【技术实现步骤摘要】
一种快速自构建行为模态识别系统
[0001]本专利技术涉及人体行为模态识别领域,尤其涉及一种快速自构建行为模态识别系统。
技术介绍
[0002]人体行为模态识别作为一种生物认证技术已经得到了广泛的研究与发展。其中,基于移动设备的人体行为模态识别是最受欢迎的研究方向。这主要得益于物联网和微电子计算的迅猛发展。目前这类研究已被应用于老年人跌倒检测,病患身体机能恢复测试等多个医疗保健领域。但由于移动设备本身的特殊性,使其在存储和计算能力等方面都存在这限制。因此,研究一种建模速度快、精度高且轻量化的行为模态识别系统具有极其重要的实际意义。
技术实现思路
[0003]专利技术目的:本专利技术所要解决的技术问题是针对现有技术的不足,提供一种快速自构建行为模态识别系统,分别主要从建模速度、识别精度和轻量化等多个方面弥补现有方法的不足。本专利技术具体包括以下步骤:
[0004]步骤1,建立行为模态数据采集与处理模块,行为模态数据采集与处理模块用于执行如下步骤:
[0005]步骤1
‑
1,通过移动设备获取跑、走、下楼、上楼、躺、坐共六种行为模态的加速度和陀螺仪传感器数据,并将行为模态的加速度和陀螺仪传感器数据和行为模态类别组合成行为模态数据集D={x,f},x表示行为模态的加速度和陀螺仪传感器数据,f表示行为模态类别标签;
[0006]步骤1
‑
2,先后使用高斯滤波和最大值最小值归一化技术对行为模态数据集D进行去噪和归一化处理,得到数据集D
* >={x
*
,f},x
*
表示经过归一化处理的行为模态的加速度和陀螺仪传感器数据;
[0007]步骤1
‑
3,使用滑动窗口技术对数据集D
*
进行数据分割,获得数据集进行数据分割,获得数据集表示分割后的行为模态的加速度和陀螺仪传感器数据;
[0008]步骤1
‑
4,基于表1从分割后的模态数据集中提取最大值、最小值、信号幅度和向量夹角等时域和频域行为特征构成行为模态特征集R={r,f},r表示行为模态的时域和频域特征,并将R按7:3比例分为训练特征集A={a,f}和测试特征集C={c,f},其中,a和c分别表示训练特征集中的行为模态的时域和频域特征和测试特征集中的行为模态的时域和频域特征;
[0009]步骤2,建立行为模态识别模型模块,行为模态识别模型模块用于采用快速自构建算法对步骤1中的训练特征集进行训练得到行为模态识别模型;
[0010]步骤3、建立行为模态识别模块,行为模态识别模块用于将测试特征集中的待测行为特征输入行为模态识别模型,得到待测行为特征数据的类别标签。
[0011]步骤2中,所述快速自构建算法,具体包括:
[0012]步骤2
‑
1,将训练特征集A={a,f}作为快速自构建算法的输入,并设置快速自构建算法建立行为模态识别所需参数,所需参数包括最大隐层节点数L
max
、当前节点数L、最大随机参数次数T
max
、隐含层参数分配区间界限
±
λ和期望误差l;
[0013]步骤2
‑
2,从分配区间内随机生成T
max
对隐含层节点参数,隐含层节点参数包括输入权值w
L
和偏置b
L
,根据如下可解释性空间几何角度最大化约束选择出最合适的隐含层节点参数:
[0014][0015]式中,σ为任意小的正数,一般取0.0005,θ
L
表示e
L
‑1和g
L
之间的夹角,(θ
L
)
max
=(arcos∠(e
L
‑
1,gL))
max
∈(0,π/2),(θ
L
)
max
表示Tmax个θ
L
中的最大的θ
L
,表示第L个隐含层节点的激活函数,e
L
‑1=f
‑
f
L
‑1,e
L
‑1表示具有L
‑
1个节点的行为模态识别模型的残差,f
L
‑1表示具有L
‑
1个节点的行为模态识别模型的预测类别标签;
[0016]步骤2
‑
3,计算模型输出权值β:
[0017][0018]式中,表示中间变量,
[0019]T表示转置;H
L
=[H
L
‑1h
L
]指的是隐含层节点数为L时行为模态识别模型的隐含层输出矩阵,H
L
‑1=[h1,...,h
L
‑1]表示隐含层节点数为L
‑
1时行为模态识别模型的隐含层输出矩阵,其中,w
ii
和b
ii
是通过步骤2
‑
