基于深度学习的无源人体运动识别方法技术

本发明专利技术公开了一种基于深度学习的无源人体运动识别方法，通过首先对人体运动数据进行行为特征数据提取获取训练数据，然后在笔记本电脑中使用tensorflow构建深度神经网络模型，基于训练数据采用深度学习的方法实现对深度神经网络模型的训练，在人体运动识别时，通过给待识别人员配备WISP实现人体运动数据的采集，然后提取采集的运动数据的特征数据作为深度神经网络模型的输入数据，通过深度神经网络模型实现运动识别；优点是成本较低，识别时间短，且具有较高的识别准确率。

Passive human motion recognition based on deep learning

【技术实现步骤摘要】
基于深度学习的无源人体运动识别方法
本专利技术涉及一种无源人体运动识别方法，尤其是涉及一种基于深度学习的无源人体运动识别方法。
技术介绍
随着计算机视觉、MEMS(MicroElectroMechanicalSystems)技术以及人工智能等技术的日益成熟和不断发展，各种各样的智能设备进入了人们的日常生活中。与此同时，用于这些智能设备的智能控制或智能监测方法也得到了快速的发展。人体运动识别方法作为一种智能监测的模式识别方法，主要对人体的运动类别和行为模式进行分析和识别，得到了广泛应用。人体运动识别方法通过获取人体的运动信息并对这些运动信息进行处理，从而识别人的行为动作。人体运动识别方法可以识别的人的行为动作，进而判断人所处的地理环境，推测其潜在目的。如在医疗健康领域，人体运动识别方法可以实现子女对年迈的父母行为的远程监测，或者医院工作人员可以对特定病人的日常行为进行远程监测。现有的人体运动识别方法根据数据采集方式的不同主要分为基于计算机视觉的人体运动识别方法和基于可穿戴设备的人体运动识别方法两大类。基于计算机视觉的人体运动识别方法是在一本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无源人体运动识别方法，其特征在于包括以下步骤：/n①配备WISP(Wireless Identification and Sensing Platform)，并将与WISP对应的WISP源码文件装载到一台笔记本电脑上，打开笔记本电脑上的WISP源码文件对WISP的参数进行设置：将WISP源码文件中WISP上三轴加速度传感器的采样频率参数设置为30Hz；参数设置完成后，将笔记本电脑与WISP通过MSP430USB仿真器相连将WISP源码文件下载到WISP中，下载完成后，将WISP阅读器与笔记本电脑通过USB相连，此时，WISP阅读器与WISP通过无线网络进行通讯，WISP阅...

【技术特征摘要】
1.一种基于深度学习的无源人体运动识别方法，其特征在于包括以下步骤：
①配备WISP(WirelessIdentificationandSensingPlatform)，并将与WISP对应的WISP源码文件装载到一台笔记本电脑上，打开笔记本电脑上的WISP源码文件对WISP的参数进行设置：将WISP源码文件中WISP上三轴加速度传感器的采样频率参数设置为30Hz；参数设置完成后，将笔记本电脑与WISP通过MSP430USB仿真器相连将WISP源码文件下载到WISP中，下载完成后，将WISP阅读器与笔记本电脑通过USB相连，此时，WISP阅读器与WISP通过无线网络进行通讯，WISP阅读器与笔记本电脑通过USB连接后进行通信；
②样本数据采集：将WISP依次佩戴于N名测试人员腰腹位置，N为大于等于5且小于等于10的整数，每个佩戴有WISP的测试人员分别独自完成上楼、下楼、站立、行走、卧躺和跑步这6种日常人体行为，其中，上楼为第1种行为，下楼为第2种行为，站立为第3种行为，行走为第4种行为，卧躺为第5种行为，跑步为第6种行为；对每种行为连续采样时长为3分钟，采样频率为30Hz，每个测试人员佩戴的WISP依次获取该测试人员6种行为的三轴加速度数据并通过无线方式发送给所述的WISP阅读器，所述的WISP阅读器将接收到的三轴加速度数据发送给笔记本电脑，在笔记本电脑中将这些三轴加速度数据保存为data.csv文件，其中第n个测试人员第a种行为的X轴加速度序列记为第n个测试人员第a种行为的Y轴加速度序列记为第n个测试人员第a种行为的Z轴加速度序列记为其中为第n个测试人员第a种行为的X轴加速度序列中第m个加速度数据，为第n个测试人员第a种行为的Y轴加速度序列中第m个加速度数据，为第n个测试人员第a种行为的Z轴加速度序列中第m个加速度数据，a＝1，2，3，4,5,6，n＝1，2，...，N，m＝1，2，...，M，M为采样数据量,由采样时长和采样频率计算得到；
③行为特征提取：
③-1在笔记本电脑上使用matlab读取data.csv文件，获得第n个测试人员第a种行为的X轴加速度序列Y轴加速度序列和Z轴加速度序列使用matlab分别对和进行加窗处理，其中窗口长度设置为128，重叠率设置为50％，分别得到和的加窗数据序列，将第n个测试人员第a种行为的X轴加速度序列的加窗数据序列记为Vin，a表示加窗数据序列中第i个加窗数据，i＝1，2，…，M',将第n个测试人员第a种行为的Y轴加速度序列的加窗数据序列记为表示加窗数据序列中第i个加窗数据，将第n个测试人员第a种行为的Z轴加速度序列的加窗数据序列记为表示加窗数据序列中第i个加窗数据；
使用matlab分别对加窗数据序列和进行特征提取，分别获取和的均值、标准差、任意两轴相关系数和FFT64维系数，具体为：
将N名测试人员第a种行为的X轴加速度序列的加窗数据序列的均值记为采用公式(1)计算得到



