统计特征向量，每个所述统计特征向量包括由多个连续时间序列数据生成的时间特征信息及所述时间特征信息对应的三轴加速度特征信息；S3、将所述时间序列数据集及所述统计特征向量集输入完成训练的卷积神经网络，得到每个所述统计特征向量的分类信息，从而根据分类信息进行人体活动识别。

【技术特征摘要】
1.基于智能移动设备和卷积神经网络的人体活动识别方法，其特征在于，包括如下步骤：S1、通过智能移动设备周期性采集用户的时间序列数据形成时间序列数据集，所述时间序列数据包括时间信息及所述时间信息对应的三轴加速度信息；S2、生成用户的统计特征向量集，所述统计特征向量集包括若干个统计特征向量，每个所述统计特征向量包括由多个连续时间序列数据生成的时间特征信息及所述时间特征信息对应的三轴加速度特征信息；S3、将所述时间序列数据集及所述统计特征向量集输入完成训练的卷积神经网络，得到每个所述统计特征向量的分类信息，从而根据分类信息进行人体活动识别。2.如权利要求1所述的基于智能移动设备和卷积神经网络的人体活动识别方法，其特征在于，所述完成训练的卷积神经网络的训练方法包括：S200、获取时间序列数据训练集及时间序列数据测试集；S201、生成统计特征向量训练集及统计特征向量测试集；S202、将时间序列数据训练集及统计特征向量训练集输入待训练的卷积神经网络进行训练；S203、将时间序列数据测试集及统计特征向量测试集输入训练后的卷积神经网络进行测试；S204、若测试结果满足预设条件，则完成卷积神经网络的训练，否则，返回步骤S202进行训练。3.如权利要求1所述的基于智能移动设备和卷积神经网络的人体活动识别方法，其特征在于，所...

【专利技术属性】
技术研发人员：李新科，刘欣雨，陈江，李勇明，陈艺航，林宜成，黄新鑫，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50