【技术实现步骤摘要】
一种卷积神经网的微多普勒雷达人体动作分类方法[
]本专利技术涉及人体动作识别技术，尤其涉及一种卷积神经网的微多普勒雷达人体动作分类方法。[
技术介绍
]人类活动识别用于老年人监护，非接触式医疗监测和人机交互等许多领域。微多普勒雷达是用于捕获人体动作信号的常见传感器之一，其具有穿透能力并且不受环境的影响，例如光照、天气等等。跑步，拳击和行走等人体动作可以产生微多普勒效应，这种效应可以用来表征人体的动作。因此，如何提取和分析雷达微多普勒特征成为一个近年来研究的热点。在过去的几十年中，分析雷达微多普勒特征进行人体动作识别的方法一般可分为两类。第一类是基于机器学习的方式。这类方法通常包括两个步骤：特征提取和分类。特征提取的方式包括从原始信号直接提取，但是该方法忽略了时间信息，另一个方式是先对原始信号进行短时傅里叶变换，然后提取频谱图的包络信息作为原始信号的特征。提取到的特征送入支持向量机，K最邻近分类等分类器进行分类。但是手工提取的方式提取的特征并不是最优的，于是人们开始用深度学习的方法进行分类。把频谱图直接作为卷积神经网络...
【技术保护点】
1.一种卷积神经网的微多普勒雷达人体动作分类方法，包括原始数据处理过程和深度卷积神经网络，原始数据处理过程的输出连接到深度卷积神经网络，其特征在于，所述的原始数据处理过程为一维卷积过程，深度卷积神经网络包括复数个带池化的多尺度密集连接模块和全连接层；复数个带池化的多尺度密集连接模块依次串接，原始数据处理过程的输入为原始雷达数据，第一个带池化的多尺度密集连接模块的输入端接原始数据处理过程的输出端，最后一个带池化的多尺度密集连接模块的输出端接全连接层，全连接层输出分类标签。/n
【技术特征摘要】
1.一种卷积神经网的微多普勒雷达人体动作分类方法，包括原始数据处理过程和深度卷积神经网络，原始数据处理过程的输出连接到深度卷积神经网络，其特征在于，所述的原始数据处理过程为一维卷积过程，深度卷积神经网络包括复数个带池化的多尺度密集连接模块和全连接层；复数个带池化的多尺度密集连接模块依次串接，原始数据处理过程的输入为原始雷达数据，第一个带池化的多尺度密集连接模块的输入端接原始数据处理过程的输出端，最后一个带池化的多尺度密集连接模块的输出端接全连接层，全连接层输出分类标签。
2.根据权利要求1所述的卷积神经网的微多普勒雷达人体动作分类方法，其特征在于，原始数据处理过程包括依次串接的两个一维卷积层和一个最大值池化层，第一一维卷积层的通道数为n，第二一维卷积层的通道数和最大值池化层的通道数为2n；第一一维卷积层输入所述的原始雷达数据，第三一维卷积层的输出端接第一个带池化的多尺度密集连接模块；其中n为初始的通道数。
3.根据权利要求1所述的卷积神经网的微多普勒雷达人体动作分类方法，其特征在于，带池化的多尺度密集连接模块包括前后连接的多尺度密集连接模块和最大值池化层，多尺度密集连接模块的输出接最大值池化层；所述的全连接层为两个，两个全连接层串接，最后一个带池化的多尺度密集连接模块的最大值池化层和第一个全连接层之间实施随机失活，随机失活的概率为0.6；修正线性单元函数用作第一个全连接层中的激活函数，第二个全连接层使用归一化指数函数作为激活函数，用于最后的分类。
4.根据权利要求3所述的卷积神经网的微多普勒雷达人体动作分类方法，其特征在于，多尺度密集连接模块包括4个卷积分支、一个直通分支和拼接层，4个卷积分支和一个直通分支并接在多尺度密集连接模块的输入端与后部的拼接层之间，拼接层将四个卷积分支与输入拼接到一起作为多尺度密集连接模块的输出。
5.根据权利要求4所述的卷积神经网的微多普勒雷达人体动作分类方法，其特征在于，第一卷积分支和第二卷积分支各包括串接的两个一维卷积层，第三卷积分支包括按前后顺序串接的平均值池化层和一维卷积层；...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。