2的可解释性空间几何角度最大化约束选择的,I表示与H
L
‑1A
L
‑1同型的单位矩阵,E是与h
L
υ同型的单位矩阵,C是常数,一般取0.05。
[0020]步骤2
‑
4,计算当前行为模态识别模型的残差e
L
:
[0021]e
L
=f
‑
H
L
β;
[0022]步骤2
‑
5,如果残差e
L
满足期望容差l要求,则结束行为模态识别模型建模,否则返回步骤2
‑
2并继续向行为模态识别模型的隐含层中添加新节点,即L=L+1;持续上述行为模态识别模型的建模过程直到残差满足设定的期望容差l或者隐含层节点数达到L
max
为止。
[0023]步骤3中,将测试特征集C={c,f}中的待测行为特征c输入行为模态识别模型,进而得到待测行为特征数据的类别标签
[0024]有益效果:从上述方案可以看出,本专利技术相比于现有技术具有以下优点和效果:
[0025]本专利技术使用空间几何角度最大化约束选择出最合适的隐含层节点参数,这一约束不仅提高节点参数质量还提高了快速自构建方法所建模型网络结构的紧致性。因此,本专利技术具有建模速度快、识别精度高且系统尺寸轻量化等优势。
附图说明
[0026]下面结合附图和具体实施方式对本专利技术做更进一步的具体说明,本专利技术的上述和/或其他方面的优点将会变得更加清楚。
[0027]图1为人体行为模态识别系统流程图。
[0028]图2为人体行为模态数据采集过程演示图。
[0029]图3为本专利技术中快速自构建行为模态识别算法的网络结构示意图。
具体实施方式
[0030]本专利技术的流程示意图如图1所示,通过利用移动设备获取人体行为模态本文档来自技高网...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种快速自构建行为模态识别系统,其特征在于,包括以下步骤:步骤1,建立行为模态数据采集与处理模块,行为模态数据采集与处理模块用于执行如下步骤:步骤1
‑
1,通过移动设备获取跑、走、下楼、上楼、躺、坐共六种行为模态的加速度和陀螺仪传感器数据,并将行为模态的加速度和陀螺仪传感器数据和行为模态类别组合成行为模态数据集D={x,f},x表示行为模态的加速度和陀螺仪传感器数据,f表示行为模态类别标签;步骤1
‑
2,先后使用高斯滤波和最大值最小值归一化技术对行为模态数据集D进行去噪和归一化处理,得到数据集D
*
={x
*
,f},x
*
表示经过归一化处理的行为模态的加速度和陀螺仪传感器数据;步骤1
‑
3,使用滑动窗口技术对数据集D
*
进行数据分割,获得数据集进行数据分割,获得数据集表示分割后的行为模态的加速度和陀螺仪传感器数据;步骤1
‑
4,从分割后的模态数据集中提取时域和频域行为特征构成行为模态特征集R={r,f},r表示行为模态的时域和频域特征,并将R按一定比例分为训练特征集A={a,f}和测试特征集C={c,f},其中,a和c分别表示训练特征集中的行为模态的时域和频域特征和测试特征集中的行为模态的时域和频域特征;步骤2,建立行为模态识别模型模块,行为模态识别模型模块用于采用快速自构建算法对步骤1中的训练特征集进行训练得到行为模态识别模型;步骤3、建立行为模态识别模块,行为模态识别模块用于将测试特征集中的待测行为特征输入行为模态识别模型,得到待测行为特征数据的类别标签。2.根据权利要求1所述的方法,其特征在于,步骤2中,所述快速自构建算法,具体包括:步骤2
‑
1,将训练特征集A={a,f}作为快速自构建算法的输入,并设置快速自构建算法建立行为模态识别所需参数,所需参数包括最大隐层节点数L
max
、当前节点数L、最大随机参数次数T
max
、隐含层参数分配区间界限
±
λ和期望误差l;步骤2
‑
2,从分配区间内随机生成T
max
对隐含层节点参数,隐含层节点参数包括输入权值w
L
和偏置b
L
,根据如下可解释性空间几何角度最大化约束选择出最合适的隐含层节点参数:式中,σ为任意小的正数,θ
技术研发人员:代伟,南静,刘广义,建中华,袁冠,
申请(专利权)人:中国矿业大学,
类型:发明
国别省市:
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。