一种基于双向LSTM的人体行为识别方法技术

一种基于双向LSTM的人体行为识别方法，行为识别分为训练阶段和识别阶段，训练阶段，首先通过加速度计采集三轴加速度原始数据，然后对传感器数据进行滤波去噪、数据分割预处理，最后利用分割得到的数据片段和采集时的行为标签，训练并验证基于双向LSTM的行为识别网络模型，选择在验证集上具有最高识别率的训练模型应用于识别阶段。该方法具有准确率高、参数少的优势。本发明专利技术提出一种基于双向LSTM的深度双向LSTM人体行为识别方法，能够提供更高准确率、更快捷的识别结果。

【技术实现步骤摘要】
一种基于双向LSTM的人体行为识别方法
本专利技术属于人体行为识别领域，涉及一种基于深度学习和传感器数据的人体行为识别方法。
技术介绍
人体行为识别技术能够充分反映人体行为状态与生理信息，在运动追踪、健身锻炼、日常监护、医疗康复、人机交互、虚拟现实、智能环境等领域具有广泛的应用前景。基于惯性传感器的行为识别，利用加速度计、陀螺仪、方向传感器等传感器采集人体运动产生的加速度、角速度和方向等物理信息，用于识别当前人体行为。传统的人体行为识别方法准确率很大程度依赖于特征的提取与选择，研究人员需要依靠专业知识和技能提取信号的时域和频域等特征，并结合特征工程进行特征约简。神经网络可以通过简单的非线性模型将原始数据转换为更高阶、更抽象、更复杂的表达，可以通过自动特征提取替代行为识别的人工特征提取过程。
技术实现思路
为了克服已有技术的不足，本专利技术提出一种基于双向LSTM的深度双向LSTM人体行为识别方法，能够提供更高准确率、更快捷的识别结果。本专利技术解决其技术问题所采用的技术方案是：一种基于双向LSTM的人体行为识别方法，包括以下步骤：步骤(1)：采集不同人体行为类别下的传感器数据，采集的动作类别集合为M＝{m1，m2，...，mJ}，J为预定义的行为类别数目；步骤(2)：利用低通滤波方法对传感器数据进行滤波去噪处理；步骤(3)：对滤波后的传感器数据进行分割得到数据片段，对于每个数据片段Pk＝[A1，A2，...，AL]∈RN×L，L为片段长度，i＝1，2，...，L，N为传感器数据维数，k＝1，2，...，K，K为数据片段数目，标记该数据片段的行为类别标签为j，j对应行为类别mj，mj∈M，j＝1，2，...，J，所有数据片段共同构成样本集S，S＝[P1，P2，...，PK]；步骤(4)：基于双向LSTM构建深度双向LSTM行为识别网络模型；步骤(5)：将样本集S划分为模型训练集ST和模型验证集SV，利用模型训练集ST训练深度双向LSTM行为识别网络模型，并在验证集SV上进行模型验证；步骤(6)：利用训练好的深度双向LSTM网络模型识别行为获得识别结果。进一步，所述步骤(1)中，采集的传感器数据包括加速度计x、y、z三轴的数据，采集的动作集合M包括步行、慢跑、上楼、下楼、站、坐共6类。再进一步，所述步骤(3)中，采用窗长度为L，重叠覆盖率为ρ％的滑动窗口方法进行分割。更进一步，所述步骤(4)中，所构建的深度双向LSTM行为识别网络模型包括输入层、全连接层、隐藏层和输出层，对于每个输入数据片段Pinput＝[A1，A2，...，AL]∈RN×L，利用全连接层将其转换为i＝1，2，...，L，Nfc为全连接层节点数目；隐藏层包括前向传播层和反向传播层，前向传播层和反向传播层的深度为3，每一层都采用LSTM单元，每层LSTM单元数为64；前向传递和反向传递的输出经过拼接操作进行拼接，将拼接后的最后一个时刻的序列输入到输出层，输出层节点数为6，对应行为类别数目，将输出层输出的最大值所在索引作为最终的识别类别标签。进一步，所述步骤(5)中，利用训练集ST与ST中每个样本片段对应的类别标签，训练深度双向LSTM行为识别网络模型，并在验证集SV上进行验证，使用准确率作为模型的评估标准，选择在验证集SV具有最高准确率的迭代周期，获取该迭代周期下的模型参数得到最终的深度双向LSTM行为识别网络模型。进一步，所述步骤(6)中，采用低通滤波方法对实时采集的加速度计数据进行滤波去噪处理，采用窗长度为L，重叠覆盖率为ρ％的滑动窗口方法进行分割得到当前时刻数据片段，将数据片段输入训练好的深度双向LSTM行为识别网络，识别出当前行为类别。本专利技术的有益效果主要表现在：能够提供更高准确率、更快捷的识别结果。附图说明图1为本专利技术行为识别方法流程示意图；图2为本专利技术深度双向LSTM行为识别网络模型。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1和图2，一种基于双向LSTM的人体行为识别方法，包括以下步骤：步骤(1)：采集不同人体行为类别下的传感器数据，本实施方法使用WISDM公开数据集，将智能手机置于裤口袋，采集加速度计传感器数据，采样频率为20Hz，参与数据采集的人数为36，采集的动作为6类，分别为走、上楼、下梯、慢跑、坐、站，数据集共包含1098209个采样数据，每个采样数据，包含实验者编号、行为和3轴加速度数据。步骤(2)：利用低通滤波方法对传感器数据进行滤波去噪处理，本实施方法采用窗长度为5的移动均值滤波器对加速度计传感器数据进行去噪处理。步骤(3)：对滤波后的传感器数据进行分割得到数据片段，本实施方法首先剔除数据集中的缺失点，再利用窗长度为60，重叠覆盖率为50％的滑动窗口方法进行数据分割，共分割得到35998个样本，每个样本长60点，包含3轴加速度时间序列，并标记每个样本的行为类别标签。步骤(4)：基于双向LSTM构建深度双向LSTM行为识别网络模型，本实施方法设计的双向LSTM行为识别网络模型如图2所示。模型包括输入层、全连接层、隐藏层和输出层，全连接层节点数目为32，隐藏层包括前向传播层和反向传播层，前向传播层和反向传播层的深度为3，每一层都采用LSTM单元，每层LSTM单元数为64；前向传递和反向传递的输出经过拼接操作进行拼接，将拼接后的最后一个时刻的序列输入到输出层，输出层节点数为6，对应行为类别数目，将输出层输出的最大值所在索引作为最终的识别类别标签。步骤(5)：训练并验证深度双向LSTM行为识别网络模型，将步骤(3)得到的样本中的70％划分为训练集，30％划分为验证集，即训练集和验证集样本分别有25198和10800个样本，利用模型训练集训练深度双向LSTM行为识别网络模型，网络的学习率初始设置为0.0025，并随着迭代次数的增加降低学习速率，即在每进行50次迭代后，将学习率将为原来的0.8。为增强网络的泛化能力、缓解过拟合问题，采用L2正则化限制权重大小，正则化系数为0.0015，采用Adam优化器对模型参数进行训练，损失函数采用交叉熵损失函数。在验证集上进行模型验证和选择。最终选择的模型在验证集上的识别准确率为98.5％。表1所示为模型在测试集上的识别混淆矩阵。纵向为真实类别，横向为识别类别。走上楼下楼慢跑坐站走42321820120上楼141135271001下楼1330882800慢跑847336100坐00005本文档来自技高网...