将N名测试人员第a种行为的Y轴加速度序列的加窗数据序列的均值记为采用公式(2)计算得到



将N名测试人员第a种行为的Z轴加速度序列的加窗数据序列的均值记为采用公式(3)计算得到



将N名测试人员第a种行为的X轴加速度序列的加窗数据序列的标准差记为采用公式(4)计算得到



将N名测试人员第a种行为的Y轴加速度序列的加窗数据序列的标准差记为采用公式(5)计算得到



将N名测试人员第a种行为的Z轴加速度序列的加窗数据序列的标准差记为采用公式(6)计算得到



式(1)～式(6)中，∑表示求和运算符号；
采用N个测试人员第a种行为的X轴加速度序列的加窗数据序列构成第一矩阵Sx，将Sx采用式(7)表示为：



采用N个测试人员第a种行为的Y轴加速度序列的加窗数据序列构成第二矩阵Sy，将Sy采用式(8)表示为：



采用N个测试人员第a种行为的Z轴加速度序列的加窗数据序列构成第三矩阵Sz，将Sz采用式(9)表示为：



将第一矩阵Sx和第二矩阵Sy之间的相关系数记为Corr(Sx,Sy)，将第一矩阵Sx和第三矩阵Sz之间的相关系数记为Corr(Sx,Sz)，将第二矩阵Sy和第三矩阵Sz之间的相关系数记为Corr(Sy,Sz)，分别采用公式(10)、(11)和(12)计算得到Corr(Sx,Sy)、Corr(Sx,Sz)和Corr(Sy,Sz)：









其中，cov()为matlab中用于计算两个矩阵的协方差的函数，cov(Sx,Sy)表示第一矩阵Sx和第二矩阵Sy的协方差，cov(Sx,Sz)表示第一矩阵Sx和第三矩阵Sz的协方差，cov(Sy,Sz)表示第二矩阵Sy和第三矩阵Sz的协方差，σx为第一矩阵Sx的方差,σy为第二矩阵Sy的方差，σz为第三矩阵Sz的方差；
对第一矩阵Sx、第二矩阵Sy和第三矩阵Sz分别使用快速傅里叶变化转换得到变换矩阵，将第一矩阵Sx的变换矩阵记为Px，将第二矩阵Sy的变换矩阵记为Py，将第三矩阵Sz的变换矩阵记为Pz，Px、Py和Pz采用公式(13)、(14)和(15)分别表示为：









其中，为使用快速傅里叶变化转换得到的变换矩阵，为使用快速傅里叶变化转换得到的变换矩阵，为使用快速傅里叶变化转换得到的变换矩阵；
从的第1行第1个数据开始按行依次选取64个数据构建第一个FFT64维系数f1，f1采用公式(16)表示为：



从的第1行第1个数据开始按行依次选取64个数据构建第二个FFT64维系数f2，f2采用公式(17)表示为：



从的第1行第1个数据开始按行依次选取64个数据构建第三个FFT64维系数f3，f3采用公式(18)表示为：



将所有测试人员第a种行为的初始特征向量记为将Corr(Sx,Sy)、Corr(Sx,Sz)、Corr(Sy,Sz)、f1的64个数据、f2的64个数据和f3的64个数据依次排列组成维数为202的向量，该向量即为
在matlab中使用PCA和LDA将所有测试人员第a种行为的初始特征向量的维数降到15，得到第a种行为的更新特征向量，将该更新特征向量记为ua，ua采用式(19)表示为：



④重复步骤②和步骤③共50次，得到50个第a种行为的更新特征向量，采用50个第a种行为的更新特征向量构建第a种行为的特征矩阵，将第a种行为的特征矩阵记为Ga，G1为上楼的特征矩阵，G2为下楼的特征矩阵，G3为站立的特征矩阵，G4为行走的特征矩阵，G5为卧躺的特征矩阵，G6为跑步的特征矩阵，每种行为的特征矩阵的维度均为50×15；G1,G2,G3,G4,G5,G6分别采用式(20)、(21)、(22)、(23)、(24)和(25)表示为：


















其中，为第n'次得到的第a种行为的更新特征向量，n'＝1，2，...，50。
构建包括两列数据的训练集，训练集中第一列数据记为Xt，第二列数据记为Yt，Xt表示训练数据，Y...

【专利技术属性】
技术研发人员：於晨阳，谢志军，俞建成，吴焕铭，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33