【技术保护点】
1.一种基于双向LSTM的人体行为识别方法，其特征在于，所述方法包括以下步骤：/n步骤(1)：采集不同人体行为类别下的传感器数据，采集的动作类别集合为M＝{m

【技术特征摘要】
1.一种基于双向LSTM的人体行为识别方法，其特征在于，所述方法包括以下步骤：
步骤(1)：采集不同人体行为类别下的传感器数据，采集的动作类别集合为M＝{m1，m2，...，mJ}，J为预定义的行为类别数目；
步骤(2)：利用低通滤波方法对传感器数据进行滤波去噪处理；
步骤(3)：对滤波后的传感器数据进行分割得到数据片段，对于每个数据片段Pk＝[A1，A2，...，AL]∈RN×L，L为片段长度，N为传感器数据维数，k＝1，2，...，K，K为数据片段数目，标记该数据片段的行为类别标签为j，j对应行为类别mj，mj∈M，j＝1，2，...，J，所有数据片段共同构成样本集S，S＝[P1，P2，...，PK]；
步骤(4)：基于双向LSTM构建深度双向LSTM行为识别网络模型；
步骤(5)：将样本集S划分为模型训练集ST和模型验证集SV，利用模型训练集ST训练深度双向LSTM行为识别网络模型，并在验证集SV上进行模型验证；
步骤(6)：利用训练好的深度双向LSTM网络模型识别行为获得识别结果。


2.根据权利要求1所述的基于双向LSTM的行为识别方法，其特征在于：所述步骤(1)中，采集的传感器数据包括加速度计x、y、z三轴的数据，采集的动作集合M包括步行、慢跑、上楼、下楼、站、坐共6类。


3.根据权利要求1或2所述的基于双向LSTM的行为识别方法，其特征在于，所述步骤(3)中，采用窗长度为L，重叠覆盖率为ρ％的滑动窗口...

【专利技术属性】
技术研发人员：潘赟，肖沛文，朱怀宇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33